آموزش شبکه های عصبی توابع پایه شعاعی توسط الگوریتم بهینه سازی حرکت یون ها به منظور شناسایی هدف سوناری واقعی از هدف کاذب

شبکه های عصبی توابع پایه شعاعی (RBF) یکی از پرکاربردترین شبکه های عصبی در تشخیص و کلاس بندی اهداف سوناری می باشند. با توجه به استفاده از روش های بازگشتی و گرادیان نزولی برای آموزش شبکه های RBF، دقت دسته بندی نامناسب، گیر افتادن در کمینه های محلی و سرعت همگرایی پایین از معایب این نوع شبکه می باشد. به منظور غلبه بر این معایب، این مقاله برای آموزش شبکه RBF از الگوریتم بهینه ساز حرکت یون ها (IMO) استفاده می کند. به منظور سنجش عملکرد شبکه طراحی شده با الگوریتم های معیار ES ،ACO ،GA ،PSO و PBIL از نظر سرعت همگرایی، دقت کلاس بندی و اجتناب از بهینه محلی مقایسه می شود. نتایج نشان دهنده آن است که شبکه طراحی شده با الگوریتم IMO نسبت به الگوریتم های معیار نتایج بهتری را ارایه می کند به صورتی که نسبت به بهترین الگوریتم 2/69 درصد دقت بیشتری دارد.

Keywords:

کلاس بندی , RBF , الگوریتم فراابتکاری , الگوریتم بهینه ساز حرکت یون