تنظیم بهینه و همزمان ساختار و پارامترهای شبکه عصبی با استفاده از الگوریتم آمیختار مبتنی بر جستجوی گرانشی برای کاربردهای دسته بندی و تقریب توابع

چکیده: کارایی بهتر شبکه عصبی به پارامتر‏هایی همچون تعداد گره­ های ورودی، تعداد لایه های میانی، تعداد نرون‏ ها، و وزن اختصاص ‏یافته به نرون ‏ها بستگی دارد. روش‏ های متفاوتی جهت به‏ روزرسانی پارامترها و ساختار شبکه عصبی مصنوعی ارائه گردیده است. یکی از روش‏ های متداول و مورد استفاده در شبکه های عصبی، روش پس­ انتشار خطا (ebp) است که در آن تنها وزن‏ های شبکه عصبی به ‏روزرسانی می شوند. در این مقاله، از الگوریتم جستجوی گرانشی (gsa) بدین ­منظور استفاده شده است، که یکی از روش های نوین جستجو و بهینه ­سازی مبتنی بر هوش جمعی می باشد. در روش پیشنهادی، از gsa به همراه نسخه باینری الگوریتم جستجوی گرانشی (bgsa) به ­صورت همزمان، جهت آموزش شبکه عصبی و نیز تعیین ساختار بهینه شبکه عصبی استفاده شده است. نتایج عملکرد روش پیشنهادی با روش هایی چون الگوریتم تجمع ذرات (pso)، الگوریتم آمیختار pso و نسخه باینری pso (pso-bpso) و نیز روش ebp در کاربردهای دسته­بندی و تقریب توابع مقایسه شده است. عملکرد برای کاربرد دسته­بندی بر روی سه دادگان استاندارد گل زنبق، سرطان سینه و انواع شیشه و برای کاربرد تقریب توابع، درخصوص یک سیستم تخمین نوا برای سنتز گفتار فارسی مورد ارزیابی قرار گرفته است. از آنجا که تعداد ورودی­ ها به شبکه عصبی در کاربرد سیستم تخمین نوا زیاد است، از یک الگوریتم آمیختار تکاملی و هوش جمعی نیز برای انتخاب ویژگی­های مناسب بهره گرفته شده است. نتایج شبیه ­سازی نشان می­دهد که روش پیشنهادی با به­کارگیری تعداد نرون­ های کمتر در لایه مخفی (به­میزان 25 تا 68 درصد کاهش در تعداد این نرون ­ها در مقایسه با بسیاری از الگوریتم­ های مورد بررسی)، دقت دسته­بندی و تقریب را به­صورت قابل رقابتی (به­ ویژه هنگام کار با داده­ های آزمون) از خود ارائه می نماید.