دسته بندی اهداف سوناری با استفاده از روش ترکیبی ازدحام ذرات و جستجوی گرانشی
Authors
Abstract:
با توجه به خصوصیات فیزیکی بسیار نزدیک اهداف واقعی و کلاترِ سونار فعال، تفکیک این اهداف، از موضوعات چالشبرانگیز محققان و صنعتگران حوزه آکوستیک میباشد. شبکههای عصبی چندلایه (MLP) یکی از پرکاربردترین شبکههای عصبی در دستهبندی اهداف دنیای واقعی هستند. آموزش از مهمترین بخشهای توسعه این نوع شبکه ها است که در سالهای اخیر بسیار مورد توجه قرار گرفته است. به منظور آموزش شبکههای MLP از دیر باز استفاده از روشهای بازگشتی و گرادیان نزولی مرسوم بوده است. دقت دستهبندی نامناسب، گیر افتادن در کمینههای محلی و سرعت همگرایی پایین از معایب روشهای سنتی میباشد. به منظور غلبه بر این معایب، در سالهای اخیر استفاده از الگوریتمهای ابتکاری و فرا ابتکاری بسیار مرسوم گردیده است. این مقاله برای آموزش شبکه MLP از الگوریتم بهینهسازی ترکیبی ازدحام ذرات و جستجوی گرانشی ((PSOGSA استفاده میکند. الگوریتم جستجوی گرانشی (GSA) یک روش بهینهسازی فرا ابتکاری جدید بر اساس فعل و انفعالات گرانش و جرم می باشد. ثابت شده است که این الگوریتم توانایی خوبی برای جستجوی کلی دارد، اما در آخرین تکرارها دارای سرعت پایین در بهرهبرداری فضای جستجو میباشد. با توجه به توانایی منحصربهفرد بهینهساز ازدحام ذرات (PSO) در فاز بهرهبرداری، از این روش برای حل مشکل فوق استفاده میشود. نتایج به دست آمده نشان میدهد که دستهبندیکنندههای مبتنی بر GSA، PSO و PSOGSA دادگان سونار را به ترتیب با دقت 7500/92، 6741/93 و 42308/94 دستهبندی مینمایند. همچنین سرعت همگرایی الگوریتم ترکیبی نسبت به دو الگوریتم معیار ذکر شده بهتر میباشد.
similar resources
دسته بندی اهداف سوناری با استفاده از روش omkc
با توجه به خصوصیات فیزیکی پیچیده ی اهداف سوناری، طبقه بندی و تمیز دادن اهداف واقعی از اهداف کاذب یکی از زمینه های دشوار و پیچیده برای محققان و صنعتگران این حوزه است. با توجه به این ویژگی های اهداف سوناری، روش های هوشمند در دسته بندی این نوع دادگان دارای توانایی های منحصر به فردی می باشند. از این رو در سال های اخیر استفاده از شبکه های عصبی و ماشین بردار پشتیبانی در این زمینه کاربرد فراوانی داشته...
full textدسته بندی اهداف سوناری توسط الگوریتم بهینه ساز ازدحام ذرات با گروه های مستقل
با توجه به اینکه دادگان سوناری دارای ابعاد بالا و بهینه های محلی زیادی می باشند، دسته بندی کننده های متعارف توانایی دسته بندی مناسب این گونه اهداف را ندارند. استفاده از ترکیب بهینه ساز ازدحام ذرات (pso) و شبکه های عصبی مصنوعی (ann) یکی از راه حل هایی است که در چند سال اخیر برای غلبه بر این مشکل موردتوجه قرار گرفته است. در کاربرد دادگان با ابعاد بالا، الگوریتم pso دارای دو مشکل به دام افتادن در ...
full textدستهبندی اهداف سوناری توسط الگوریتم بهینهساز ازدحام ذرات با گروههای مستقل
با توجه به اینکه دادگان سوناری دارای ابعاد بالا و بهینههای محلی زیادی میباشند، دستهبندیکنندههای متعارف توانایی دستهبندی مناسب اینگونه اهداف را ندارند. استفاده از ترکیب بهینهساز ازدحام ذرات (PSO) و شبکههای عصبی مصنوعی (ANN) یکی از راهحلهایی است که در چند سال اخیر برای غلبه بر این مشکل موردتوجه قرار گرفته است. در کاربرد دادگان با ابعاد بالا، الگوریتم PSO دارای دو مشکل به دام افتادن در ...
full textدستهبندی اهداف سوناری با استفاده از روش OMKC
با توجه به خصوصیات فیزیکی پیچیدهی اهداف سوناری، طبقهبندی و تمیز دادن اهداف واقعی از اهداف کاذب یکی از زمینههای دشوار و پیچیده برای محققان و صنعتگران این حوزه است. با توجه به این ویژگیهای اهداف سوناری، روشهای هوشمند در دستهبندی این نوع دادگان دارای تواناییهای منحصر به فردی میباشند. از اینرو در سالهای اخیر استفاده از شبکههای عصبی و ماشین بردار پشتیبانی در این زمینه کاربرد فراوانی داشت...
full textبهینهسازی فرایند ترکیب تصاویر با استفاده از الگوریتم جستجوی گرانشی
از آنجا که به دلیل محدودیتهای عکسبرداری نمیتوان با گرفتن تنها یک عکس از یک صحنه به تصویری با کیفیت و وضوح مطلوب دست یافت، ترکیب تصاویر با استفاده از روشهای گوناگون روز به روز در حال گسترش و بهبود است. از طرفی امروزه از الگوریتمهای جمعیتی مبتنی بر تصادف جهت بهینهیابی استفاده گستردهای میشود که اغلب با الهام از فرایندهای فیزیکی یا رفتارهای موجودات به وجود آمدهاند. الگوریتم بهینهیابی جست...
full textMy Resources
Journal title
volume 3 issue 1
pages 1- 13
publication date 2016-08-22
By following a journal you will be notified via email when a new issue of this journal is published.
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023