دسته‌بندی 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 کمینه‌های محلی و نرخ همگرایی آهسته می‌باشد. این مقاله به‌منظور غلبه بر این نقص و رسیدن به نرخ دسته‌بندی مناسب از یک روش فراابتکاری جدید به نام بهینه‌ساز ازدحام ذرات با گروه‌های مستقل (IGPSO) استفاده می‌کند. این الگوریتم با الهام‌گیری از تنوع افراد در تجمع پرندگان یا ازدحام حشرات، دارای توانایی‌های منحصربه‌فردی در دسته‌بندی دادگان ابعاد بالا (سونار) می‌باشد. در ابتدا توانایی‌های IGPSO در کار با دادگان ابعاد بالا توسط 23 تابع آزمون شناخته‌شده به‌خوبی ارزیابی شده و نتایج به‌دست‌آمده با روش PSO و نمونه‌های بهبودیافته PSO مقایسه می‌شوند. نتایج نشان می‌دهد که الگوریتم IGPSO قادر به ارائه نتایجی بسیار بهتر در یافتن کمینه کلی توابع، سرعت همگرایی و اجتناب از کمینه محلی در مقایسه با الگوریتم‌های معیار، مخصوصاً برای توابع با ابعاد بالا است. علاوه بر این، در این مقاله یک کاربرد واقعی از روش ارائه‌شده در زمینه دسته‌بندی دادگان سونار بیان می‌شود. نتایج حاصله نشان می‌دهد که دسته‌بندی‌کننده طراحی‌شده با IGPSO دادگان سونار را با دقت 96.67% دسته‌بندی می‌کند، این در حالی است که PSO دقت 92.33% را ارائه می‌نماید.