دسته بندی اهداف سوناری با استفاده از روش ترکیبی ازدحام ذرات و جستجوی گرانشی

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.