بهبود شبكه عصبي توسط بهينه سازي جغرافياي زيستي آشوبناك فازي به منظور دسته بندي داده هاي پزشكي

كارآيي شبكه‌هاي عصبي مصنوعي به فرآيند يادگيري مرتبط است و توانايي آنها به عنوان يك جعبه سياه بدون مدل بوده و قادر است روابط داخلي يك سيستم ناشناخته را مستقيمأ ياد بگيرد، سبب شده كه تحقيقات زيادي در زمينه گسترش موارد مرتبط با شبكه مثل نوع شبكه، ساختار، الگوريتم يادگيري و نحوه انتخاب پارامترها، صورت پذيرد كه هم اكنون نيز ادامه دارد. ابعاد بالا، گير افتادن در دام مينيمم محلي، همگرايي كند و هزينه محاسباتي بسيار در آموزش شبكه‌هاي عصبي بسيار تأثيرگذار است. در اين مقاله ابتدا الگوريتم بهينه سازي جغرافياي زيستي توسط افزودن بهينه‌سازي آشوبناك بهبود داده خواهد شد، همچنين يك سيستم كنترل كننده فازي طراحي شده است تا تعداد جمعيتي كه توسط سيستم آشوب مقداردهي مي‍گردنند، را تعيين كند. سپس از الگوريتم بهبود داده شده براي آموزش شبكه عصبي مصنوعي چند لايه پرسپترون در كاربرد دسته بندي داده‌هاي پزشكي استفاده خواهد شد.