تنظيم بهينه و همزمان ساختار و پارامترهاي شبكه عصبي با استفاده از الگوريتم آميختار مبتني بر جستجوي گرانشي براي كاربردهاي دسته بندي و تقريب توابع

كارايي بهتر شبكه عصبي به پارامتر هايي همچون تعداد گره­ هاي ورودي، تعداد لايه هاي مياني، تعداد نرون ها، و وزن اختصاص يافته به نرون ها بستگي دارد. روش هاي متفاوتي جهت به روزرساني پارامترها و ساختار شبكه عصبي مصنوعي ارائه گرديده است. يكي از روش هاي متداول و مورد استفاده در شبكه هاي عصبي، روش پس­ انتشار خطا (EBP) است كه در آن تنها وزن هاي شبكه عصبي به روزرساني مي شوند. در اين مقاله، از الگوريتم جستجوي گرانشي (GSA) بدين ­منظور استفاده شده است، كه يكي از روش هاي نوين جستجو و بهينه ­سازي مبتني بر هوش جمعي مي باشد. در روش پيشنهادي، از GSA به همراه نسخه باينري الگوريتم جستجوي گرانشي (BGSA) به ­صورت همزمان، جهت آموزش شبكه عصبي و نيز تعيين ساختار بهينه شبكه عصبي استفاده شده است. نتايج عملكرد روش پيشنهادي با روش هايي چون الگوريتم تجمع ذرات (PSO)، الگوريتم آميختار PSO و نسخه باينري PSO (PSO-BPSO) و نيز روش EBP در كاربردهاي دسته­بندي و تقريب توابع مقايسه شده است. عملكرد براي كاربرد دسته­بندي بر روي سه دادگان استاندارد گل زنبق، سرطان سينه و انواع شيشه و براي كاربرد تقريب توابع، درخصوص يك سيستم تخمين نوا براي سنتز گفتار فارسي مورد ارزيابي قرار گرفته است. از آنجا كه تعداد ورودي­ ها به شبكه عصبي در كاربرد سيستم تخمين نوا زياد است، از يك الگوريتم آميختار تكاملي و هوش جمعي نيز براي انتخاب ويژگي­هاي مناسب بهره گرفته شده است. نتايج شبيه ­سازي نشان مي­دهد كه روش پيشنهادي با به­كارگيري تعداد نرون­ هاي كمتر در لايه مخفي (به­ميزان 25 تا 68 درصد كاهش در تعداد اين نرون ­ها در مقايسه با بسياري از الگوريتم­ هاي مورد بررسي)، دقت دسته­بندي و تقريب را به­صورت قابل رقابتي (به­ ويژه هنگام كار با داده­ هاي آزمون) از خود ارائه مي نمايد.