استفاده از شبكه هاي عصبي تابعي پله اي شعاعي مبتني بر الگوريتم جستجوي گرانشي با بهينه عمومي راهنما به‌منظور دسته‌بندي دادگان سونار

The Use of Radial Basis Function Networks Based on Leader Mass Gravitational Search Algorithm for Sonar Dataset Classification

با توجه به خصوصيات فيزيكي بسيار مشابه اكوي اهداف واقعي و كاذب سونار فعال، طبقه‌بندي و تميز دادن آن‌ها از يكديگر به يكي از زمينه‌هاي دشوار و پيچيده براي محققان و صنعتگران اين حوزه تبديل شده است. شبكه‌هاي عصبي تابعي پله‌اي شعاعي (RBF NN) يكي از پركاربردترين شبكه‌هاي عصبي مصنوعي در دسته‌بندي اهداف دنياي واقعي هستند. آموزش از مهمترين بخش‌هاي توسعه اين نوع شبكه است كه در سال‌هاي اخير بسيار مورد توجه قرار گرفته است. به منظور آموزش RBF NN از دير باز استفاده از روش‌هاي بازگشتي و گراديان نزولي مرسوم بوده است. با اين وجود، دقت دسته بندي نامناسب، گير افتادن در كمينه‌هاي محلي و سرعت همگرايي پايين از معايب روش‌هاي سنتي مي‌باشد. در سال‌هاي اخير استفاده از الگوريتم‌هاي ابتكاري و فرا ابتكاري به منظور غلبه بر اين معايب بسيار مرسوم گرديده است. اين مقاله براي آموزش RBF NN از الگوريتم جستجوي گرانشي با هدايت بهينه عمومي (LMGSA) به منظور غلبه بر نقص الگوريتم جستجوي گرانشي (GSA) در فاز بهره‌برداري، استفاده مي‌كند. نتايج نشان مي‌دهد كه دسته‌بندي‌كننده طراحي شده در تمام زمينه‌ها نتايج بهتري نسبت به دسته‌بندي‌كننده‌هاي معيار ارايه مي‌نمايد. به‌منظور آزمودن دسته‌بندي‌كننده طراحي شده، اين الگوريتم با الگوريتم‌هاي GSA، گراديان نزولي (GD)، فيلتر كالمن (KF)، فيلتر كالمن تفكيك‌شده (DKF) و الگوريتم ژنتيك (GA) توسط سه مجموعه دادگان سنجيده مي‌شود. معيار‌هاي مورد سنجش عبارتند از: سرعت همگرايي، احتمال گير افتادن در كمينه‌هاي محلي و دقت دسته‌بندي. در پايان نيز به‌عنوان يك كاربرد عملي دادگان سونار توسط اين شبكه دسته‌بندي مي‌شوند.

Due to the very similar physical characteristics of active sonar echoes, which are related to true and false targets, the task of classification and distinguishing them from each other has become difficult and complex issues for the researchers and industrialists in this field. Radial Basis Function Neural Networks (RBF NN) is one of the most used artificial NNs in the classification of the real-world objects. Training is an important part of the development of this type of network that it has been highly regarded in recent years. For RBF NN training, the use of recursive and gradient descent methods has traditionally been common. However, poor classification accuracy, trapped in local minima, and low convergence speed are among the disadvantages of these methods. In recent years, the use of heuristic and meta-heuristic methods has been very common to overcome these disadvantages. To overcome the GSA’s weakness in the exploitation phase, this paper introduces and uses Leader Mass Gravitational Search algorithm (LMGSA) in the training of RBF NNs. The results show that the designed classifier provides better results than benchmark classifiers in all areas. To a comprehensive comparison, the designed classifier is compared to GSA, Gradient Descent (GD), Genetic Algorithm (GA), Kalman Filter (KF), and Extended Kalman Filter (EKF) algorithms through three benchmark datasets. The evaluation criteria are convergence rate, the probability of being caught in local minima, and classification accuracy. Finally, as a practical application, sonar dataset is classified by the designed classifier.