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 پارامتر‏هايي همچون تعداد گره هاي ورودي، تعداد لايه‌هاي مياني، تعداد نرون‏ها، و وزن اختصاص‏يافته به نرون‏ها بستگي دارد. روش‏هاي متفاوتي جهت به‏روزرساني پارامترها و ساختار شبكه عصبي مصنوعي ارايه گرديده است. يكي از روش‏هاي متداول و مورد استفاده در شبكه‌هاي عصبي، روش پس انتشار خطا (EBP) است كه در آن تنها وزن‏هاي شبكه عصبي به‏روزرساني مي‌شوند. در اين مقاله، از الگوريتم جستجوي گرانشي (GSA) بدين منظور استفاده شده است، كه يكي از روش‌هاي نوين جستجو و بهينه سازي مبتني بر هوش جمعي مي‌باشد. 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 روش‌هايي چون الگوريتم تجمع ذرات (PSO)، الگوريتم آميختار PSO و نسخه باينري PSO (PSO-BPSO) و نيز روش EBP در كاربردهاي دسته بندي و تقريب توابع مقايسه شده است. عملكرد براي كاربرد دسته بندي 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 ويژگي هاي مناسب بهره گرفته شده است. نتايج شبيه سازي نشان مي دهد كه روش پيشنهادي با به كارگيري تعداد نرون هاي كمتر در لايه مخفي (به ميزان 25 تا 68 درصد كاهش در تعداد اين نرون ها در مقايسه با بسياري از الگوريتم هاي مورد بررسي)، دقت دسته بندي و تقريب را به صورت قابل رقابتي (به ويژه هنگام كار با داده هاي آزمون) از خود ارايه مي‌نمايد