دسته‌بندي داده‌هاي سوناري با استفاده از شبكه عصبي ادراكي چند لايه آموزش ديده شده با الگوريتم بهينه‌سازي تعديل شده مبتني بر جغرافياي زيستي

Sonar Data Set Classification Using MLP Neural Network Trained By Modified BiogeographyBased Optimization

با توجه به پيچيدگي فيزيكي اهداف سوناري و شباهت بسيار زياد كلاتر با اهداف واقعي در سونار فعال، دسته‌بندي آن‌ها يكي از مسايل چالش‌برانگيز براي پژوهشگران و صنعت‌گران اين حوزه است. شبكه‌هاي عصبي چند لايه، يكي از پركاربردترين ابزار در دسته‌بندي اهداف واقعي مي‌باشند. مي‌توان از آموزش به عنوان مهم‌ترين بخش اين شبكه‌ها اشاره نمود. در سال‌هاي اخير استفاده از الگوريتم‌هاي تكاملي براي آموزش اين نوع شبكه‌ها بسيار مرسوم گشته است. هدف اين مقاله، استفاده از الگوريتم بهينه شده مبتني بر جغرافياي زيستي با نرخ مهاجرت تعديل شده، براي آموزش شبكه‌هاي عصبي چند­لايه به منظور دسته‌بندي اهداف سوناري مي‌باشد. قدرت اكتشاف و بهره‌برداري نسبي كم، از جمله ضعف‌‌هاي الگوريتم استاندارد بهينه‌سازي مبتني بر جغرافياي زيستي است. مهاجرت، جهش و نخبه‌گرايي، سه عملگر اصلي اين الگوريتم مي‌باشند. عملگر مهاجرت مهم‌ترين نقش را (به اشتراك گذاشتن اطلاعت) در اين الگوريتم ايفا مي‌كند. اين مقاله نوع جديدي از عملگر مهاجرت را براي الگوريتم بهينه‌سازي مبتني بر جغرافياي زيستي ارائه مي‌دهد، به‌طوري كه هر زيستگاه اطلاعات را با روشي متفاوت و به صورت تعديل شده، از ديگر زيستگاه‌ها مي‌پذيرد. شبيه‌سازي و مقايسه نتايج نشان مي‌دهند كه روش پيشنهادي در اين مقاله، داراي دقت دسته‌بندي بالاتر و سرعت همگرايي بيشتر نسبت به ديگر الگوريتم‌هاي تكاملي از جمله الگوريتم استاندارد بهينه‌سازي مبتني بر جغرافياي زيستي مي‌باشد.

Clutter is physically very similar to the real sonar targets in active sonar. So classification and detection of the real targets from the clutter is a complex and challenging problem for the researchers. One of the most applicable instruments to classify sonar datasets is Multilayer Perceptron Neural Network (MLP NN). Learning is a vital part of all NNs. The use of heuristic and metaheuristic algorithms is recently becoming very popular. This paper proposes a new migration operator in Biogeographybased Optimization (BBO) for training an MLP NN. Poor balance of exploration and exploitation is the weakness of original version of BBO. Migration, mutation and elitism are three operators in BBO. Migration operator is responsible for the information sharing among candidate solutions (islands). In this way, the migration operator plays an important role for the design of an efficient BBO. This paper proposes a new migration operator in BBO. The obtained BBO shows better diversified search process and hence finds solutions more accurately with high convergence rate. The simulation results indicate that new porposed migration model (modified BBO) has faster convergence speed and greater classification rate than other metaheuristic algorithms.