دسته بندي اهداف سوناري با استفاده از روش تركيبي ازدحام ذرات و جستجوي گرانشي

Classification of Sonar Target using Hybrid Particle Swarm and Gravitational Search

با توجه به خصوصيات فيزيكي بسيار نزديك اهداف واقعي و كلاترِ سونار فعال، تفكيك اين اهداف، از موضوعات چالش‌برانگيز محققان و صنعت‌گران حوزه آكوستيك مي‌باشد. شبكه‌هاي عصبي چندلايه (MLP) يكي از پركاربردترين شبكه‌هاي عصبي در دسته‌بندي اهداف دنياي واقعي هستند. آموزش از مهمترين بخش‌هاي توسعه اين نوع شبكه ها است كه در سال‌هاي اخير بسيار مورد توجه قرار گرفته است. به منظور آموزش شبكه‌هاي MLP از دير باز استفاده از روش‌هاي بازگشتي و گراديان نزولي مرسوم بوده است. دقت دسته‌بندي نامناسب، گير افتادن در كمينه‌هاي محلي و سرعت همگرايي پايين از معايب روش‌هاي سنتي مي‌باشد. به منظور غلبه بر اين معايب، در سال‌هاي اخير استفاده از الگوريتم‌هاي ابتكاري و فرا ابتكاري بسيار مرسوم گرديده است. اين مقاله براي آموزش شبكه MLP از الگوريتم بهينه‌سازي تركيبي ازدحام ذرات و جستجوي گرانشي ((PSOGSA استفاده مي‌كند. الگوريتم جستجوي گرانشي (GSA) يك روش بهينه‌سازي فرا ابتكاري جديد بر اساس فعل و انفعالات گرانش و جرم مي باشد. ثابت شده است كه اين الگوريتم توانايي خوبي براي جستجوي كلي دارد، اما در آخرين تكرارها داراي سرعت پايين در بهره‌برداري فضاي جستجو مي‌باشد. با توجه به توانايي منحصربه‌فرد بهينه‌ساز ازدحام ذرات (PSO) در فاز بهره‌برداري، از اين روش براي حل مشكل فوق استفاده مي‌شود. نتايج به دست آمده نشان مي‌دهد كه دسته‌بندي‌كننده‌هاي مبتني بر GSA، PSO و PSOGSA دادگان سونار را به ترتيب با دقت 7500/92، 6741/93 و 42308/94 دسته‌بندي مي‌نمايند. همچنين سرعت همگرايي الگوريتم تركيبي نسبت به دو الگوريتم معيار ذكر شده بهتر مي‌باشد.

Due to the very close physical properties of real targets and clutter of active sonar, the separation of these objectives is the latest challenge to researchers and industrialists of the acoustic field. MultiLayer Perceptron (MLP) is one of the most widely used Neural Networks (NNs) for classification purposes in the real world. Training is an important part of these NNs and recently becomes attractive for many researchers. For training MLP NNs, the recurrent and gradient descent methods have always been used. Poor classification accuracy, trapped in local minimums and low convergence speed are the disadvantages of traditional methods. To overcome these disadvantages, in recent years the use of heuristic and metaheuristic algorithms have become very common. This paper presents a hybrid optimization algorithm of Particle Swarm Optimization and Gravity Search Algorithm (PSOGSA) for training MLP networks. GSA, a new metaheuristic optimization method, is based on the interaction of gravity and mass. It has been proven that this algorithm has good ability of global search, but it suffers from slow searching speed in the last iterations. This article uses PSOGSA according to the unique ability of PSO on the operational phase of the hybrid method to solve the above problems. The results show that the classification methods based on GSA, PSO and PSOGSA, classify sonar dataset with the accuracy of 92.7500, 93.6741 and 94.42308. The hybrid algorithm convergence speed is better than other two standard algorithms.