چکیده:
با توجه به خصوصیات فیزیکی بسیار مشابه اکوی اهداف واقعی و کاذب سونار فعال، طبقهبندی و تمیز دادن آنها از یکدیگر به یکی از زمینههای دشوار و پیچیده برای محققان و صنعتگران این حوزه تبدیل شده است. شبکههای عصبی تابعی پلهای شعاعی (RBF NN) یکی از پرکاربردترین شبکههای عصبی مصنوعی در دستهبندی اهداف دنیای واقعی هستند. آموزش از مهمترین بخشهای توسعه این نوع شبکه است که در سالهای اخیر بسیار مورد توجه قرار گرفته است. به منظور آموزش RBF NN از دیر باز استفاده از روشهای بازگشتی و گرادیان نزولی مرسوم بوده است. با این وجود، دقت دستهبندی نامناسب، گیر افتادن در کمینههای محلی و سرعت همگرایی پایین از معایب روشهای سنتی میباشد. در سالهای اخیر استفاده از الگوریتمهای ابتکاری و فرا ابتکاری بهمنظور غلبه بر این معایب بسیار مرسوم گردیده است. این مقاله برای آموزش RBF NN از الگوریتم جستجوی گرانشی با هدایت بهینه عمومی (LMGSA) بهمنظور غلبه بر نقص الگوریتم جستجوی گرانشی (GSA) در فاز بهرهبرداری، استفاده میکند. نتایج نشان میدهد که دستهبندیکننده طراحی شده در تمام زمینهها نتایج بهتری نسبت به دستهبندیکنندههای معیار ارائه مینماید. بهمنظور آزمودن دستهبندیکننده طراحی شده، این الگوریتم با الگوریتمهای GSA، گرادیان نزولی (GD)، فیلتر کالمن (KF)، فیلتر کالمن تفکیکشده (DKF) و الگوریتم ژنتیک (GA) توسط سه مجموعه دادگان سنجیده میشود. معیارهای مورد سنجش عبارتند از: سرعت همگرایی، احتمال گیر افتادن در کمینههای محلی و دقت دستهبندی. در پایان نیز بهعنوان یک کاربرد عملی دادگان سونار توسط این شبکه دستهبندی میشوند.
خلاصه ماشینی:
استفاده از شبکههای عصبی تابعی پلهای شعاعی مبتنی بر الگوریتم جستجوی گرانشی با بهینه عمومی راهنما بهمنظور دستهبندی دادگان سونار سید محمدرضا موسوی*1، محمد خویشه2 1- استاد، 2- دانشجوی دکتری، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران (دریافت: 25/07/94، پذیرش: 11/05/95) چکیده با توجه به خصوصیات فیزیکی بسیار مشابه اکوی اهداف واقعی و کاذب سونار فعال، طبقهبندی و تمیز دادن آنها از یکدیگر به یکی از زمینههای دشوار و پیچیده برای محققان و صنعتگران این حوزه تبدیل شده است.
در این مقاله شبکه عصبی RBF توسط الگوریتم LMGSA به منظور دستهبندی دادگان سونار (شامل هدف واقعی و کلاتر<FootNote No="126" Text=" Clutter"/>) آموزش داده شده است.
بنابراین یک توصیف کلی از شبکه را میتوان به صورت رابطه (1) نمایش داد [31]: = =1 ∅ ∥− ∥ + (1) حالت استاندارد معمولا با فاصله اقلیدسی و تابع پایهای شعاعی نیز با تابع گاوسی در نظر گرفته شده و به صورت زیر تعریف میشود: ()=exp(− ∥− ∥ 2 ) (2) در روابط (1) و (2) تعاریف زیر در نظر گرفته شده است: بهطوری که تعداد نرونها در لایه پنهان میباشد بهطوری که تعداد نرونها در لایه خروجی است وزن بین نرون i ام در لایه مخفی و خروجی j ام میباشد تابع پایه شعاعی پارامتر انتشار<FootNote No="127" Text="- Spread Parameter"/> نرون i ام بردار داده ورودی بردار مرکز نرون i ام مقدار بایاس از خروجی نرون j ام خروجی شبکه از نرون j ام / شکل )1(.
در این مقاله تابع شاخص مناسب بودن<FootNote No="131" Text="- Fitness Function"/> جرم (برای همهی نمونههای آموزش) به روش مجموع مربعات خطا<FootNote No="132" Text="- Sum Squared Error (SSE)"/> و بهصورت رابطه (16) محاسبه میگردد: = (17) بلوک دیاگرام کلی آموزش شبکه RBF توسط الگوریتم LMGSA در شکل (7) نمایش داده شده است.