این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
دریا فنون، جلد ۳، شماره ۱، صفحات ۱-۱۳
عنوان فارسی دسته بندی اهداف سوناری با استفاده از روش ترکیبی ازدحام ذرات و جستجوی گرانشی
چکیده فارسی مقاله با توجه به خصوصیات فیزیکی بسیار نزدیک اهداف واقعی و کلاترِ سونار فعال، تفکیک این اهداف، از موضوعات چالش‌برانگیز محققان و صنعت‌گران حوزه آکوستیک می‌باشد. شبکه‌های عصبی چندلایه (MLP) یکی از پرکاربردترین شبکه‌های عصبی در دسته‌بندی اهداف دنیای واقعی هستند. آموزش از مهمترین بخش‌های توسعه این نوع شبکه ها است که در سال‌های اخیر بسیار مورد توجه قرار گرفته است. به منظور آموزش شبکه‌های MLP از دیر باز استفاده از روش‌های بازگشتی و گرادیان نزولی مرسوم بوده است. دقت دسته‌بندی نامناسب، گیر افتادن در کمینه‌های محلی و سرعت همگرایی پایین از معایب روش‌های سنتی می‌باشد. به منظور غلبه بر این معایب، در سال‌های اخیر استفاده از الگوریتم‌های ابتکاری و فرا ابتکاری بسیار مرسوم گردیده است. این مقاله برای آموزش شبکه MLP از الگوریتم بهینه‌سازی ترکیبی ازدحام ذرات و جستجوی گرانشی ((PSOGSA استفاده می‌کند. الگوریتم جستجوی گرانشی (GSA) یک روش بهینه‌سازی فرا ابتکاری جدید بر اساس فعل و انفعالات گرانش و جرم می باشد. ثابت شده است که این الگوریتم توانایی خوبی برای جستجوی کلی دارد، اما در آخرین تکرارها دارای سرعت پایین در بهره‌برداری فضای جستجو می‌باشد. با توجه به توانایی منحصربه‌فرد بهینه‌ساز ازدحام ذرات (PSO) در فاز بهره‌برداری، از این روش برای حل مشکل فوق استفاده می‌شود. نتایج به دست آمده نشان می‌دهد که دسته‌بندی‌کننده‌های مبتنی بر GSA، PSO و PSOGSA دادگان سونار را به ترتیب با دقت 7500/92، 6741/93 و 42308/94 دسته‌بندی می‌نمایند. همچنین سرعت همگرایی الگوریتم ترکیبی نسبت به دو الگوریتم معیار ذکر شده بهتر می‌باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Classification of Sonar Target using Hybrid Particle Swarm and Gravitational Search
چکیده انگلیسی مقاله 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. Multi-Layer 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 meta-heuristic 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 meta-heuristic 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.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سید محمدرضا موسوی | seyed mohammad reza
استاد دانشکده مهندسی برق، دانشگاه علم و صنعت ایران
سازمان اصلی تایید شده: دانشگاه علم و صنعت ایران (Iran university of science and technology)

محمد خویشه |
دانشجوی دکتری دانشکده مهندسی برق، دانشگاه علم و صنعت ایران
سازمان اصلی تایید شده: دانشگاه علم و صنعت ایران (Iran university of science and technology)

آلاوه مریدی |
دانشجوی کارشناسی ارشد دانشکده مهندسی برق، دانشگاه علم و صنعت ایران
سازمان اصلی تایید شده: دانشگاه علم و صنعت ایران (Iran university of science and technology)

محمدجعفر ناصری | m j
دانشجوی کارشناسی ارشد برق، دانشگاه علوم دریایی امام خمینی ره نوشهر
سازمان اصلی تایید شده: دانشگاه علوم دریایی امام خمینی (Imam khomeini naval university of noshahr)

نشانی اینترنتی http://ijmt.iranjournals.ir/article_19580_b73706a0529d3f976f45e0a68c9d436b.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات