این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم و فناوری دریا، جلد ۷۸، شماره ۷۸، صفحات ۶۵-۷۴
عنوان فارسی دسته‌بندی داده‌های سوناری با استفاده از شبکه عصبی ادراکی چند لایه آموزش دیده شده با الگوریتم بهینه‌سازی تعدیل شده مبتنی بر جغرافیای زیستی
چکیده فارسی مقاله با توجه به پیچیدگی فیزیکی اهداف سوناری و شباهت بسیار زیاد کلاتر با اهداف واقعی در سونار فعال، دسته‌بندی آن‌ها یکی از مسایل چالش‌برانگیز برای پژوهشگران و صنعت‌گران این حوزه است. شبکه‌های عصبی چند‌لایه، یکی از پرکاربردترین ابزار در دسته‌بندی اهداف واقعی می‌باشند. می‌توان از آموزش به عنوان مهم‌ترین بخش این شبکه‌ها اشاره نمود. در سال‌های اخیر استفاده از الگوریتم‌های تکاملی برای آموزش این نوع شبکه‌ها بسیار مرسوم گشته است. هدف این مقاله، استفاده از الگوریتم بهینه شده مبتنی بر جغرافیای زیستی با نرخ مهاجرت تعدیل شده، برای آموزش شبکه‌های عصبی چند‌لایه به منظور دسته‌بندی اهداف سوناری می‌باشد. قدرت اکتشاف و بهره‌برداری نسبی کم، از جمله ضعف‌‌های الگوریتم استاندارد بهینه‌سازی مبتنی بر جغرافیای زیستی است. مهاجرت، جهش و نخبه‌گرایی، سه عملگر اصلی این الگوریتم می‌باشند. عملگر مهاجرت مهم‌ترین نقش را (به اشتراک گذاشتن اطلاعت) در این الگوریتم ایفا می‌کند. این مقاله نوع جدیدی از عملگر مهاجرت را برای الگوریتم بهینه‌سازی مبتنی بر جغرافیای زیستی ارائه می‌دهد، به‌طوری که هر زیستگاه اطلاعات را با روشی متفاوت و به صورت تعدیل شده، از دیگر زیستگاه‌ها می‌پذیرد. شبیه‌سازی و مقایسه نتایج نشان می‌دهند که روش پیشنهادی در این مقاله، دارای دقت دسته‌بندی بالاتر و سرعت همگرایی بیشتر نسبت به دیگر الگوریتم‌های تکاملی از جمله الگوریتم استاندارد بهینه‌سازی مبتنی بر جغرافیای زیستی می‌باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Sonar Data Set Classification Using MLP Neural Network Trained By Modified Biogeography-Based Optimization
چکیده انگلیسی مقاله 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 Multi-layer Perceptron Neural Network (MLP NN). Learning is a vital part of all NNs. The use of heuristic and meta-heuristic algorithms is recently becoming very popular. This paper proposes a new migration operator in Biogeography-based 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 meta-heuristic 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)

مسعود کاوه |
دانشجوی کارشناسی ارشد دانشکده مهندسی برق، دانشگاه علوم دریایی امام خمینی ره
سازمان اصلی تایید شده: دانشگاه علوم دریایی امام خمینی (Imam khomeini naval university of noshahr)

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)

نشانی اینترنتی http://navy.iranjournals.ir/article_21484_6b2f9f3f5b1701a90150d60e359e244b.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/972/article-972-198881.pdf
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