دسته بندی داده های سوناری با استفاده از شبکه عصبی ادراکی چند لایه آموزش دیده شده با الگوریتم بهینه سازی تعدیل شده مبتنی بر جغرافیای زیستی

با توجه به پیچیدگی فیزیکی اهداف سوناری و شباهت بسیار زیاد کلاتر با اهداف واقعی در سونار فعال، دسته بندی آن ها یکی از مسایل چالش برانگیز برای پژوهشگران و صنعت گران این حوزه است. شبکه های عصبی چند لایه، یکی از پرکاربردترین ابزار در دسته بندی اهداف واقعی می باشند. می توان از آموزش به عنوان مهم ترین بخش این شبکه ها اشاره نمود. در سال های اخیر استفاده از الگوریتم های تکاملی برای آموزش این نوع شبکه ها بسیار مرسوم گشته است. هدف این مقاله، استفاده از الگوریتم بهینه شده مبتنی بر جغرافیای زیستی با نرخ مهاجرت تعدیل شده، برای آموزش شبکه های عصبی چند لایه به منظور دسته بندی اهداف سوناری می باشد. قدرت اکتشاف و بهره برداری نسبی کم، از جمله ضعف های الگوریتم استاندارد بهینه سازی مبتنی بر جغرافیای زیستی است. مهاجرت، جهش و نخبه گرایی، سه عملگر اصلی این الگوریتم می باشند. عملگر مهاجرت مهم ترین نقش را (به اشتراک گذاشتن اطلاعت) در این الگوریتم ایفا می کند. این مقاله نوع جدیدی از عملگر مهاجرت را برای الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی ارائه می دهد، به طوری که هر زیستگاه اطلاعات را با روشی متفاوت و به صورت تعدیل شده، از دیگر زیستگاه ها می پذیرد. شبیه سازی و مقایسه نتایج نشان می دهند که روش پیشنهادی در این مقاله، دارای دقت دسته بندی بالاتر و سرعت همگرایی بیشتر نسبت به دیگر الگوریتم های تکاملی از جمله الگوریتم استاندارد بهینه سازی مبتنی بر جغرافیای زیستی می باشد.