فهرست نشریات علمی دسترسی آزاد ایران

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.