دسته‌بندی اهداف سوناری توسط الگوریتم بهینه‌ساز ازدحام ذرات با گروه‌های مستقل

نویسندگان

1 دانشگاه علم و صنعت ایران - دانشکده مهندسی برق

2 دانشگاه صنعتی شیراز - دانشکده مهندسی برق

3 دانشگاه علوم دریایی امام خمینی (ره) - دانشکده الکترونیک و مخابرات دریایی

چکیده

با توجه به اینکه دادگان سوناری دارای ابعاد بالا و بهینه‌های محلی زیادی می‌باشند، دسته‌بندی‌کننده‌های متعارف توانایی دسته‌بندی مناسب این‌گونه اهداف را ندارند. استفاده از ترکیب بهینه‌ساز ازدحام ذرات (PSO) و شبکه‌های عصبی مصنوعی (ANN) یکی از راه‌حل‌هایی است که در چند سال اخیر برای غلبه بر این مشکل موردتوجه قرار گرفته است. در کاربرد دادگان با ابعاد بالا، الگوریتم PSO دارای دو مشکل به دام افتادن در کمینه‌های محلی و نرخ همگرایی آهسته می‌باشد. این مقاله به‌منظور غلبه بر این نقص و رسیدن به نرخ دسته‌بندی مناسب از یک روش فراابتکاری جدید به نام بهینه‌ساز ازدحام ذرات با گروه‌های مستقل (IGPSO) استفاده می‌کند. این الگوریتم با الهام‌گیری از تنوع افراد در تجمع پرندگان یا ازدحام حشرات، دارای توانایی‌های منحصربه‌فردی در دسته‌بندی دادگان ابعاد بالا (سونار) می‌باشد. در ابتدا توانایی‌های IGPSO در کار با دادگان ابعاد بالا توسط 23 تابع آزمون شناخته‌شده به‌خوبی ارزیابی شده و نتایج به‌دست‌آمده با روش PSO و نمونه‌های بهبودیافته PSO مقایسه می‌شوند. نتایج نشان می‌دهد که الگوریتم IGPSO قادر به ارائه نتایجی بسیار بهتر در یافتن کمینه کلی توابع، سرعت همگرایی و اجتناب از کمینه محلی در مقایسه با الگوریتم‌های معیار، مخصوصاً برای توابع با ابعاد بالا است. علاوه بر این، در این مقاله یک کاربرد واقعی از روش ارائه‌شده در زمینه دسته‌بندی دادگان سونار بیان می‌شود. نتایج حاصله نشان می‌دهد که دسته‌بندی‌کننده طراحی‌شده با IGPSO دادگان سونار را با دقت 96.67% دسته‌بندی می‌کند، این در حالی است که PSO دقت 92.33% را ارائه می‌نماید.

کلیدواژه‌ها


عنوان مقاله [English]

Classification of Sonar Targets using Particle Swarm Optimization via Independent Groups

نویسندگان [English]

  • M. R. Mosavi 1
  • M. Khishe 1
  • E. Ebrahimi 2
  • F. Mohamadzadeh 3
1 Department of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran
2 Department of Electrical Engineering, Shiraz University of Technology, Shiraz, Iran
3 Department of Electrical Engineering, Imam Khomeini University, Noshahr, Iran
چکیده [English]

Due to the fact that sonar targets have high dimensions and local optimums, conventional classifiers do not have adequate ability to classify these targets. Using a combination of Particle Swarm Optimization (PSO) and Artificial Neural Networks (ANNs) is one of the solutions to overcome this problem. PSO has two drawbacks in high-dimensional datasets: being trapped in local minimums and slow convergence rate. To tackle these deficiencies, this paper uses a newly proposed meta-heuristic algorithm entitled Independent Group Particle Swarm Optimization (IGPSO). This algorithm is inspired by the diversity of individuals in the accumulation of birds or the swarm of insects. It has the unique ability to classify high-dimensional dataset (sonar). In order to test the capabilities of the IGPSO, the algorithm will be evaluated by 23 well-known test functions and the results are compared to PSO and improved versions of PSO. The results show that IGPSO is able to provide much better results in finding the global minimum of functions, convergence speed and local minima avoidance compared with other benchmark algorithms. The results show that the classifier which is designed with IGPSO classifies sonar dataset with accuracy about 96.67% while the accuracy of the PSO-classifier is about 92.33%.

کلیدواژه‌ها [English]

  • Sonar
  • dataset
  • classification
  • PSO
  • IGPSO
  • Neural Networks