تاکنون شیوههای مختلفی برای طبقهبندی داده ارائه شده است اما در این میان شبکههای عصبی مخاطبان بیشتری را به خود جذب کردهاند. مهمترین مسئله در این نوع از طبقهبندیکنندهها انتخاب روشی مناسب برای آموزش شبکههای عصبی است. متداولترین روش آموزشی شبکههای عصبی روش پسانتش چکیده کامل
تاکنون شیوههای مختلفی برای طبقهبندی داده ارائه شده است اما در این میان شبکههای عصبی مخاطبان بیشتری را به خود جذب کردهاند. مهمترین مسئله در این نوع از طبقهبندیکنندهها انتخاب روشی مناسب برای آموزش شبکههای عصبی است. متداولترین روش آموزشی شبکههای عصبی روش پسانتشار خطا است که همگرايي کُند و توقف در نقاط بهينه محلي از مهمترین نقاط ضعف آن محسوب میشود. رویکرد جدید محققین استفاده از الگوریتمهای ابتکاری در فرایند آموزش شبکههای عصبی است. در این مقاله پیشنهاد استفاده از روش آموزشی نوینی به نام الگوریتم جستجوي گرانشي (GSA) در آموزش شبکههای عصبی بهمنظور طبقهبندی دادهها ارائه میشود. روش GSA آخرين و جديدترين نسخه از انواع روشهاي بهينهسازي هوش جمعي است که با الهام از مفاهيم جرم و نيروي جاذبه و با شبيهسازي قوانين مرتبط با آن ارائه شده است. در این مقاله با استفاده از روش GSA یک شبکه عصبی MLP جهت طبقهبندی پنج مجموعه داده مرجع آموزش داده میشود. همچنین کارایی روش پیشنهادی در آموزش و آزمایش شبکه عصبی با دو روش آموزشی پسانتشار خطا و بهینهسازی گروه ذرات مقایسه میشود. نتایج نهایی نشان میدهند در اکثر موارد روش GSA قابلیت چشمگیری در طبقهبندی صحیح دادهها دارد. بهعلاوه در آزمایشات انجامگرفته ویژگی منحصر بهفردی از روش GSA پدیدار شد و آن پایداری نسبتاً عالی در طبقهبندی صحیح دادهها در تمام موارد بود. از نقطه نظر معیار زمانی نیز روش GSA نسبت به روش PSO در زمان کمتری به پاسخ مناسب دست مییابد.
پرونده مقاله