طراحی مدل فازی پارامترهای کنترلی الگوریتم شامپانزه جهت بازشناسی خودکار اهداف سوناری

Abstract

استفاده روزافزون از روش‌های هوش مصنوعی در سامانه‌های بازشناسی خودکار اهداف در صنایع مختلف نظامی و غیرنظامی، سبب شده که موضوع شناسایی و آشکارسازی خودکار اهداف به یکی از زمینه‌های مورد علاقه صنعتگران و فعالان در این عرصه تبدیل شود. در این مقاله، در مرحله اول از یک شبکه عصبی تابعی پله‌ای شعاعی (RBF NN) تحت آموزش الگوریتم جدید بهینه‌سازی شامپانزه، به عنوان آشکارساز استفاده شده است. اما به دلیل ابعاد بالای دادگان سونار، الگوریتم قادر به تعیین مرز مشخصی بین فاز اکتشاف و استخراج نمی‌باشد. در مرحله دوم، جهت بر طرف کردن این نقیصه، از استنتاج فازی به عنوان رویکردی نوین جهت توسعه و ارتقا الگوریتم شامپانزه در آموزش RBF NN استفاده شده است. استنتاج فازی با تنظیم پارامترهای کنترلی الگوریتم شامپانزه قادر است بخوبی مرز بین دو فاز اکتشاف و استخراج را تعیین کند. به منظور سنجش عملکرد دسته‌بندی کننده طراحی شده، این الگوریتم با الگوریتم‌های GWO،PSO ،ChOA ،ACO و GA مقایسه گردید. معیارهای مورد سنجش، سرعت همرایی، توانایی اجتناب از بهینه محلی و نرخ دسته‌بندی می‌باشند. نتایج شبیه‌سازی حاکی از آن بود که FChOA با نرخ دقت دسته‌بندی 42/97% در دادگان سوناری، نسبت به پنج الگوریتم‌ معیار دیگر نتایج بهتری را ارائه می‌کند.