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

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه بیرجند، بیرجند، ایران

2 گروه مهندسی برق، دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران

3 استادیار دانشگاه علوم دریایی امام خمینی (ره)

4 دانشکده مهندسی برق، دانشگاه علم و صنعت ایران

چکیده

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.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Design of a fuzzy model of control parameters of chimp algorithm optimization for automatic sonar targets recognition

نویسندگان [English]

  • Abbas Saffari 1
  • Seyyed Hamid Zahiri 2
  • Mohammad Khishe 3
  • seyyed mohammadreza mosavi 4
1 University of Birjand
2 Department of Electrical engineering, Faculty of electrical and computer engineering, university of Birjand, Birjand, Iran
3 Electronic Departemant, Imam Khomeini Marine University
4 Department of Electrical Engineering, Iran University of Science and Technology, Narmak, Tehran
چکیده [English]

The increasing use of artificial intelligence methods in automatic sonar target recognition systems in various military and civilian industries has caused the issue of automatic identification and detection of targets to become one of the favorite fields of craftsmen and activists in this field. In this paper, in the first stage, a radial basis function neural network (RBF NN) under the training of a new chimp optimization algorithm is used as a detector. However, due to the large size of the sonar data, the algorithm is not able to determine a definite boundary between the exploration and extraction phases. In the second stage, to eliminate this shortcoming, the fuzzy inference has been used as a new approach to develop and upgrade the chimp algorithm in RBF NN training. Fuzzy inference By adjusting the control parameters of the chimpanzee algorithm can well determine the boundary between the two phases of exploration and extraction. Designed to measure the performance of the classifier, this algorithm was compared with GWO, PSO, ChOA, ACO, and GA algorithms. Measured criteria are convergence speed, local optimal avoidance ability, and classification rate. The simulation results showed that FChOA with 97.42% classification accuracy rate in sonar data performed better than the other five benchmark algorithms.

کلیدواژه‌ها [English]

  • recognition
  • Fuzzy inference
  • sonar
  • RBFF NN