بهبود شبکه عصبی توسط بهینه سازی جغرافیای زیستی آشوبناک فازی به منظور دسته بندی داده های پزشکی

کارآیی شبکه های عصبی مصنوعی به فرآیند یادگیری مرتبط است و توانایی آنها به عنوان یک جعبه سیاه بدون مدل بوده و قادر است روابط داخلی یک سیستم ناشناخته را مستقیما یاد بگیرد، سبب شده که تحقیقات زیادی در زمینه گسترش موارد مرتبط با شبکه مثل نوع شبکه، ساختار، الگوریتم یادگیری و نحوه انتخاب پارامترها، صورت پذیرد که هم اکنون نیز ادامه دارد. ابعاد بالا، گیر افتادن در دام مینیمم محلی، همگرایی کند و هزینه محاسباتی بسیار در آموزش شبکه های عصبی بسیار تاثیرگذار است. در این مقاله ابتدا الگوریتم بهینه سازی جغرافیای زیستی توسط افزودن بهینه سازی آشوبناک بهبود داده خواهد شد، همچنین یک سیستم کنترل کننده فازی طراحی شده است تا تعداد جمعیتی که توسط سیستم آشوب مقداردهی می گردنند، را تعیین کند. سپس از الگوریتم بهبود داده شده برای آموزش شبکه عصبی مصنوعی چند لایه پرسپترون در کاربرد دسته بندی داده های پزشکی استفاده خواهد شد.