بهینه سازی پارامترهای شبکه عصبیMLPبا استفاده از الگوریتمPSO

هدف از آموزش پارامترهای شبکه عصبی، یافتن مقادیری برای آنهاست به نحوی که خطای شبکه عصبی را در تقریب ویا پیشبینی تابع خروجی به حداقل برساند. لذا آموزش شبکه عصبی را می توان در بر دارنده ی یک مسئله ی بهینه سازی دانست که هدف از آن، بهینه کردن پارامترهای شبکه جهت دستیابی به حداقل خطای آموزش می باشد. در روش های مرسوم به منظور آموزش پارامترهای شبکه عصبی، از الگوریتم پس انتشار خطا و دیگر روشهای گرادیانی استفاده می شود. اما اگرچه استفاده از الگوریتمBP در سال های اخیر برای آموزش شبکه های عصبی بسیار رواج داشته است، استفاده ی از این روش در برخی موارد منجر به بروز مشکلاتی می گردد که از جمله آنها می توان به سرعت پایین همگرایی در روند آموزش و همگرایی زودرس در مینیمم های محلی اشاره نمود. به خصوص در مواردی که شکل تابع غیرخطی و پیچیده است، این روش ضعف و ناکارامدی خود را بیشتر نمایان میسازد. وجود این مشکلات سبب شد که در این تحقیق، بهینه سازی پارامترهای شبکه عصبیبا استفاده از الگوریتم بهینه سازیPSO انجام شده و نتایج حاصل از عملکرد آن با روش گرادیان نزولی مقایسه گردد. به کار گیری الگوریتم PSO در بهینه سازی پارامترهای شبکه های عصبی و مقایسه آن با الگوریتم آموزشی پس انتشار خطا، نشان می دهد که در مسائل پیچیده توأم با فرآیندهای غیر خطی، استفاده از الگوریتم پیشنهادی، کارایی بالاتری را به همراه دارد. در انتها نتایج حاصل از الگوریتم پیشنهادی و الگوریتم گرادیان نزولی به منظور تقریب دو تابع متفاوت ارائه و مقایسه شدهاند