CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

دسته بندی اهداف سوناری توسط الگوریتم بهینه ساز ازدحام ذرات با گروه های مستقل

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۲ | تعداد نمایش خلاصه: ۱۲۷ | نظرات: ۰
سال انتشار: ۱۳۹۶
کد COI مقاله: JR_TJEE-47-1_013
زبان مقاله: فارسی
حجم فایل: ۱.۰۳ مگابات (فایل این مقاله در ۱۲ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۲ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله دسته بندی اهداف سوناری توسط الگوریتم بهینه ساز ازدحام ذرات با گروه های مستقل

  سیدمحمدرضا موسوی - استاد، دانشکده مهندسی برق دانشگاه علم و صنعت ایران، تهران، ایران
  محمد خویشه - دانشجوی دکتری، دانشکده مهندسی برق دانشگاه علم و صنعت ایران، تهران، ایران
  احسان ابراهیمی - دانشجوی دکتری، دانشکده مهندسی برق دانشگاه صنعتی شیراز، شیراز، ایران
  فلاح محمدزاده - کارشناس ارشد، دانشکده الکترونیک و مخابرات دریایی دانشگاه علوم دریایی امام خمینی (ره)، نوشهر، ایران

چکیده مقاله:

با توجه به اینکه دادگان سوناری دارای ابعاد بالا و بهینه های محلی زیادی می باشند، دسته بندی کننده های متعارف توانایی دسته بندیمناسب اینگونه اهداف را ندارند. استفاده از ترکیب بهینه ساز ازدحام ذرات (PSO) و شبکه های عصبی مصنوعی (ANN) یکی از راه حل هایی استکه در چند سال اخیر برای غلبه بر این مشکل موردتوجه قرار گرفته است. در کاربرد دادگان با ابعاد بالا، الگوریتم PSO دارای دو مشکل به دامافتادن در کمینه های محلی و نرخ همگرایی آهسته می باشد. این مقاله به منظور غلبه بر این نقص و رسیدن به نرخ دسته بندی مناسب از یک روشفرابتکاری جدید به نام بهینه ساز ازدحام ذرات با گروه های مستقل (IGPSO) استفاده می کند. این الگوریتم با الهام گیری از تنوع افراد در تجمعپرندگان یا ازدحام حشرات، دارای توانایی های منحصربه فردی در دسته بندی دادگان ابعاد بالا (سونار) می باشد. در ابتدا توانایی های IGPSO در کاربا دادگان ابعاد بالا توسط 23 تابع آزمون شناخته شده به خوبی ارزیابی شده و نتایج به دست آمده با روش PSO و نمونه های بهبود یافته PSO مقایسهمی شوند. نتایج نشان می دهد که الگوریتم IGPSO قادر به ارایه نتایجی بسیار بهتر در یافتن کمینه کلی توابع، سرعت همگرایی و اجتناب از کمینهمحلی در مقایسه با الگوریتم های معیار، مخصوصا برای توابع با ابعاد بالا است. علاوه بر این، در این مقاله یک کاربرد واقعی از روش ارایه شده درزمینه دسته بندی دادگان سونار بیان می شود. نتایج حاصله نشان می دهد که دسته بندی کننده طراحی شده با IGPSO دادگان سونار را با دقت96/67% دسته بندی می کند، این در حالی است که PSO دقت 92/33% را ارایه می نماید.

کلیدواژه‌ها:

سونار، دسته بندی، گروه های مستقل ذرات، شبکه های عصبی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-JR_TJEE-JR_TJEE-47-1_013.html
کد COI مقاله: JR_TJEE-47-1_013

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
موسوی, سیدمحمدرضا؛ محمد خویشه؛ احسان ابراهیمی و فلاح محمدزاده، ۱۳۹۶، دسته بندی اهداف سوناری توسط الگوریتم بهینه ساز ازدحام ذرات با گروه های مستقل، فصلنامه مهندسی برق دانشگاه تبریز 47 (1)، https://www.civilica.com/Paper-JR_TJEE-JR_TJEE-47-1_013.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (موسوی, سیدمحمدرضا؛ محمد خویشه؛ احسان ابراهیمی و فلاح محمدزاده، ۱۳۹۶)
برای بار دوم به بعد: (موسوی؛ خویشه؛ ابراهیمی و محمدزاده، ۱۳۹۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: ۱۹۸۰۰
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.