training radial basis function neural network using stochastic fractal search algorithm to classify sonar dataset

تدريب شبكة عصبية ذات دوال الأساس الشعاعي باستخدام خوارزمية البحث الكسيري العشوائي لتصنيف مجموعة بيانات السونار

Clicks: 470
ID: 138453
2017
Free PDF
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Steady

Ranked #2 of 30 articles by views in international journal of corrosion

Most read Least read

Bar heights use a square-root scale.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
Radial Basis Function Neural Networks (RBF NNs) are one of the most applicable NNs in the classification of real targets. Despite the use of recursive methods and gradient descent for training RBF NNs, classification improper accuracy, failing to local minimum and low-convergence speed are defects of this type of network. In order to overcome these defects, heuristic and meta-heuristic algorithms have been conventional to training RBF network in the recent years. This study uses Stochastic Fractal Search Algorithm (SFSA) for training RBF NNs. The particles in the new algorithm explore the search space more efficiently by using the diffusion property, which is observed regularly in arbitrary fractals. To assess the performance of the proposed classifier, this network will be evaluated with the two benchmark datasets and a high-dimensional practical dataset (i.e., sonar). Results indicate that new classifier classifies sonar dataset six percent better than the best algorithm and its convergence speed is better than the other algorithms. Also has better performance than classic benchmark algorithms about all datasets.
تُعد الشبكات العصبية ذات دوال الأساس الشعاعي (RBF NNs) من أكثر الشبكات العصبية القابلة للتطبيق في تصنيف الأهداف الحقيقية. وعلى الرغم من استخدام الطرق التكرارية والانحدار التدريجي في تدريب شبكات (RBF NNs)، فإن القصور في دقة التصنيف، والوقوع في النهايات الصغرى المحلية، وبطء سرعة التقارب تُعد من أبرز عيوب هذا النوع من الشبكات. وللتغلب على هذه العيوب، شاع استخدام الخوارزميات الحدسية وفوق الحدسية (heuristic and meta-heuristic) في تدريب شبكات RBF خلال السنوات الأخيرة. تستخدم هذه الدراسة خوارزمية البحث الكسوري العشوائي (SFSA) لتدريب شبكات (RBF NNs)؛ حيث تستكشف الجسيمات في الخوارزمية الجديدة فضاء البحث بكفاءة أعلى بالاعتماد على خاصية الانتشار الملحوظة بانتظام في الكسوريات العشوائية. ولتقييم أداء المصنِّف المقترح، تم اختبار هذه الشبكة باستخدام مجموعتي بيانات معياريتين ومجموعة بيانات تطبيقية عالية الأبعاد (بيانات السونار). وتشير النتائج إلى أن المصنِّف الجديد يتفوق بنسبة ستة بالمئة في تصنيف مجموعة بيانات السونار مقارنة بأفضل الخوارزميات، وتعد سرعة تقاربه أفضل من سائر الخوارزميات الأخرى، فضلاً عن تحقيقه أداءً أفضل من الخوارزميات المعيارية الكلاسيكية عبر جميع مجموعات البيانات.
Reference Key
mosavi2017iraniantraining Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors ;M. R. Mosavi;M. Khishe;Y. Hatam Khani;M. Shabani
Journal international journal of corrosion
Year 2017
DOI
DOI not found
URL
http://ijeee.iust.ac.ir/browse.php?a_code=A-10-78-17&slc_lang=en&sid=1
Keywords
electrical engineering classifier electronics nuclear engineering meta-heuristic algorithm

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.