آموزش شبكه هاي عصبي مصنوعي به كمك الگوريتم بهينه سازي جمعي ذرات (PSO)

شبكه هاي عصبي مصنوعي كاربرد هاي فراواني در جداسازي داده ها، انطباق پذيري و يادگيري ماشيني دارند. يكي از چالش هاي موجود در شبكه هاي عصبي مسئله آموزش آن مي باشد. شبكه مي بايست ابتدا آموزش ببيند و سپس بر اساس اندوخته هايش عمل نمايد. روش هاي آموزش آماري همچون پس انتشار خطا ) (Back Propagation داراي سرعت پايين و توقف در نقاط بهينه محلي مي باشد. از سوي ديگر الگوريتم بهينه سازي جمعي ذرات) (PSOقادر است كه با يك روش غير قطعي در فضاي جواب ها، جوابي نزديك به بهترين جواب را با سرعت و دقتي بالا پيدا نمايد. اين مقاله بررسي تاثير آموزش شبكه هاي عصبي مصنوعي به كمك الگوريتم بهينه سازي جمعي ذرات مي باشد. نتايج شبيه سازي نشان مي دهد كه اين الگوريتم به طور متوسط %30سريع از روش پس انتشار خطا و به طور متوسط %10 صحت بهتري از روش پس انتشار خطا دارد