جواد نقی پور - دانشجوی دکترا دانشگاه بیرجند،
رمضان هاونگی - دانشیار دانشکده برق و کامپیوتر دانشگاه بیرجند،
ناصر ندا - دانشیار دانشکده برق و کامپیوتر دانشگاه بیرجند،

کارآیی شبکه های عصبی مصنوعی به فرآیند یادگیری مرتبط است و توانایی آنها به عنوان یک جعبه سیاه بدون مدل در یادگیری روابط داخلی یک سیستم ناشناخته، سبب شده است 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 بالا در آموزش شبکه های عصبی بسیار تأثیرگذار است. هدف این مقاله ارائه راهکاری جدید برای بهبود عملکرد شبکه عصبی در طبقه بندی دادههای غیر خطی است. بدین منظور رویکردی مناسب برای آموزش و پیدا کردن اوزان شبکه عصبی پیشنهاد شده است. در این رویکرد ابتدا شبکه عصبی چند لایه، اوزان و بایاس های مربوط به شبکه ای که قادر است داده های غیر خطی مورد نظر را طبقه بندی کند، بدست می آورد. سپس وزنها و بایاس های این شبکه عصبی به واسطه الگوریتم توده ذرات (PSO) بگونه ای بهینه می شود که خطای طبقه بندی کاهش یابد. اعمال اوزان وبایاس های بدست آمده از شبکه عصبی به الگوریتم توده ذرات سبب می گردد الگوریتم جستجوی محلی مناسب تری انجام داده و اوزان دقیق تری برای شبکه عصبی تعیین گردد. همچنین در شبیه سازی های انجام شده، طرح پیشنهادی عملکرد بهتری را نسبت به شبکه عصبی که از الگوریتم تندترین شب برای آموزش شبکه عصبی و درنتیجه کاهش خطای طبقه بندی استفاده می کند و شبکه عصبی که از الگوریتم PSO برای این منظور استفاده میکند، به نمایش می گذارد.

شبکه عصبی چند لایه ، یادگیری ماشین، الگوریتم توده ذرات، مینیمم محلی