个性化蛾火优化算法演化深度神经网络在水下目标识别中的应用
摘要：使用蛾火优化（MFO）算法微调深度神经网络以识别不同的水下声纳数据集。与其他由元启发式算法演化而来的模型一样，MFO在解决具有高维搜索空间的问题时面临早熟收敛、陷入局部最小值和无法在合理时间内收敛的三个缺陷。螺旋飞行是MFO的关键组成部分，它决定了蛾子如何调整与火焰的位置关系；因此，螺旋运动的形状可以调节探索和开发阶段之间的转变行为。因此，本章研究了七种具有不同曲率和斜率的螺旋运动对MFO的性能，特别是对水下目标分类任务的性能的影响。为了评估定制模型的性能，除了基准Sejnowski＆Gorman的数据集外，还利用了两个实验性的声纳数据集，即被动声纳数据集和主动声纳数据集。MFO及其修改版的结果与包括基于堆的优化器（HBO）、黑猩猩优化算法（ChOA）、蚁狮优化（ALO）、随机分形搜索（SFS）以及经典粒子群优化（PSO）在内的四种新颖的自然启发算法进行比较。结果证实，定制的MFO显示出比其他最先进模型更好的性能，Sejnowski＆Gorman、被动和主动数据集的分类率分别增加了1.5979、0.9985和2.0879。结果还证实，使用不同的螺旋运动并不会显著增加时间复杂性。
作者：Mohammad Khishe, Mokhtar Mohammadi, Tarik A. Rashid, Hoger Mahmud, Seyedali Mirjalili
论文ID：2303.00922
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-03-03