19527

۱۹۵۲۷

طراحي و پياده‌سازي دسته‌بندي‌كننده اهداف مبتني بر شبكه عصبي تكاملي

كارشناسي ارشد

سيستم هاي الكترونيك ديجيتال

۱۳۹۵

۱۳۹۷/۷/۲۴

دكتر سيد محمدرضا موسوي ميركلايي

برق

با توجه به پيچيدگي فيزيكي اهداف و شباهت بسيار زيادشان دسته‌بندي آن‌ها يكي از مسائل چالش برانگيز براي پژوهشگران است. شبكه‌هاي عصبي چندلايه، يكي از پركاربردترين ابزار در دسته‌بندي اهداف مي‌باشند. مي‌توان از آموزش به‌عنوان مهم‌ترين بخش اين شبكه‌‌ها اشاره نمود. با توجه به ويژگي‌‌هاي داده‌ها و ابعاد بسيار بالاي آن‌ها، استفاده از روش‌هاي متعارف و معين مانند روش‌هاي سنتي مبتني بر مشتق و گراديان نزولي براي آموزش به نتايج دسته‌بندي دقيق و بلادرنگ منجر نمي‌گرديد، استفاده از الگوريتم‌هاي تكاملي براي آموزش اين نوع شبكه‌ها بسيار مرسوم گشته است. همچنين در سال‌هاي اخير به دليل ضعف‌هاي زياد روش‌هاي سنتي مانند روش‌هاي مبتني بر مشتق و گراديان نزولي، استفاده از الگوريتم‌هاي تكاملي براي آموزش اين نوع شبكه‌ها بسيار مرسوم گشته است. بدين‌ منظور در اين پايان‌نامه، استفاده از الگوريتم بهينه شده مبتني بر جغرافياي زيستي، براي آموزش شبكه‌هاي عصبي چندلايه، به ‌منظور دسته‌بندي اهداف مي‌باشد. شبيه‌سازي و مقايسه نتايج نشان مي‌دهند كه الگوريتم بهينه شده مبتني بر جغرافياي زيستي در اين پايان‌نامه موجب طراحي يك دسته‌بندي‌كننده بهينه براي دسته‌بندي اهداف شده است. به منظور ارضاي شرط دسته‌بندي بلادرنگ دسته‌بندي‌كننده طراحي شده برروي تراشه FPGA با استفاده از ابزار Xilinx System Generator پياده‌سازي گرديد. هدف از اين پايان‌نامه، دسته‌بندي اهداف Iris و Lenses مي‌باشد. با توجه به نبود مجموعه داده‌هاي مرجع در اين حوزه، از يك مجموعه داده پيش‌پردازش شده از سايت UCI Repository به‌عنوان مرجع براي مقايسه با پژوهش‌هاي ديگر انتخاب شد. براي رسيدن به هدف پردازش بلادرنگ، طراحي دسته‌بندي كننده به‌صورت سخت‌افزاري و بر بستر تراشه‌هاي Xilinx Spartan6-XC6SLX45-FGG484-2 و Xilinx Kintex C7K32T-2FFG900C پياده‌سازي خواهد شد. الگوريتم بهينه‌سازي مبتني بر جغرافياي زيستي بر پايه دو عمل‌گر مهاجرت و جهش براي آموزش شبكه‌‌هاي عصبي به ‌منظور دسته‌بندي‌كننده دقيق و بلادرنگ اهداف بررسي مي‌شوند. واژه‌هاي كليدي: شبكه عصبي، دسته‌بندي‌ كننده، الگوريتم‌هاي فرا ابتكاري، الگوريتم BBO، FPGA.

1397/07/28

Design and Implementation an Evolutionary Neural Network based Classifier

10/16/2019 12:00:00 AM

Considering the physical complexity of their targets and their very great similarity, it is one of the challenging issues for researchers. Multilayer neural networks are one of the most applicable instrument in the classification of targets. Learning can be cited as the most important part of these networks. According to the characteristics of the data and their very high dimensions, the use of conventional methods such as derivative based and gradient based methods for training on the result of accurate and real-time classification has not resulted in the use of evolutionary algorithms to train these types of networks. Also, in recent years, because of the weakness of traditional methods such as derivative methods and descending gradients, the use of evolutionary algorithms for training these types of networks is very common of this purpose, in this thesis, the use of optimized optimization algorithm based on the biological geography and its developmentis to train multilayer neural networks in order to classify targets. Simulation and comparison of the results show that the BBO algorithm in this thesis design an optimal allocation for classification of targets, in order to satisfy the real-time classification of the desined classifier was implemented on Field Programmable Gate Array (FPGA) using Xilinx System Generator (XSG) tool. The purpose of this thesis is classification of Iris and Lenses dataset. The biological geography optimization algorithm based on two migration operators and mutation to train neural networks for accurate and real-time performance of targets are investigated. Keywords: Neural Network, Classifier, Heuristic Algorithms, BBO Algorithm, FPGA.