Sonar Data Classification Using Neural Network Trained by Hybrid Dragonfly and Chimp Optimization Algorithms

Der Artikel stellt einen neuartigen hybriden Optimierungsalgorithmus vor, der Techniken der Dragonfly und Chimp Optimization kombiniert, um ein Multi-Layer Perceptron Neural Network (MLP NN) für die Klassifizierung von Sonardaten zu schulen. Darin werden die Herausforderungen der Erkennung von Zielen unter Wasser und die Beschränkungen klassischer Klassifizierungsmethoden diskutiert. Die Autoren schlagen vor, neuronale Netzwerke, insbesondere MLP-NNs, aufgrund ihrer hohen Präzision und Anpassungsfähigkeit zu nutzen. Der Aufsatz geht dann auf die Vorteile hybrider Optimierungstechniken ein und hebt die Algorithmen Dragonfly und Chimp Optimization hervor. Es wird erklärt, wie diese Algorithmen die Explorations- und Ausbeutungsphasen bei der Optimierung adressieren und wie ihre Kombination die Leistung von MLP-NNs verbessern kann. Die Autoren stellen eine detaillierte Methodik zur Implementierung des Hybridalgorithmus vor und bewerten seine Leistung anhand von Benchmark-Datensätzen. Die Ergebnisse zeigen, dass der Hybrid-Algorithmus herkömmliche Methoden hinsichtlich Klassifizierungsgenauigkeit und Konvergenzgeschwindigkeit übertrifft und damit eine vielversprechende Lösung für komplexe Klassifizierungsaufgaben in der Sonardatenanalyse darstellt.