آموزش شبکه عصبی MLP در فشرده‌سازی تصاویر با استفاده از روش GSA
محورهای موضوعی : فناوری اطلاعات و ارتباطات
مريم ده‌باشيان
1
(دانشگاه بیرجند)
سيدحميد ظهيري
2
(دانشگاه بیرجند)
کلید واژه: الگوریتم‌های ابتکاری, الگوریتم جستجوی گرانشی, شبکه عصبی چند لایه, فشرده سازی تصویر,
چکیده مقاله :
یکی از حوزه‌های تحقیقاتی مهم در پردازش تصویر، فشرده-سازی تصاویر است. تاکنون روش‌های مختلفی برای فشرده-سازی تصویر ارائه شده‌است، در این میان شبکه‌های عصبی مخاطبان زیادی را به خود جذب کرده‌اند. متداول‌ترین روش آموزشی شبکه‌های عصبی، روش پس انتشار خطاست که همگرایی کند و توقف در بهینه‌های محلی از مهمترین نقاط ضعف آن محسوب می‌شوند . رویکرد جدید محققین، استفاده از الگوریتم‌های ابتکاری در فرایند آموزش شبکه‌های عصبی است. در این مقاله، روش آموزشی نوینی مبتنی بر روش جستجوی گرانشی (GSA) معرفی می‌شود. روش جستجوی گرانشی آخرین و جدیدترین نسخه از انواع روش‌های جستجو و بهینه‌سازی هوش جمعی است. در این روش پاسخ‌های کاندید در فضای جستجو اجرامی هستند که توسط نیروی گرانش بر یکدیگر اثر گذاشته و موقعیتشان تغییر می-کند. به تدریج اجرام با برازندگی بهتر دارای جرم بیشتری می-شوند و بر اجرام دیگر تاثیر بیشتری می‌گذارند. در تحقیق حاضر با استفاده از الگوریتم GSA یک شبکه عصبی MLP به منظور فشرده سازی تصاویر آموزش داده می-شود. برای ارزیابی کارایی فشرده‌ساز ارائه شده عملکرد آن با الگوریتم بهینه‌سازی گروه ذرات و روش متداول پس انتشار خطا در فشرده‌سازی چهار تصویر استاندارد مقایسه می‌شود. نتایج نهایی گویای قابلیت چشمگیر روش GSA در آموزش شبکه‌های عصبی MLP می‌باشد.
Image compression is one of the important research fields in image processing. Up to now, different methods are presented for image compression. Neural network is one of these methods that has represented its good performance in many applications. The usual method in training of neural networks is error back propagation method that its drawbacks are late convergence and stopping in points of local optimum. Lately, researchers apply heuristic algorithms in training of neural networks. This paper introduces a new training method based on the Gravitational Search Algorithm. Gravitational Search Algorithm is the latest and newest version of swarm intelligence optimization approaches. In this algorithm, the candidate answers in search space are masses that interact with each other by gravitational force and change their positions. Gently, the masses with better fitness obtain more mass and effect on other masses more. In this research, an MLP neural network by GSA method is trained for images compression. In order to efficiency evaluation of the presented compressor, we have compared its performance toward PSO and error back propagation methods in compression of four standard images. The final results show salient capability of the proposed method in training of MLP neural networks.