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. Manuscript profile

یکی از حوزه های تحقیقاتی مهم در پردازش تصویر، فشرده-سازی تصاویر است. تاکنون روش های مختلفی برای فشرده-سازی تصویر ارائه شده است، در این میان شبکه های عصبی مخاطبان زیادی را به خود جذب کرده اند. متداول ترین روش آموزشی شبکه های عصبی، روش پس انتشار خطاست که همگرايي کند و توقف در بهينه های محلي از مهمترین نقاط ضعف آن محسوب می شوند . رویکرد جدید محققین، استفاده از الگوریتم های ابتکاری در فرایند آموزش شبکه های عصبی است. در این مقاله، روش آموزشی نوینی مبتنی بر روش جستجوي گرانشي (GSA) معرفی می شود. روش جستجوي گرانشي آخرين و جديدترين نسخه از انواع روش هاي جستجو و بهينه سازي هوش جمعي است. در اين روش پاسخ هاي كانديد در فضاي جستجو اجرامي هستند كه توسط نيروي گرانش بر يكديگر اثر گذاشته و موقعيتشان تغيير مي كند. به تدریج اجرام با برازندگي بهتر داراي جرم بيشتري می شوند و بر اجرام ديگر تاثير بيشتري می گذارند. در تحقیق حاضر با استفاده از الگوریتم GSA یک شبکه عصبی MLP به منظور فشرده سازی تصاویر آموزش داده می شود. ▪ نویسنده عهده‌دار مکاتبات (m.dehbashian@gmail.com) برای ارزیابی کارایی فشرده ساز ارائه شده عملکرد آن با الگوریتم بهینه سازی گروه ذرات و روش متداول پس انتشار خطا در فشرده سازی چهار تصویر استاندارد مقایسه می شود. نتايج نهایی گویای قابلیت چشمگیر روش GSA در آموزش شبکه های عصبی MLP می باشد. Manuscript profile