في عالم الذكاء الاصطناعي، تعد الشبكات العصبية ذات الدالة الأساسية الشعاعية (RBFN) من الأدوات القوية المستخدمة لتحسين دقة النماذج. ومع ذلك، فإن التدريب باستخدام خوارزميات تقليدية مثل التدرج اللوني قد يواجه تحديات في التعامل مع مجموعات البيانات الكبيرة.

الابتكار الجديد يأتي مع استخدام أساليب مثل تحسين السرب الجزيئي (PSO) وتحسين السرب الجزيئي التكيفي (APSO). يتميز APSO بإمكانيته على تعزيز سرعة التقارب من خلال ضبط معلمات السرب بشكل ديناميكي، لكن قد يظل هناك تحديات في معالجة الحسابات الزائدة وخوارزمية الشبكات ذات الطبقات المخفية الكبيرة.

لذا، تم تطوير نهج الشبكات العصبية متعددة الأعمدة (MCRN) الذي يعزز من أداء ErrCor عن طريق توزيع الشبكات العصبية الصغيرة في نظام متوازي. تعتمد الطرق الجديدة التي نقترحها، وهي MC-PSO وMC-APSO، على تحسين الشبكات RBFN من خلال الهياكل المتوازية المدربة باستخدام طرق تحسين السرب. حيث يتم تدريب كل شبكة RBFN بشكل مستقل على مجموعة فرعية محددة من البيانات، مما يعزز من تخصصها وفعاليتها.

أظهرت النتائج التحليلية أن MC-PSO وMC-APSO تتفوق على أساليب ErrCor وPSO وAPSO وMCRN في الدقة واسترجاع المعلومات. كما أثبتت الأساليب الجديدة أنها تتمتع بأوقات تدريب واختبار أسرع في معظم التجارب، مما يفتح آفاقًا جديدة لإمكانيات الذكاء الاصطناعي في معالجة البيانات الكبيرة.