基于优化算法的雷达辐射源识别方法性能评估

针对基于SVM的雷达辐射源识别方法中SVM模型参数对识别性能影响较大的问题,提出一种新的雷达辐射源识别方法。该方法将智能优化算法应用于SVM,对SVM参数进行选择以提高识别准确率;为分析所提出新方法的性能,提出有效解的标准差、解的质量和精度时间比作为评估指标对所提方法进行性能评估。通过计算机仿真,验证了新方法的有效性,并分析了3种典型优化算法在新方法中的综合性能。     

基于人工蜂群算法优化的改进高斯过程模型

高斯过程(GP)的非线性特征导致其对大样本的训练时间复杂度过高,而且其超参数的选取是否适当直接影响高斯过程回归模型的预测精度。提出采用人工蜂群(ABC)算法优化改进GP以减小时间复杂度和提高预测精度。改进GP通过选取训练样本的子样本进行模型学习,以降低训练过程的时间复杂度。ABC通过优化改进GP的超参数,提升预测精度。选取训练样本的子样本构建改进GP回归(GPR)模型,采用ABC算法搜寻改进GPR的最优超参数,并用得到的超参数构建最优的改进GPR模型,输入测试样本进行预测并输出预测精度。将该模型应用于解决海上远程精确打击(LPSS)体系作战效能评估问题中,通过MATLAB仿真实验,与常见的多种优化方法相比较,验证了该模型的有效性。     

基于QPSO算法的支持向量机参数优化研究

应用具有量子行为的粒子群优化算法,对支持向量（SVM）进行参数优化研究．根据支持向量机的分类准确率和泛化能力之间的关系,应用QPSO算法选取比较优秀的参数模型,比较参数模型的各项性能,选取最适合实际需要的参数模型．仿真表明,QPSO算法的SVM模型与PSO算法相比在分类准确率和泛化能力上均获得更好的效果,经QPSO优化后的SVM整体性能明显提高．     

雷达智能BIT故障预测方法研究

在总结了几种比较常见的故障预测方法的基础上,介绍了基于统计学习理论的支持向量回归算法。提出将智能遗传算法用来对支持向量回归模型的参数进行优化选取,并详细介绍了模型参数的选取过程,避免了参数的盲目设置。将建立起来的模型应用于雷达智能BIT故障预测领域,并以一组智能BIT状态监测的数据对预测模型进行训练和验证,实验结果表明支持向量回归模型能有效地对雷达故障进行预测。     

基于改进FPA和SVM的装备器材需求预测

精确预测已成为制约器材筹措决策的重难点问题.对此,在对国内外研究分析基础上,提出适用于复杂装备保障的消耗性器材需求预测方法.针对器材消耗规律,构建基于支持向量机的器材需求预测模型,并提出模型约束优化指标;针对器材需求预测约束优化的不确定性,将佳点集种群初始化、Deb可行性比较法、着约束法融入花朵授粉算法,设计面向SVM模型优化的花朵授粉求解算法;以某建制单位器材供应为例,验证方法的可行性和优越性.     

基于改进核极限学习机和集成学习理论的目标机动轨迹预测

为了提高目标轨迹预测的精度以及预测模型的泛化能力,提出基于改进蝙蝠算法优化的核极限学习机(Kernel Extreme Learning Machine,KELM)和集成学习理论目标机动轨迹预测模型。构建KELM模型,并采用改进的蝙蝠算法对KELM的参数进行优化;以优化后的KELM神经网络为弱预测器,结合集成学习算法生成强预测器,通过训练不断优化强预测的结构和参数,得到一种基于集成学习理论的目标机动轨迹预测模型;基于不同规模的样本,将所得预测模型与逆传播神经网络、支持向量机和极限学习机等模型进行对比分析。仿真结果表明:所提目标机动轨迹预测模型具有较好的预测精度和泛化能力。     

SVM与PSOHF参数优化装备机械传动齿轮故障诊断

为了提高支持向量机(SVM)对齿轮故障诊断的准确性,提出了一种基于SVM与PSOHF参数优化的机械传动齿轮故障诊断新方法。采用蜜蜂觅食机制改进粒子群算法(PSOHF)对SVM径向基核函数参数c和g进行了优化,建立优化后的SVM模型;而后对齿轮不同裂纹长度的故障信号进行小波包分解,将相对小波能量作为故障特征向量输入SVM;进行模式识别和故障分类,最终实现齿轮故障诊断。齿轮裂纹故障振动实验信号的研究结果表明,PSOHF优化的SVM提高了分类正确率,更适于实际中齿轮故障诊断。     

小生境粒子群支持向量机的网络故障诊断

针对支持向量机(SVM)在网络故障诊断中应用存在的参数设置和诊断模型复杂的问题,提出一种基于小生境粒子群优化的SVM解决方案。算法在进行参数寻优的同时考虑支持向量个数,实现对诊断模型复杂度的优化,并采用小生境粒子群算法进行求解,提高算法跳出局部最优的能力。在DARPA数据集上的实验表明本文提出的方法能够有效提高诊断模型的泛化性和诊断速度。     

地球静止轨道高能电子通量在线预测模型研究

利用粒子群优化算法和最小二乘支持向量机,建立了地球静止轨道高能电子通量(1.8-3.5MeV)在线预测模型。针对粒子群优化算法,提出了一种新的粒子群多样性测度计算方法,有效改善了其早熟收敛现象;基于改进的粒子群优化算法优化最小二乘支持向量机的正则化参数和核参数;利用滑动时间窗口策略更新模型数据,设计变量选择触发机制以及模型的再学习机制实现模型的在线预测功能。[根据题目的调整,对摘要做了相应改动]通过对2000年电子通量监测数据和相关太阳风、地磁参数等实际数据进行提前1-3天的预测实验,表明了所建在线预测模型具有较高的预测性能,有一定的实用价值。     

基于灰色理论的电子系统状态预测方法

电子系统的状态预测是利用其历史信息来实现系统未来状态和趋势的估计,以防止灾难性故障的发生,对于推动视情维修具有重要意义。针对典型模拟滤波电路,通过分析其关键测试信号的特点,研究了基于灰色理论的状态预测方法,并针对该预测模型的不足,设计粒子群算法选择最佳预测维数,设计新陈代谢法使该模型参数在线改变,从而建立符合电子系统信号特点的灰色预测模型。将该模型与ARAM模型比较,实验结果验证了该模型具有较好的状态预测精度和预测性能。     

基于果蝇算法优化LSTM的雷达波束扫描行为预测

在认知电子战体系下,更为智能的算法才能适应日益复杂的电磁空间。针对相控阵雷达的波束扫描行为预测问题,在正弦坐标系下将波束扫描位置数据抽象为网格数据,利用果蝇优化算法寻找最优的LSTM网络超参数,提出了一种基于果蝇算法优化LSTM的波束行为预测方法。仿真实验表明所提算法在果蝇算法调参的支撑下,相较NAR神经网络算法和普通的LSTM算法而言,预测精度和鲁棒性更强。     

基于贝叶斯优化LSTM的发动机剩余寿命预测

针对航空发动机剩余寿命预测中深度学习算法参数优化效率低、预测准确率差等问题,在长短期记忆网络算法（LSTM）的基础上提出一种基于贝叶斯优化的LSTM算法。利用长短期记忆网络对航空发动机的传感器数据进行时间序列预测,并运用贝叶斯优化算法对长短期记忆网络的超参数进行迭代优化。利用NASA公开数据集对算法进行验证,结果表明,相较于其他算法,优化后的算法在优化参数、提高预测准确率方面有明显改善,能为保证航空器的安全使用以及制定维修替换策略提供参考。     

基于改进萤火虫优化算法的BP神经网络目标群威胁判断

以舰艇防空作战目标选择决策和规划需求为背景,针对萤火虫算法求解精度不高且收敛速度较慢的问题,提出可动态调整步长的改进萤火虫优化算法。在改进萤火虫优化算法的基础上,建立基于改进萤火虫优化算法的BP神经网络目标群威胁判断结构模型。通过改进萤火虫算法优化BP神经网络的初始权值和阈值,能够更好地预测测试集。实验结果表明,该方法可快速、准确地实现目标群威胁判断。     

邻域加强的并行子空间优化过程

针对基于响应面的并行子空间优化(CSSo-RS)过程的不足,提出了基于邻域加强的改进CSSO-RS优化过程.其主要思路是在子空间优化后,在得到的最优解附近进行全部变量的优化,以更好地协调系统级优化与子空间优化.用经典测试函数及通用航空飞机参数优化问题对该算法进行测试,测试结果表明该算法使CSSO-RS优化效率得到较大的...     

基于兹-QPSO的战斗机机动规避优化方法

规避导弹攻击对于提高战斗机生存能力具有重要意义。首先,建立战斗机和导弹的运动模型及导弹导引律模型,采用直接多重打靶的参数化方法,将机动规避最优控制问题转化为非线性规划问题;采用相位角编码量子粒子群优化算法（兹-QPSO）实现参数寻优,并结合滚动优化的思想,利用模型预测控制得到规避轨迹闭环解和战斗机的实时控制量。最后仿真验证了该方法的合理性和算法的有效性。     

基于θ-QPSO的战斗机机动规避优化方法

规避导弹攻击对于提高战斗机生存能力具有重要意义。首先,建立战斗机和导弹的运动模型及导弹导引律模型,采用直接多重打靶的参数化方法,将机动规避最优控制问题转化为非线性规划问题;采用相位角编码量子粒子群优化算法(θ-QPSO)实现参数寻优,并结合滚动优化的思想,利用模型预测控制得到规避轨迹闭环解和战斗机的实时控制量。最后仿真验证了该方法的合理性和算法的有效性。     

果蝇算法优化的相关向量机在电子装备中的应用

针对电子装备渐变故障预测问题,提出一种基于果蝇算法优化相关向量机的故障预测方法。该方法将原始时间序列数据进行相空间重构处理,并基于折交叉验证和果蝇算法优化相关向量机模型的核函数参数,从而建立故障预测模型,并以某型雷达发射机速调管监测数据对模型性能进行了验证。实验结果表明,相比已有方法,该方法在全局优化、收敛速度、预测精度以及预测可靠性方面都具有一定优势。     

地球静止轨道高能电子通量在线预测模型

利用粒子群优化算法和最小二乘支持向量机,建立地球静止轨道高能电子通量在线预测模型。针对粒子群优化算法,提出一种新的粒子群多样性测度计算方法,有效改善其早熟收敛现象。运用改进的粒子群优化算法优化最小二乘支持向量机的正则化参数和核参数。利用滑动时间窗口策略更新模型数据,选择触发机制以及模型的再学习机制为设计变量,实现模型的在线预测功能。对2000年电子通量监测数据和相关太阳风、地磁参数等实际数据进行的提前1~3天的预测实验,表明所建在线预测模型具有较高的预测性能,并具有一定的实用价值。     

基于粒子群优化的蚁群算法在战场电磁频率分配中的应用

为对战场电磁频率进行有效分配以减少用频设备间的相互干扰,提出了将一种基于粒子群优化的蚁群算法应用于频率分配的方法。首先介绍了战场频率管控流程的相关内容,并以干扰度最低为目标函数,使用基于粒子群算法优化的蚁群算法进行频率分配管理。粒子群算法优化蚁群算法中启发信息的权重及信息素挥发系数,作为粒子群位置和速度参数进行初始化,将粒子群算法生成的分配结果作为蚁群算法的初始信息素,利用蚁群算法较强的寻优能力寻找最佳分配方案。实验结果验证了该算法和模型的可行性。     

基于AP-SVM模型的装备维修器材需求预测方法

在小样本条件下运用SVR模型预测装备维修器材需求量时,预测效果受随机干扰因素影响较大.为解决这一问题,提出了一种新的AP-SVM模型.首先,运用AP聚类算法对训练数据进行分类,将分类结果作为训练数据训练SVM分类器,并对待测试数据的所属类别进行判断;然后,根据数据类别构建训练向量集,对SVM进行训练,运用SVR模型计算...