基于GA-ELM模型的锂电池SOH预测

针对锂电池健康状态(State of Healthy,SOH)预测精度低的特点,利用遗传算法改进的极限学习机(Extreme Learning Machine,ELM)算法可提高锂电池SOH的预测精度。ELM输入层到隐含层的权值及隐含层单元的阈值随机产生,ELM算法只需设置隐含层单元的数目及隐含层激活函数类型。相比传统BP算法,ELM算法具有学习速率快、泛化性能好等优点。但由于ELM网络输入层到隐含层的权值和隐含层阈值产生的随机性,ELM算法的稳定性较差。ELM算法中引入遗传算法(GA)优化输入层到隐含层的权值和隐含层单元的阈值,该方法可增强ELM算法的稳定性。实验对比了GA-ELM算法与ELM算法、BP算法、RBF算法及SVR算法对锂电池SOH的预测,结果显示GA-ELM算法相比其他算法在预测精度和算法稳定性上均有提升。     

融合遗传算法与BP神经网络的气象威胁度建模与评估

针对无人飞行器航迹规划中的气象威胁要素模糊性强、复杂多变等特点,提出一种融合遗传算法与BP神经网络的气象威胁度评估方法。利用遗传算法的全局寻优能力优化BP神经网络的初始参数及结构,结合GA-BP神经网络对气象威胁度进行建模与评估。通过Matlab仿真验证,结果表明该方法能够准确评估气象威胁度,与BP神经网络相比,具有更快的收敛速度、更好的全局收敛性,提高了评估效率与准确度。     

基于蚁群优化的BP神经网络目标威胁估计方法

根据空中目标威胁估计的特点,分析了基于BP神经网络的空中目标威胁估计方法的不足。运用蚁群优化算法(ACO)的全局寻优能力,对BP神经网络的初始权值进行优化,建立了改进的BP (ACOBP)空中目标威胁估计方法,解决了BP神经网络初始权值的随机性和网络易陷入局部极小值的问题,提高了算法的收敛速度。并采用30组训练样本数据及8组测试数据,对算法的性能进行了仿真分析。仿真结果表明,该算法估计结果准确合理,收敛速度和收敛精度均优于BP算法,证明了该方法的有效性。     

基于GA的BP神经网络在多目标优化中的应用

针对传统多目标优化的求解方法通常存在目标权值主观性大,优化目标仅为各目标加权和以及在求解过程中各目标优化的不可操作性等问题,文中提出了一种新颖的多目标优化算法,其将改进后的遗传算法与BP神经网络融合,提出了基于遗传算法的BP神经网络融合算法。该算法将遗传算法与BP神经网络算法相结合,充分发挥遗传算法的全局搜索能力优势和BP算法的局部搜索能力特点,使得多目标优化问题得以求解,加快收敛速度,从而提高了收敛精度。     

基于模糊理论海上目标威胁评估的改进算法

应用神经网络,对基于模糊理论的海上目标威胁评估的方法进行改进。首先分析了目标的主要因素,应用模糊理论对其进行量化和归一化处理,然后采用神经网络方法进行威胁评估,提高威胁评估的准确性。     

遗传算法优化神经网络在图像目标识别中的应用研究

针对传统的目标识别方法存在易陷入局部最佳值和识别精度低的问题。提出基于遗传算法优化神经网络的图像目标识别方法,通过灰度共生矩阵运算出图像的纹理特征值,并融合像素灰度值构成分类图像的特征矢量,将特征矢量输入到神经网络中实施训练。神经网络先采用遗传算法获取最佳检索范围,再通过高阶神经网络实施寻优运算,获取最佳的图像目标识别结果。实验结果说明,所提方法在图像目标识别精度和效率方面具有较高的优越性。     

基于遗传LMBP神经网络模型的股票预测

股票市场是一个高度非线性的系统,通过传统的方法建立较为精确的预测模型比较困难。文章建立了基于遗传算法的LMBP神经网络组合预测模型。利用遗传算法优化BP神经网络的连接权和阈值。采用LMBP算法改进模型的收敛速度。实例验证表明,在建模样本和预测因子相同的条件下,该模型比传统BP网络的预测结果稳定且精度高。     

量子遗传算法在对抗资源分配中的应用

针对平台对抗威胁目标威胁度动态变化的应用背景,提出了一种基于量子遗传算法的对抗资源调度方法。该方法可有效克服传统遗传算法易早熟与局部寻优能力差的缺点,提高了寻优的效率。分别针对在一段时间内2个平台对抗6个、10个、12个威胁目标的情况进行了仿真,结果表明使用量子遗传算法比随机分配和传统遗传算法具有更好的处理效果,可以提高目标业务威胁程度动态变化时的对抗能力。     

舰空导弹对空火力分配研究

威胁估计和火力分配是现代防空作战过程中需要解决的2个重要问题。对来袭目标威胁等级的判定可以辅助指挥员迅速做出决策。火力分配是对火力单元寻求最优分配方案,以达到毁伤敌目标的目的。基于威胁目标的各项影响因素,建立相应的威胁评估模型,求得来袭目标威胁度,并根据评估结果,利用匈牙利算法优化火力分配。     

基于Elman神经网络的空战威胁排序研究

依据空战态势、空战效能以及目标战役价值,采用威胁指数法建立了空战目标威胁评估模型。在威胁评估的基础上,研究了空战中基于Elman神经网络的目标威胁排序方法。考虑到Elman神经网络的学习性能和收敛性,采用附加动量项、自适应改变各参数学习率以及重置算法改进网络权值的学习算法。算例结果表明,采用Elman神经网络对空战目标进行威胁排序的方法是有效的,且改进的学习算法提高了网络的学习效率,有效地抑制了局部极小值的出现。该方法有利于提高火控系统的智能化水平。     

基于优化广义回归神经网络的目标威胁评估

目标威胁评估是进行空战任务规划的重要一环。针对传统评估模型中指标信息的不确定性和模糊性,以多机空战编队整体为出发点,提出了优化广义回归神经网络的目标威胁评估模型及算法。该优化算法通过遍历散布系数区间内的值,能迅速找到最优散布系数从而使模型达到最优仿真输出结果。考虑到目前空战多以编队作战为主,选择目标对我方编队整体的威胁程度作为评价指标,提高了评估结果的可靠性。最后通过引入实例,验证了该优化模型的有效性和正确性。     

基于遗传神经网络的P2P流量识别系统

考虑到传统BP神经网络在进行P2P流量识别时,具有系统识别速度慢、精度低,神经网络自身容易陷入局部最小值等问题,使用遗传算法对BP神经网络进行优化。遗传算法具有较强的自适应性和鲁棒性,因此使用遗传算法对BP神经网络的权值和阈值进行优化处理,能够有效提高神经网络的性能。建立基于遗传神经网络的识别系统,采集处理大量样本数据,对识别系统进行训练和测试。研究结果表明,基于遗传神经网络的P2P流量识别系统具有识别精度高、识别速度快等优点,相比传统BP神经网络,其识别性能有明显提高。     

基于GA-BP神经网络的雷达干扰效能评估方法

针对当前雷达干扰效能评估方法中评估模型较为复杂、参数获取困难、应用价值不大的问题，优化了雷达干扰效能评估变量和指标体系，使其更加贴近实际应用；针对传统雷达干扰效能评估方法中依赖专家打分、人为因素影响较大而普通神经网络预测误差较大的问题，采用遗传算法（genetic algorithm, GA）对误差反传（back propagation, BP）神经网络的初始参数进行全局优化，提出基于GA-BP神经网络的雷达干扰效能评估方法,降低评估系统误差。最后，进行了仿真验证，与普通BP神经网络和支持向量机（support vector machine, SVM）进行了对比分析，并通过调整参数进一步优化了该方法。仿真结果表明，该方法明显优于普通BP神经网络和SVM，具有较好的准确度和稳定性，可为实际应用提供科学依据。     

一种基于深度学习的智能威胁评估算法

在现代信息化战争中依据战场态势变化进行合理威胁评估，对实现指挥系统自动化具有重要意义。为了克服传统规则算法评估能力的局限，设计了一种基于深度学习的新型智能威胁评估算法。首先设定了防空威胁评估指标选取原则，在此基础上从多个不同角度出发建立了反映空中目标威胁的指标体系，然后构建深度神经网络模型予以解决。新算法的优点在于威胁评估快速可信、易于实现，且对于不断变化的空情威胁可进行持续更新优化。最后，通过典型作战场景的仿真数据验证了模型的有效性和可行性。     

基于遗传算法优化BP神经网络的预测建模

为了进一步提高基于BP神经网络的预测模型精度,本文针对BP神经网络收敛速度慢,参数选择随机等特点,采用了遗传算法对BP神经网络进行优化,并提出了一种基于遗传算法优化BP神经网络的预测模型,从而进一步提高预测模型的预测精度,通过对比未使用遗传算法优化的BP神经网络的预测模型发现基于遗传算法优化BP神经网络的预测模型在提升预测精度方面具有非常好的效果,是一种非常高效的方法.     

基于遗传算法的一维散射中心提取研究

该文提出了一种基于遗传算法的雷达目标一维散射中心提取方法并给出了适用条件。它采用非衰减指数和模型与CLEAN方法,将每个散射中心的提取转化为一个非线性优化问题,并利用遗传算法进行优化求解。仿真结果表明,相对于传统的FFT方法和Prony方法,该文提出的一维散射中心估计方法在准确性、鲁棒性和分辨力等方面具有优势。     

基于RBF神经网络的空袭目标威胁评估模型研究

为了辅助作战指挥员对空袭目标威胁程度做出正确判断,对作战提供正确决策,将径向基函数（RBF）神经网络应用于防空指挥控制系统中,给出了涉及空袭目标威胁评估的因素及其数学模型,建立了基于RBF神经网络的空袭目标威胁评估算法。同时,通过专家给出的训练样本在Matlab环境下对该模型进行了仿真计算,结果表明该模型方法评估结果准确、快速。     

基于遗传算法优化BP神经网络的可见光定位

采用接收信号强度(RSS)方法的室内可见光定位 ,因受多径效应及噪声的影响,对距离估计不准确, 定位精度不高。为提高定位精度,本文提出了一种采用遗传算法优化BP神经网络(GA-BP) 的距离估计方法。 先通过遗传算法优化BP神经网络的初始权值,经过优化后的BP神经网络收敛速度快,不易 限于局部最优。 再利用GA-BP神经网络对收发端之间的距离进行修正,使其接近于真实距离。最后使用最 小二乘法解算待 定位点坐标,同时在不同定位范围和不同定位位置下,与传统RSS加权质心方法的可见光定 位结果进行对 比。仿真结果表明,在5m×5m×3m的定位场景中,平均定位误差可以达到0.642 cm。与传统RSS加权质 心方法相比,平均定位精度提高了约96.4%。且在不同定位范围和不 同定位位置下,平均定位误差稳定在 毫米级,尤其不随定位范围的扩大而扩大。有效地提高了室内定位精度和系统应用的普适性 。     

基于粒子群优化模糊小波网络的目标威胁评估

主要对不确定性环境下的空中目标威胁评估问题进行研究。首先通过模糊神经网络处理信息不确定问题,在获取威胁目标信息较少的环境下,使用小波神经网络增强网络自学习能力,并分析威胁因素,创建不确定性环境下的模糊小波神经网络(FWNN),实现对目标威胁的评估;然后针对初始参数的不确定性问题,采用粒子群优化算法和BP算法更新每个模糊规则后件部分的参数,以达到提高评估效果的目的。仿真结果表明,与模糊小波神经网络相比,该算法提高系统的稳定性,加快收敛速度,增强预测精度。     

小生境技术和误差反馈系数联合评估在神经网络权值优化中的应用

针对传统的遗传算法优化BP神经网络权值时存在的不足，提出了应用小生境技术和对误差反馈系数联合评估的思想，并且应用优化后的网络进行了Nasdaq股票预测仿真。仿真结果表明所提出的方法更加有效地提高了神经网络的整体性能。