基于BiLSTM代理模型的RFID标签天线快速多目标设计

为快速完成超高频(UHF)标签天线多目标设计,构建了基于双向长短期记忆(BiLSTM)神经网络的新型天线性能预测代理模型,并使用带精英策略的非支配排序遗传算法(NSGA-Ⅱ)配合静态惩罚对RFID标签天线进行多目标寻优.首先按照RFID标签天线延伸的趋势将天线结构序列化并依次输入BiLSTM网络结构,结合响应集训练出适...     

融合智能算法和代理模型的天线快速优化平台设计

电磁仿真软件作为天线设计的主要工具,针对其内置的优化器在优化效率、支持优化类型以及优化结果可用性上的问题,提出建立一种天线快速优化平台的解决方案。该平台采用Ansoft HFSS和Matlab联合仿真,并基于天线优化流程提供友好的图形化操作界面;融合前沿的智能优化算法和代理模型方法,用于处理天线多目标优化问题并生成Pareto最优解集;同时为其他复杂天线执行性能优化提供参考。小型多频段平面单极子天线设计实例表明,该平台能够实现多参数天线结构的快速优化,提高天线设计的效率。     

基于反向传播算法神经网络的谐波源模型分析

采用反向传播算法神经网络建立稳态频域的谐波源模型。在模型中,各次谐波电流的幅值和相角与各次谐波电压的幅值和相角以及负荷特征参数的非线性映射关系通过一种新颖的反向传播算法网络进行建模。该网络的学习算法是并行的。算例计算表明,该模型具有训练时间少、精度高等优点,是谐波源建模的有效方法。     

神经网络传播模型的设计与应用

传播模型是网络规划的基础之一,其对路径损耗的准确预测能力从一定程度上决定了网络规划的质量。在工程中得到广泛应用的经典传播模型在预测本地无线环境引起的路径损耗方面存在不够准确的缺点。提出了一种以人工神经网络为核心的自适应传播模型,通过利用现网路测数据对神经网络进行训练,充分利用神经网络所具备的高度非线性映射能力和自适应性,使其具备根据本地无线环境特征准确预测传播损耗的能力。实验表明,基于神经网络的传播模型对本地无线环境引起的路径损耗预测的准确性比经典模型更好,并且其适用性也较强。     

基于多层感知机模型的天线方位角诊断

作为影响移动通信质量的关键因素,天线方位角的准确性将直接影响网络优化质量。提出一种基于多层感知机的天线方位角诊断方法,将方位角分为12个区间类别,每个类覆盖30°范围,即[0,30°)记为类别0,…,[330°,360°)记为类别11,利用多层感知机算法识别天线方位角的区间,自动识别天线方位角的角度范围,为网络优化(网优)工程师判断实际的网络覆盖问题提供了有效的数据支撑,在核查天线性能方面极大地减少了工作量,降低了人工成本。实验结果表明,该方法能够有效快速判别天线方位角区间类别,识别准确率达到了92.6%,高于随机森林和逻辑回归分类算法的分类准确率。     

优化反向传播神经网络的自适应遗传算法

探讨了用遗传算法优化反向传播神经网络的问题，通过对不同遗传操作的分析和改进，提出了一种能有效进行局部搜索和全局搜索的自适应遗传算法，计算结果表明，该算法能快速地求出问题的全局最优解，且具有较好的计算精度。     

基于反向传播神经网络的无线火灾预警系统

针对传统火灾预警系统中单一传感器数据检测的缺陷,提出一种基于反向传播神经网络模型的无线多传感信息融合火灾预警系统。该模型借助Matlab平台进行信息融合算法模拟,并经过试验验证,大大提高了火灾预警系统的准确率和可靠性。     

基于多目标优化算法的天线布局方法

针对现有天线布局中单目标优化算法的不足,提出了一种基于拥挤距离的多目标粒子群优化算法。建立了基于天线隔离度的优化布置模型,将该算法与FEKO软件相结合,通过一个简单的天线优化布置实例,验证了该算法的有效性。     

基于折射原理反向学习模型的改进粒子群算法

对于粒子群优化算法易陷入局部最优的缺陷,反向学习策略对其的改进取得了较好的效果.然而,反向学习策略需要结合其它策略来提高算法后期的全局搜索能力,针对此缺陷,根据光的折射原理对反向学习策略的反向过程进行改进,提出反向学习的统一算法模型及基于折射原理反向学习模型的改进粒子群算法.实验与分析表明,与其它基于反向学习的粒子群算法相比,该模型更有效地改进了所提算法的全局搜索能力,提高了种群的多样性,从而提高了算法的收敛速度以及优化精度.     

基于神经网络的传播预测模型浅析

传播预测模型是网络规划和频谱资源合理利用的基础。在分析了现有模型不足的基础上,介绍了人工神经网络的结构及其传播预测模型的构建,并对该模型进行了改进,提出了应用反向传播(Back-Propagation,BP)神经网络的混合传播模型。人工神经网络具有良好的非线性逼近能力和泛化能力,非常适用于特定地区传播损耗的预测。通过对试验数据的分析处理,验证了此方法能够更真实地反映该区域的无线电波传播环境,得到更高的预测准确度。     

基于量子自适应粒子群优化径向基函数神经网络的网络流量预测

该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF神经网络法、混合粒子群-RBF神经网络法和自适应粒子群-RBF神经网络法,并且预测效果不易受时间尺度变化的影响。     

基于优化概率神经网络和红外多光谱融合的大气层外空间弹道目标识别

针对大气层外空间弹道目标难识别的问题,该文利用红外多光谱数据融合的思想,提出一种基于粒子群优化概率神经网络(PNN)的大气层外空间弹道目标识别方法。该方法首先通过一种新的多色测温方法提取出弹道目标的温度变化率和有效辐射面积两类动态特征,然后利用高斯粒子群优化(GPSO)方法对PNN的平滑因子进行优化,最后利用优化的PNN完成4类典型空间目标的识别。该方法融合了多光谱信息并提取出了多个动态特征,具有较强的鲁棒性。另外,该方法充分利用了概率神经网络的较高的稳定性和样本容错能力。仿真实验给出了4类典型空间弹道目标的多光谱红外辐射强度序列数据,并进行了目标识别研究。仿真测试结果表明,提出的优化PNN网络对多个弹道目标具有良好的识别能力。     

基于谱回归特征降维与后向传播神经网络的识别方法研究

采用后向传播(BP)神经网络对空间目标进行识别时,高维的输入特征导致网络结构复杂,识别性能降低。针对上述难点,该文提出一种基于谱回归(SR)特征降维与BP神经网络的识别方法。该方法首先对空间目标进行HOG特征提取,然后将提取的高维HOG特征进行SR降维,最后把降维后的数据通过BP分类器进行训练识别。实验结果表明：该方法的降维和识别特性优于传统降维方法PCA, KPAC, LPP, KLPP等,能够兼顾实时性和准确性,提高了识别性能。     

BP神经网络在异向介质基本结构分析中的应用

为了减少传统数值分析法由于厚度谐振而引起的结果错误问题,实现异向介质高分析精度与高效率的共存,建立基于反向传播多层前馈型神经网络(BP神经网络)的异向介质电磁特性与介质敏感结构参数之间的神经网络模型,对异向介质的基本结构进行分析。实验结果表明,采用量化共轭梯度法的分析时间为145.535648 s,训练均方误差为0.00020679,所得结果与全波分析相吻合,满足工程要求。有效地克服了再次预测过程中提取参数的不稳定性,为异向介质的分析提供一种快速而准确的方法。     

基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测

针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。     

Pseudo Random Number Generator Based on Back Propagation Neural Network

Random numbers play an increasingly important role in secure wire and wireless communication. Thus the design quality of random number generator（RNG） is significant in information security. A novel pseudo RNG is proposed for improving the security of network communication. The back propagation neural network（BPNN） is nonlinear, which can be used to improve the traditional RNG. The novel pseudo RNG is based on BPNN techniques. The result of test suites standardized by the U.S shows that theRNGcan satisfy the security of communication.     

人工神经网络基双频RFID读写器天线设计

给出了结合人工神经网络进行双频RFID读写器天线的优化设计方法,该天线由一层双边开槽贴片,厚空气层及接地层的加载缝隙耦合实现双频工作.以天线电磁仿真结果作为人工神经网络模型的训练数据,以天线贴片的四个关键结构尺寸作为神经网络模型的输入参数,以天线回波损耗作为输出参数,实现天线的快速优化设计.所设计天线的性能指标为:在驻波比小于2.0时,低频段(900 MHz)的工作带宽约为70 MHz(870～940 MHz),高频段(2.4 GHz)的工作带宽约为300MHz(2.235～2.535 GHz);天线尺寸为179.3 mm×120 mm.神经网络模型和电磁仿真结果吻合良好.     

基于快速群体智能算法的毫米波天线设计

针对毫米波天线阻抗不匹配的问题,该文提出基于粒子群蚁群(Particle Swarm Ant Colony Optimization, PSACO)的天线贴片参数优化算法,利用蚁群算法的信息素引导机制获得粒子群算法的最优贴片长、宽及馈电位置;并采用模糊决策综合评价模型(Fuzzy Decision-Making Comprehensive Evaluation, FD-MCE)求解毫米波天线的地面开槽位置,实现带宽扩展。对28.0 GHz中心频率进行设计与仿真,结果证明所提方法能有效且快速实现毫米波天线阻抗匹配,保证谐振频率与中心频率的一致,且在开槽面积不大于接地面总面积30%时带宽可扩展约33%,回波损耗特性也得到明显改善。所提算法具有计算复杂度低,收敛速度快的优点。     

基于深度堆栈编码器和反向传播算法的网络安全态势要素识别

网络安全态势要素识别的基础是对态势数据集进行有效的特征提取。针对反向传播(BP)神经网络对海量安全态势信息数据学习时过度依赖数据标签的问题,该文提出一种结合深度堆栈编码器和反向传播算法的网络安全态势要素识别方法,通过无监督学习算法逐层训练网络,在此基础上堆叠得到深度堆栈编码器,利用编码器提取数据集特征,实现了网络的无监督训练。仿真实验验证了该方法能有效提升安全态势感知的效能和准确度。