共查询到10条相似文献,搜索用时 15 毫秒
1.
针对传统误差补偿方法用于防空雷达存在适应性和适用性差的问题,构建了一种基于改进粒子群算法优化的BP神经网络,能够更稳定、更精确地估计雷达误差,并补偿雷达量测值,从而更好地提高雷达的探测精度。首先,引入收敛因子以及动态自适应调节惯性权重,提高粒子群算法的全局寻优能力与收敛速度;其次,将改进的粒子群算法用于优化BP神经网络的初始权值和阈值,提高BP神经网络的估计精度,缩短训练时间。采用某雷达的实测数据进行仿真验证,结果表明,补偿后的距离、方位角、俯仰角的精度和误差起伏性均有大幅改善,与传统方法相比补偿效果更好,工程应用性和推广应用性更强。 相似文献
2.
粒子群算法优化神经网络结构的研究 总被引:1,自引:0,他引:1
针对BP神经网络初始权阈值确定的随机性和隐含层节点数的不确定性,通过利用十进制粒子群优化算法(DePSO)和二进制粒子群优化算法(BiPSO),同时优化神经网络的初始权阈值和结构。通过粒子群优化算法首先确定一个较好的搜索空间,然后在这个解空间里利用BP算法对网络进行训练和学习,搜索出最优解。通过函数拟合数值实验对该模型来进行训练和测试,相比其他算法,该模型可以获得较高的预测精度,结果表明该方法是可行的。 相似文献
3.
混合粒子群算法优化神经网络的研究 总被引:1,自引:1,他引:0
针对BP神经网络初始权阈值的确定所具有的随机性和各个隐含层神经元数的不确定性,通过利用混合粒子群优化算法来同时优化神经网络的初始权阈值和结构.首先通过混合粒子群优化算法来确定一个较好的搜索空间,然后在这个解空间里再通过BP算法对网络进行训练和学习,搜索出最优的网络结构和权阈值.通过Iris模式分类、Wine模式分类问题和广义异或问题来对该模型进行训练和测试,相比遗传算法等其他算法,该模型可以获得更高的正确识别率,结果表明此方法是可行的. 相似文献
4.
5.
针对常规BP神经网络预测模型存在的预测精度低、收敛速度慢等问题,给出一种蚁群优化BP神经网络预测模型,用于政务云的网络安全态势预测。同时,对蚁群算法的信息素更新规则进行改进,并将改进后的蚁群算法应用于BP神经网络权值和阈值的优化,得到BP神经网络预测模型的最优权值和阈值,并将最优权值和阈值用于BP神经网络训练和预测。实验仿真结果表明,与传统BP神经网络安全预测模型相比,采用优化后的模型进行网络安全态势预测时,其收敛速度和预测精度都得到了明显的提高。 相似文献
6.
7.
8.
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。 相似文献
9.