排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
目标威胁评估是协同目标攻击中的关键问题.为提高空战目标威胁评估的准确性和实用性,建立了Elman-AdaBoost强预测器目标威胁评估模型及算法.首先,介绍了Elman-AdaBoost强预测器;其次,建立了Elman-AdaBoost强预测器目标威胁评估模型;最后,提出了基于Elman-AdaBoost强预测器目标威胁评估模型的算法.采集75组数据用于实验,其中60组作为训练集,15组作为测试集.分别选择Elman网络隐层节点数L=7,11,14,18和弱预测器数目K=6,10,16,20进行实验,结果表明,Elman-AdaBoost强预测器算法预测误差远小于弱预测器且在L=7和K=6时误差达到最小.Elman-AdaBoost强预测器目标威胁评估模型和算法具有很好的预测能力,可以快速、准确地完成作战目标威胁评估. 相似文献
2.
测试点优化选择是复杂装备测试性设计的重要环节,本文提出一种用于解决测试点优化选择问题的离散萤火虫算法(DFA)。首先建立了测试点优化选择问题的数学模型,接着对传统的萤火虫算法(FA)进行了离散化改进,给出了离散化萤火虫算法的实施步骤,并分析了不同的吸引度函数和二值化函数(sigmoid和tanh函数)对算法结果的影响。最后针对5个不同规模的实际系统验证了离散萤火虫算法的有效性,并与粒子群算法(PSO)和遗传算法(GA)等传统的元启发式搜索算法的计算性能进行了比较分析。结果显示:在满足系统要求的故障检测率和故障隔离率的前提下,利用本文提出的离散萤火虫算法得到的5个系统测试代价最优值分别比PSO算法和GA算法平均降低了10.1%和14.6%。实验结果表明:离散萤火虫算法能快速收敛到更高质量的全局最优解,避免过早收敛而陷入局部最优值,对于解决大型复杂装备的测试点优化选择问题具有很好的应用前景。 相似文献
3.
4.
为了提高机动车载跟瞄发射系统的瞄准精度,提出在其发射光路中引入快速反射镜来修正发射激光的方向。研究了快速反射镜激光指向修正量和粗红外跟踪脱靶量以及反射镜空间实时绝对角度的关系,结合激光发射光路和红外跟踪光路的结构特点,提出了将船摇坐标变换理论应用到快速反射镜激光指向修正量的解算中。建立了快速反射镜激光指向修正量与粗红外跟踪、快速反射镜空间位置的关系,并通过MATLAB编写了M函数,建立了SIMLINK仿真模型。基于仿真模型得出了激光指向修正量与快速反射镜转角的关系数据以及在快速反射镜工作范围(±6′)内的简化公式。试验结果表明:该解算算法正确,解算精度较高,最大静态解算误差为2.9″;载车在三级公路上以20km/h的速度跑车时,激光指向的控制精度为方位角11.65″、俯仰角15.38″,均满足项目指标要求。 相似文献
5.
基于萤火虫算法优化BP神经网络的目标威胁估计 总被引:4,自引:0,他引:4
在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的目标威胁估计模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于BP和PSO_SVM。该模型和算法具有很好的预测能力,可以快速、准确地完成目标威胁估计。 相似文献
6.
1