共查询到10条相似文献,搜索用时 46 毫秒
1.
2.
基于云粒子群算法的船舶纵摇运动参数辨识 总被引:1,自引:1,他引:0
《舰船科学技术》2014,(7):37-40
提出一种基于云粒子群优化算法的船舶纵摇运动参数辨识方法。该方法利用正态云发生器自适应调整粒子群算法的惯性权重,并在算法进化过程中对粒子位置进行基于云模型的变异操作,可以很好地解决算法早熟收敛的缺点,能够提高算法的收敛精度和收敛速度。应用该算法对船舶纵摇有关运动参数进行辨识,辨识结果在可以接受的范围之内。 相似文献
3.
4.
5.
《江苏科技大学学报(社会科学版)》2017,(4)
针对机会阵雷达阵列分布随机性所带来的高旁瓣问题,本文基于一种新兴的群体迭代启发式风驱动优化,提出了一种具有最小阵元间距约束的直线型机会阵雷达波束形成方法.首先建立了信号模型和目标优化函数,然后将初始种群限定在去除阵元间距后的阵列孔径中,优化最大旁瓣电平.仿真表明:与传统粒子群算法和遗传算法相比,在满足最小间距的约束条件下,所提算法具有更低的旁瓣电平. 相似文献
6.
7.
8.
《舰船科学技术》2021,(13)
在声呐、雷达等设备的目标探测中,声源方位估计是需要解决的关键问题之一。针对水下传感器阵列接收信号的波达方向角(DOA)估计算法中,传统的BP神经网络算法会因网络参数不合理和层数过多导致过拟合的问题,以往通过粒子群算法(PSO)进行优化后,网络仍容易过早结束训练而导致性能不佳。为此,本文提出一种基于变分模态分解结合粒子群算法优化后的BP神经网络算法。首先对目标回波信号进行可变模态分解,对分解得到的各分量进行时频分析后叠加的谱图特征作为经粒子群算法优化后的BP神经网络算法的输入进行训练测试,以此来提高阵元接收目标回波的DOA估计精度。仿真实验结果表明,结合变分模态分解及粒子群算法优化的BP神经网络具有更好的识别效果和泛化能力,提高了DOA的估计精度。 相似文献
9.
针对传统多层随机神经网络性能不稳定问题,提出了一类利用粒子群优化算法来优化各层权值的深度随机网络方法.该方法利用粒子群优化算法,结合网络的输入输出灵敏度信息,逐层对自动编码器的输入层权值进行优化,通过改善自动编码器的性能来改善多层随机神经网络的性能.最后利用粒子群优化方法,对整个网络的权值作适当优化,进一步提高深度随机神经网络的性能.相对于传统深度学习算法,该方法在保持收敛精度的基础上降低了时间开销;相对于传统深度随机神经网络,该方法在增加时间开销基础上提高了收敛精度,从而较好地平衡了时间复杂度和收敛精度. 相似文献