基于灰狼算法与小波神经网络的目标威胁评估

被引：28

作者：

傅蔚阳 ^{[1
]}

刘以安 ^{[1
]}

薛松 ^{[2
]}

机构：

[1] 江南大学物联网工程学院

[2] 中国船舶重工集团公司第七研究院电子部

来源：

浙江大学学报(工学版) | 2018年 / 52卷 / 04期

关键词：

目标威胁评估; 灰狼优化算法(GWO); 小波神经网络; 反向学习策略(OBL); 神经网络;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

为了提高目标威胁度评估的精确度,建立反向学习灰狼算法(OGWO)优化小波神经网络的目标威胁评估模型(OGWO-WNN),提出基于该模型的算法.该模型使用反向学习策略(OBL)优化灰狼算法(GWO),通过改进后的灰狼算法优化小波神经网络的各权值和小波基函数的平移因子与伸缩因子,使优化后的小波神经网络能够对威胁度测试样本集作更好的预测.实验结果显示,采用反向学习灰狼算法能够更好地优化小波神经网络的权值与平移、伸缩因子,使建立的小波神经网络目标威胁评估模型具有更高的预测精度和更强的泛化能力,能够精准、有效地实现目标威胁评估.

引用

页码：680 / 686

页数：7

共 10 条

[1]

Potential application of wavelet neural network ensemble to forecast streamflow for flood management.[J].K.S. Kasiviswanathan;Jianxun He;K.P. Sudheer;Joo-Hwa Tay.Journal of Hydrology.2016,

[2]

Opposition-based krill herd algorithm with Cauchy mutation and position clamping.[J].Gai-Ge Wang;Suash Deb;Amir H. Gandomi;Amir H. Alavi.Neurocomputing.2016,

[3]

Grey Wolf Optimizer.[J].Seyedali Mirjalili;Seyed Mohammad Mirjalili;Andrew Lewis.Advances in Engineering Software.2014,

[4]

基于SAPSO优化灰色神经网络的空中目标威胁估计 [J].