积分商城

最新搜索： STM32上实现FFT 电子元器件快速识别与检测 激光 STC单片机原理 GL3510 QCPL-RB5C
您现在的位置是：首页 > 技术资料 > 改进粒子群优化BP神经网络的目标威胁估计
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

改进粒子群优化BP神经网络的目标威胁估计

更新时间：2019-12-30 10:06:37 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：BP神经网络 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

为了提高目标威胁估计精度,提出一种运用改进粒子群算法优化BP神经网络的方法。为了避免陷入局部极值,将变异过程引入粒子群算法中,并对相关参数进行优化,形成改进粒子群算法,对BP神经网络的初始权值和阈值进行优化。利用样本数量不同的训练集对网络进行训练,并用60组测试集数据对网络进行验证。实验结果表明,改进粒子群优化BP神经网络目标威胁估计算法具有更高的预测精度,在训练样本数量较小时能够获得较好的预测能力,可以有效地完成目标威胁估计。


部分文件列表

文件名 大小
改进粒子群优化BP神经网络的目标威胁估计.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
第
卷
第
期
３
（
吉 林 大 学 学 报 工 学 版  
）
４７  
Ｖｏｌ．４７ Ｎｏ．３  
ꢀ ꢀ  
ꢀ
年
月
（
ＪｏｕｒｎａｌｏｆＪｉｌｉｎＵｎｉｖｅｒｓｉｔ Ｅｎｉｎｅｅｒｉｎ ａｎｄＴｅｃｈｎｏｌｏ Ｅｄｉｔｉｏｎ  
ꢀ
）
２０１７  
５
Ｍａ ２０１７  
ｙ
ꢀ
ꢀ
ꢀ ꢀ  
ꢀ
ｙ
ｇ
ｇ
ꢀ
ｇｙ  
ꢀ
改进粒子群优化  
神经网络的目标威胁估计  
ＢＰ  
，
１２  
１
２
２
， ， ，  
郭立红 李 姜 于 洋  
ꢀ ꢀ  
黄 璇  
ꢀ
（ ，  
中国科学院 长春光学精密机械与物理研究所 长春  
１．  
； ，  
中国科学院大学 北京  
１３００３３２．  
）
１０００３９  
： ，  
要 为了提高目标威胁估计精度 提出一种运用改进粒子群算法优化  
摘
神经网络的方  
ＢＰ  
ꢀ
。
， ， ，  
为了避免陷入局部极值 将变异过程引入粒子群算法中 并对相关参数进行优化 形成改  
法
，
进粒子群算法 对  
。
神经网络的初始权值和阈值进行优化 利用样本数量不同的训练集对  
ＢＰ  
，
网络进行训练 并用  
。 ，  
组测试集数据对网络进行验证 实验结果表明 改进粒子群优化  
ＢＰ  
６０  
，
神经网络目标威胁估计算法具有更高的预测精度 在训练样本数量较小时能够获得较好的预  
，
测能力 可以有效地完成目标威胁估计  
。
： ； ；  
关键词 信息处理技术 威胁估计 粒子群优化算法  
；
ＢＰ  
；
神经网络 参数优化  
：
：
Ａ
：
文章编号  
１６７１５４９７２０１７０３０９９６０７  
ꢀꢀ  
（
）
中图分类号  
文献标志码  
ＴＰ３９１．９  
ꢀꢀ  
－
－
－
：
／
ＤＯＩ１０．１３２２９ ．ｃｎｋｉ．ｄｘｂｘｂ２０１７０３０４２  
ｊ
ｊ
ｇ
ＴａｒｅｔｔｈｒｅａｔａｓｓｅｓｓｍｅｎｔｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｏｔｉｍｉｚｅｄ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ｐ
ꢀ
ꢀ
ｇ
ｂ ｍｏｄｉｆｉｅｄ ａｒｔｉｃｌｅｓｗａｒｍｏｔｉｍｉｚａｔｉｏｎ  
ꢀ
ｐ
ꢀ
ｐ
ꢀ
ｙ
ꢀ
，
１２  
１
２
，
ｇ
２
，
，
ＨＵＡＮＧＸｕａｎ ＧＵＯＬｉｈｏｎ ＬＩＪｉａｎ ＹＵ Ｙａｎ  
ｇ
ꢀ
ꢀ
－
ｇ
ꢀ
ꢀ
（
， ， ，  
１．ＣｈａｎｃｈｕｎＩｎｓｔｉｔｕｔｅｏ Ｏ ｔｉｃｓ ＦｉｎｅＭｅｃｈａｎｉｃｓａｎｄ Ｐｈｓｉｃｓ ＣｈｉｎｅｓｅＡｃａｄｅｍ ｏ Ｓｃｉｅｎｃｅｓ Ｃｈａｎｃｈｕｎ１３００３３  
ꢀ
，
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ｇ
ｆ
ｐ
ｙ
ｙ ｆ  
ꢀ ꢀ  
ｇ
ꢀ
； ， ，  
Ｃｈｉｎａ２．Ｕｎｉｖｅｒｓｉｔ ｏ ＣｈｉｎｅｓｅＡｃａｄｅｍ ｏ Ｓｃｉｅｎｃｅｓ Ｂｅｉｉｎ １０００３９Ｃｈｉｎａ  
ꢀ
）
ｙ ｆ  
ꢀ ꢀ  
ｙ ｆ  
ꢀ ꢀ  
ｊ ｇ  
：
（ ）  
ＡｂｓｔｒａｃｔＡｎａｌｏｒｉｔｈｍｆｏｒｔａｒｅｔｔｈｒｅａｔａｓｓｅｓｓｍｅｎｔｂａｓｅｄｏｎＢａｃｋＰｒｏａａｔｉｏｎ ＢＰ ｎｅｕｒａｌｎｅｔｗｏｒｋ  
ꢀ ｇ ꢀ ꢀ ｇ ꢀ ꢀ ꢀ  
ｐｇ  
ꢀ
ꢀ
ꢀ
ꢀ
（
）
ｏｔｉｍｉｚｅｄｂ ＭｏｄｉｆｉｅｄＰａｒｔｉｃｌｅＳｗａｒｍ Ｏ ｔｉｍｉｚａｔｉｏｎ ＭＰＳＯ ｉｓ ｒｏｏｓｅｄｔｏｉｍ ｒｏｖｅｔｈｅ ｒｅｄｉｃｔｉｏｎ  
ꢀｙ ꢀｐ ꢀｐ ｐ ꢀ ꢀ ｐ ꢀｐ  
ｐ
ꢀ
ꢀ
ꢀ
ꢀ
，
ａｃｃｕｒａｃ ｏｆｔａｒｅｔｔｈｒｅａｔ．Ｉｎｔｈｉｓ ＭＰＳＯａｌｏｒｉｔｈｍ ｍｕｔａｔｉｏｎｏｅｒａｔｏｒａｎｄｏｔｉｍｉｚａｔｉｏｎｆｏｒｓｅｖｅｒａｌ  
ｙ ꢀ ｇ ꢀ  
ꢀ ｇ ꢀｐ ꢀｐ  
ꢀ
ꢀ
ꢀ
ꢀ ꢀ  
ꢀ
ａｒａｍｅｔｅｒｓａｒｅｉｎｔｒｏｄｕｃｅｄｉｎ ＰＳＯｔｏａｖｏｉｄｔｈｅ ａｒｔｉｃｌｅ ｌｕｎｉｎ ｉｎｔｏｔｈｅｌｏｃａｌｏｔｉｍｉｚａｔｉｏｎ．Ｔｈｅ  
ｐ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｐ ꢀｐ ｇ ｇ ꢀ ꢀ ꢀｐ  
ꢀ
ＭＰＳＯａｌｏｒｉｔｈｍｉｓｅｍ ｌｏｅｄｔｏｏｔｉｍｉｚｅｔｈｅｉｎｉｔｉａｌｗｅｉｈｔｓａｎｄｔｈｒｅｓｈｏｌｄｓｏｆｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ．  
ꢀ ｇ ꢀ ꢀ ｐ ｙ ꢀ ꢀｐ ꢀ ꢀ ꢀ ｇ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ＴｈｅｎｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｏｔｉｍｉｚｅｄｂ ＭＰＳＯｉｓｔｒａｉｎｅｄｂ ｔｒａｉｎｉｎ ｓｅｔｓｏｆｄｉｆｆｅｒｅｎｔｓａｍ ｌｅｓｉｚｅｓ．  
ꢀ ꢀ ꢀ ꢀ ꢀｐ ꢀｙ ꢀ ꢀ ꢀｙ ꢀ ꢀ ꢀ  
ｇ ｐ ꢀ  
ꢀ
ꢀ
ꢀ
６０ｓｅｔｓｏｆｔａｒｅｔｔｈｒｅａｔｄａｔａａｒｅａｄｏｔｅｄｔｏｔｅｓｔｔｈｅ ｅｒｆｏｒｍａｎｃｅｏｆ ＭＰＳＯＢＰｉｎｔａｒｅｔｔｈｒｅａｔ  
ꢀ ꢀ ｇ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀｐ ꢀ ꢀ － ꢀ ꢀ ｇ ꢀ  
ｐ
ｒｅｄｉｃｔｉｏｎ．Ｅｘｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗ ｔｈａｔｔｈｅ ｒｅｄｉｃｔｉｏｎ ａｃｃｕｒａｃ ｏｆｔａｒｅｔｔｈｒｅａｔａｓｓｅｓｓｍｅｎｔ  
ｇ ꢀ  
ꢀ ꢀ ꢀ ꢀｐ ꢀ ꢀ  
ｐ
ｐ
ꢀ
ｙ
ꢀ
ꢀ
，
ａｌｏｒｉｔｈｍｂａｓｅｄｏｎＭＰＳＯＢＰｉｓｈｉｈｅｒｔｈａｎｔｈａｔｂａｓｅｄｏｎｓｏｍｅｔｒａｄｉｔｉｏｎａｌａｌｏｒｉｔｈｍｓ ｗｈｉｃｈ ｒｏｖｅｓ  
ꢀ ꢀ ꢀ ꢀ ｇ ꢀ ꢀ ꢀ ｇ ꢀｐ  
ｇ
ꢀ
－
ꢀ
ꢀ
ꢀ
ꢀ
ｔｈｅｅｆｆｉｃｉｅｎｃ ｏｆｔｈｅ ｒｏｏｓｅｄａｌｏｒｉｔｈｍｉｎｓｏｌｖｉｎ ｔａｒｅｔｔｈｒｅａｔａｓｓｅｓｓｍｅｎｔ ｒｏｂｌｅｍｉｎｓｉｔｅｏｆｔｈｅ  
ｇ ꢀ  
ꢀ ｇ ꢀ ꢀ ꢀ ꢀｐ  
ꢀ
ｙ ꢀ ꢀｐ ｐ  
ꢀ
ｇ
ꢀ
ꢀ ꢀｐ ꢀ ꢀ  
ｓｍａｌｌｓａｍ ｌｅｓｉｚｅｏｆｔｒａｉｎｉｎ ｓｅｔ．  
ꢀ
ｐ ꢀ ꢀ ꢀ ｇ  
ꢀ
： ； ； （  
Ｋｅ ｗｏｒｄｓｉｎｆｏｒｍａｔｉｏｎ ｒｏｃｅｓｓｉｎ ｔｅｃｈｎｏｌｏ ｔｈｒｅａｔａｓｓｅｓｓｍｅｎｔ ａｒｔｉｃｌｅｓｗａｒｍｏｔｉｍｉｚａｔｉｏｎ ＰＳＯ  
ꢀ
）
ꢀｐ  
ｇ
ꢀ
ｇｙ  
ｐ
ꢀ
ꢀｐ  
ｙ
ꢀ
；
；
ａｌｏｒｉｔｈｍ ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ ａｒａｍｅｔｅｒｏｔｉｍｉｚａｔｉｏｎ  
ｐ
ｇ
ꢀ
ꢀ
ꢀｐ  
：
收稿日期  
２０１６０１１５．  
－ －  
：
基金项目 国家自然科学基金项目  
（ ）  
６１２０５１４３ ．  
：
作者简介 黄璇  
（
１９８８  
）， ， ：  
男 博士研究生 研究方向 多源引导信息融合  
．Ｅ ｍａｉｌｈｕａｎｘｕａｎ ｃｅｒｅｉ．ｂｉｚ  
ｇ ｐ  
－ ＠  
：
．
：
通信作者 郭立红  
（
１９６４  
）， ，  
女 研究员 博士 研究方向 光电对抗装备总体设计  
．Ｅ ｍａｉｌ ｕｏｌｈ ｃｉｏｍ ．ａｃ．ｃｎ  
－ ＠  
ｐ
，
：
：
．
ｇ
·
·
， ：  
璇 等 改进粒子群优化  
９９７  
第
期
黄
神经网络的目标威胁估计  
ＢＰ  
３
ꢀ
，
假设在 维空间中 种群  
Ｓ
（ ， ，…，  
Ｘ Ｘ  
２
Ｘ
＝
１
引 言  
ꢀ ꢀ  
０
） 。  
中的每一项代表一个粒子 各项有其相应的  
Ｘ
ｎ
，
，
位置 即优化问题的一个可能的解 用 维向量  
Ｓ
，
对敌方目标进行威胁估计 主要是对其杀伤  
Ｔ
， ，…，  
ｘ１ ｘ２ ｘ  
ｉＳ  
）
（
ｉ
，，…， ） ，  
来表示  
ｎ
。
能力和威胁程度进行估计 威胁估计在信息融合  
Ｘｉ  
１２  
＝
＝
ｉ
ｉ
（
Ｔ
，
模型中处于第 级 对于估计作战事件出现的严  
３
， ，…，  
ｖ１ ｖ２ ｖ  
ｉＳ  
）
。
根据目标函数可  
其速度  
Ｖ
ｉ
＝
ｉ
ｉ
（
。 ，  
以计算其适应度 迭代时有两个主要的依据 一  
，
重程度有重要作用 为决策和指挥提供支持  
。
目
［］  
１
、
Ｔ
，
，…，  
Ｐ
ｉＳ  
）
，
表 示某  
个是个体极值  
前常用的目标威胁估计方法包括  
推理  
Ｐ
ｉ
Ｐ
ｉ１  
（
Ｐ
Ｂａｅｓ  
ｙ
＝
ｉ２  
［］  
２
、
［］  
３
、
［］  
４
、
支持  
一个体在迭代历史中的得到其最优适应度时所在  
直觉模糊集  
层次分析法  
集
Ｖａｕｅ  
ｇ
［ ，］  
５６  
。
向量机等  
近年来 智能技术 特别是神经网络技术在控  
；
的 位 置 另 一 个 是 全 局 极 值  
Ｐ
＝
ｇ
Ｔ
，
Ｐｇ１ Ｐｇ２  
（
，…，  
ＰｇＳ  
，
表 示 全 体 在 迭 代 历 史 中 得  
，
，
）
［ ，］  
７８  
［］  
９
图像处理 等领域得到了广泛应用 文献  
。
到最优适应度时所在的位置 迭代时粒子的速度  
、
。
制
（）（）  
按照式 进行更新  
１ ２  
：
［ ］  
成功地将  
１０  
（
ＢＰ Ｂａｃｋ ｒｏａａｔｉｏｎ  
ꢀｐ ｐｇ  
）
和位置可以根据  
和
Ｐ
ｇ
神经网络应  
Ｐ
ｉ
ｋ １  
＋
ｋ
ｋ
ｋ
（
ｃｒ Ｐ  
１
）
＋
。 ，  
用于目标威胁估计之中 但是 神经网络容易陷  
ｖ
ｖ
＝ω  
ｉ
ｊ
ｘ
－
ｉ
ｊ
＋
ｉ
１
ｉ
ｊ
ｊ
ｋ
ｋ
， 、  
入局部极值 特别是对于处理小样本 高维度问  
（
ｃｒ Ｐ  
ꢀꢀ  
）
（）  
１
ｘ
－
ｉ
ｊ
２
２
ｇｊ  
ｋ １  
＋
ｋ
ｋ １  
＋
， ， 。  
题 其收敛速 度会 变 慢 网 络 性 能 也 会 变 差 此  
（）  
２
ｘ
ｘ
ｖ
＋
ｉ
ｊ
＝
ｉ
ｉ
ｊ
ｊ
， ，  
外 一旦初始权值和阈值选取不恰当 将使其难以  
：
ｋ
；
代表当前处于第 次迭代 为惯性权重  
ｋ
；
式中  
ω
，
收敛 无法获得较好的预测效果  
。
，，…， ；  
Ｓｃ  
和 分别为局部加速因子和全  
ｃ
２
１２  
＝
ｊ
１
ｋ
（
，
粒子 群 优 化  
；
［，］ ；  
间随机数  
ｖ
ω
Ｐａｒｔｉｃｌｅｓｗａｒｍ ｏｔｉｍｉｚａｔｉｏｎ  
ꢀ ꢀｐ  
局加速因子  
和
ｒ
２
为
为粒  
ｉ
ｒ
０１  
１
ｊ
ｋ
ｋ
） ，  
算法是一种较新的群智能优化算法 可以对  
；
（
ｃｒ Ｐ  
１
）
为粒子对自身实力  
ｘ
－
ｉ
ｊ
ＰＳＯ  
子的惯性行为  
１
ｉ
ｊ
ｋ
ｋ
，
各种连续和离散问题的参数进行寻优操作 具有  
；
（
ｃｒ Ｐ  
２
）
为粒子对周围环  
ｘ
－
ｉ
ｊ
进行认知的行为  
２
ｇｊ  
［
］
１１  
、
参 数 辨  
、 ，  
精度 高 收 敛 快 的 特 点 在 目 标 跟 踪  
。
境进行认知的行为  
［
］
１２  
、
［ ］  
１３  
。
等 领 域 有较好 的 应 用 然 而  
识
信号处 理  
粒子根据自身和全局的经验向最优位置搜索  
，
算法也具有容易陷入局部最优解的缺点 导  
ＰＳＯ  
致经过寻优获得的参数在处理  
。
移 动 迭 代 时 需 保 证  
，
ｘｍｉｎ ｘｍａ ｖ  
ｘ
，
］
ｘ
∈
∈
［
网络小样本训  
，
ｍｉｎ ｖ  
ｍａｘ  
。
］
ＢＰ  
练问题时可能还不如未经优化的网络  
为解决 算法容易陷入局部极值的问题  
ｖ
［
。
、 ，  
算法使用简单 寻优速度较快 但  
基本  
ＰＳＯ  
同时也存在如下问题  
，
：
ＰＳＯ  
，
算法的相关参数进行改进 并引入变  
本文对  
（） ： ，  
局部极值问题 算法迭代时 所有粒子都  
１
ＰＳＯ  
，
异 运 算 形 成 改 进 的 粒 子 群 优 化  
（
Ｍｏｄｉｆｉｅｄ  
， ，  
向当前最优解移动 种群搜索空间不断缩小 形成  
［
］
１５  
，
，
ａｒｔｉｃｌｅｓｗａｒｍ ｏｔｉｍｉｚａｔｉｏｎ ＭＰＳＯ  
ꢀｐ  
） ，  
算 法 以 此  
粒子种群快速趋同效应  
但是此时的最优位置  
ｐ
ꢀ
（
神 经 网 络  
ＢＰｎｅｕｒａｌ  
建立 改 进 粒 子 群 优 化  
，
可能只是某一局部搜索空间里的最优位置 搜索  
ＢＰ  
ꢀ
，
ｎｅｔｗｏｒｋｏｔｉｍｉｚｅｄｂ ｍｏｄｉｆｉｅｄＰＳＯ ＭＰＳＯＢＰ  
ꢀｐ ꢀｙ  
）
， ，  
陷入局部极值之中 导致早熟收敛 失去粒子之间  
ꢀ
－
ꢀ
。 ，  
算法 运用个体粒子代表网络的权值和阈值 以  
。
所需要保持的多样性  
，
网络 的 预 测 误 差 作 为 个 体 粒 子 的 适 应 度 通 过  
（） ： ，  
收敛精度问题 粒子在搜索移动时 受惯  
２
ｋ
， ，  
算法对粒子进行寻优 得到最 优 解 并 以  
， ，  
的影响 当惯性因子较大时 粒子的收  
性行为  
ＭＰＳＯ  
ｖ
ω
ｉ
ｊ
。 ，  
神经网络 最后 采集样本数量不  
此来构造  
，
敛速度会很快 但当粒子靠近最优解时又会受到  
ＢＰ  
同的 目 标 威 胁 估 计 训 练 集 对  
进 行 训  
，
高惯性权重的影响而不能精细地搜索 使得收敛  
ＭＰＳＯＢＰ  
－
， ，  
练 运用测试集数据验证网络的预测性能 并与  
。
精度不高  
基本  
、
ＢＰ ＰＳＯＢＰ  
－
。
算法的性能进行比较  
算法的这些问题会导致当训练样  
ＰＳＯ  
，
本数较低时 对网络进行优化后的预测误差甚至  
粒子群优化算法  
１
ꢀ
。 ，  
会大于未经过优化的 因此 为了提高预测精度  
，
，
使其能在小样本训练中发挥作用 需对  
基本粒子群优化算法  
算法  
１．１  
ＰＳＯ  
ꢀ
［
］
１４  
，
算法 是一种经典的群智能算法 由以  
。
进行改善  
改进粒子群优化算法  
１．２  
ꢀ
ＰＳＯ  
：
；
②
；
适应度计算 极值  
③
下
部分构成  
初始化  
４
①
；
④
。
，
局部极值的产生 是基本  
更新  
位置和速度更新  
算法在迭代更  
ＰＳＯ  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号