CN107491831A - 一种多监视区域下自适应终止的mimo雷达优化布站方法 - Google Patents
一种多监视区域下自适应终止的mimo雷达优化布站方法 Download PDFInfo
- Publication number
- CN107491831A CN107491831A CN201710553909.3A CN201710553909A CN107491831A CN 107491831 A CN107491831 A CN 107491831A CN 201710553909 A CN201710553909 A CN 201710553909A CN 107491831 A CN107491831 A CN 107491831A
- Authority
- CN
- China
- Prior art keywords
- particle
- dominant
- population
- iteration
- external archive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种多监视区域下自适应终止的MIMO雷达优化布站方法,属于多输入多输出雷达布站技术领域。本发明包括以下步骤:S1、采用PSO算法初始化粒子群,并构建存储非支配粒子的外部档案集;S2、确定全局最优粒子,更新粒子群,获取非支配粒子群;S3、计算相邻代间的间隔距离,根据迭代终止准则判断迭代优化是否终止;S4、获取非支配粒子群并选取布站方案。本发明可以在提升多监视区域监视性能的前提下,在获得最佳优化效果的同时自适应终止迭代计算过程,可以有效减少时间和计算资源的浪费,快速获得雷达优化布站结果。
Description
技术领域
本发明属于多输入多输出雷达布站技术领域,具体涉及一种多监视区域下自适应终止的MIMO雷达优化布站方法。
背景技术
多输入多输出(Multi-Input Multi-Output,MIMO)雷达组网系统利用多部空间位置相互分离而覆盖范围互相重叠的雷达的观测和判断,来对监视区域实施搜索、跟踪、识别目标。合理地进行雷达组网布站,能够使雷达系统对监视区域的监视能力发生质的飞跃。因此,研究雷达天线的最优布站位置就显得极为重要。
对于MIMO雷达的优化布站问题的研究,国内外研究机构已提出诸多解决方法。例如,A.M.Haimovich通过分割天线的布站区域,提出一种连续穷举法(SEE)来解决这种问题,然而,这种方法往往存在极大的计算量,在实际应用中难以实现。另外,电子科技大学的杨益川通过采用粒子群优化算法(PSO)来对雷达位置进行优化调整。但目前的方法仅仅考虑了单个监视区域,且忽视了方法中存在的大量时间和计算资源被浪费的现象。目前终止雷达优化布站算法的主要方式是设置一个终止迭代次数,在优化方法的计算过程中,如果当前的迭代次数达到预设的终止迭代次数时就终止计算。然而终止迭代次数往往是难以确定的,如果该值设置得过小,计算过程就会过早地终止,无法获得最优的雷达优化布站效果;如果该值设置得过大,即使已经获得预期的优化效果,依然持续迭代计算,此时就会浪费大量的时间和计算资源。综上,如何在获得预期的雷达优化布站结果后就自适应终止雷达优化布站方法,成为雷达优化布站的重点问题。从公开发表的文献资料来看,目前还没有有效解决这种自适应终止问题的终止准则和方法。因此,研究一种可自适应终止的MIMO雷达优化布站方法在雷达多区域监视中又重要的实际应用价值。
发明内容
本发明的发明目的在于:针对现有技术中缺少一种在获得雷达优化布站结果的同时能自适应终止的雷达优化布站方法的技术问题,提出了一种多监视区域下自适应终止的MIMO雷达优化布站方法。
本发明的技术方案为:一种多监视区域下自适应终止的MIMO雷达优化布站方法,包括以下步骤:
S1、采用PSO算法初始化粒子群,并构建存储非支配粒子的外部档案集:
S11、在布站区域内随机分配每个粒子的位置,得到粒子的初始位置,其中每个粒子表示一种潜在的布站方案;
S12、基于预设的关于粒子位置的目标函数分别计算每个粒子的目标函数值,其中M表示目标函数维数;
S13、将每个粒子的初始位置作为其个体最优位置并将每个粒子的目标函数值作为其个体最优值,其中i为粒子标识符;
S14、新建用于存储非支配粒子的外部档案集,并从初始化后的粒子群中挑选出互不支配的粒子存储到外部档案集中;
S2、确定全局最优粒子,更新粒子群,获取非支配粒子群:
S21、随机从外部档案集中挑选一个粒子作为全局最优粒子,并将所述全局最优粒子的位置作为全局最优位置
S22、在每一个迭代周期t内更新所有粒子的速度和位置,其中各粒子的初始速度、初始位置均为在一定范围内的随机值,即初始速度、初始位置分别被限制在最大速度Vmax、布站区域内;
S23、基于更新后的速度和位置计算每个粒子的目标函数值,并更新每个粒子的个体最优位置:若当前计算得到的目标函数值大于或等于关于当前个体最优位置的目标函数值,则将更新后的粒子位置作为当前粒子的个体最优位置;否则粒子的个体最优位置保持不变;
S24、更新外部档案集:
基于粒子的当前个体最优位置,查找外部档案集中的支配解并删除;再从当前外部档案集外的粒子中查找与当前外部档案集内的粒子不存在支配关系的粒子,并将不存在支配关系的粒子加入到当前外部档案集中,得到更新后的外部档案集,即第t代非支配粒子群;
S3、计算相邻代间的间隔距离,根据迭代终止准则判断迭代优化是否终止:
S31、根据具体场景设定计算间隔距离的相邻代数h,通常h取5到10之间。
S32、用表示第t代非支配粒子群中的第k个粒子的位置,其中1≤k≤K(t),K(t)为第t代非支配粒子群中的粒子数目;从第(t-h)代非支配粒子群中,将被粒子所支配的粒子存储到支配外部集Πk中;
S33、对第t代非支配粒子群中的每一个粒子计算到Πk中每个粒子(i为Πk中的粒子区别符)的欧几里得距离,并将最小值作为粒子的相对距离若Πk为空集,则令为0;
S34、由K(t)个相对距离中的非0值均值得到第t代到第(t-h)代的迭代间隔距离Ψ(t);
S35、判断是否满足|Ψ(t)-Ψ(t-h)|≤Δ,若是,则执行步骤S4;否则执行步骤S2;其中Δ表示预设的迭代收敛门限;
S4、获取非支配粒子群并选取布站方案。
综上所述,由于采用了上述技术方案,本发明的有益效果是:本发明可以在提升多监视区域监视性能的前提下,在获得最佳优化效果的同时自适应终止迭代计算过程,可以有效减少时间和计算资源的浪费,快速获得雷达优化布站结果。
附图说明
图1为本发明提供的一种多监视区域下自适应终止的MIMO雷达优化布站方法流程图。
图2为本发明步骤S2的分步骤流程图。
图3为本发明步骤S3的分步骤流程图。
图4为本发明步骤S4的分步骤流程图。
图5为迭代间隔距离计算方法示意图。
图6为本发明实施例的仿真场景示意图。
图7为间隔距离和迭代次数的仿真示意图。
图8为监视性能和迭代次数的仿真示意图。
图9为自适应终止优化布站和随机布站得到的监视区域性能对比图,其中9-a为本发明的自适应终止优化布站下的监视效果图;9-b为随机布站下的监视效果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式和附图,对本发明作进一步地详细描述。
本发明所采用的技术方案是基于分布式MIMO雷达,使用多目标PSO算法和基于间隔距离的迭代收敛准则,在对雷达布站位置进行有效优化的同时,能根据优化结果自适应终止优化计算过程,参见图1~4,具体实现步骤如下:
S1、采用PSO算法初始化粒子群,并构建存储非支配粒子的外部档案集。
如图2所示,该步骤具体包括以下分步骤:
S11、假设粒子群中有N个粒子(每个粒子代表了一种潜在的布站方案),对这些粒子进行初始化,即在布站区域内随机分配每个粒子pi(i=1,2,...,N)的位置Φi。
S12、计算每个粒子的目标函数值,例如对于M维的目标函数来说,则对应的目标函数值可以表示为:
其中。目标函数是基于布站需求所构造的关于粒子的位置的函数。
S13、对于第i个粒子,该粒子的个体最优位置被初始化为其初始位置,并用其目标函数值作为该粒子的个体最优值。
S14、新建用于存储非支配粒子的外部档案集,并从初始化后的粒子群中挑选出互不支配的粒子存储到外部档案集中。
这里支配的定义如下:
设向量u=(u1,...,uk),v=(v1,...,vk),当且仅当ui≤vi,且存在使得uj<vj成立,则称向量u支配向量v。在多目标优化中,被优化的目标往往互相牵制,即意味着一个目标在性能上的提升往往导致其他目标性能上的衰减。因此,通常很难在多目标优化问题中找到一个最优解,所以我们经常寻找一组非支配解集作为最优的折中方案。
本发明中,向量u、v则对应每个粒子的个体最优值,即粒子的M维目标函数值。
S2、确定全局最优粒子,更新粒子群,获取非支配粒子群。
如图3所示,该步骤具体包括以下分步骤:
S21、随机从外部档案集中挑选一个粒子作为全局最优粒子,该粒子的位置将作为全局最优位置
S22、每一个迭代周期t内更新所有粒子的速度和位置,得到更新后的速度位置Φi(t+1),即粒子在下一迭代周期(t+1)内的速度和位置,其中更新公式如下:
式中,w(t)是在每个迭代周期间均会衰减的惯性权重,其迭代公式表示为w(t)=0.9-0.5*(t/Tmax)(其中Tmax是最大迭代次数),c1和c2为加速度常数,r1和r2是在[0,1]内均匀分布的随机实数,和Φi(t)代表第i个粒子在第t个迭代周期内的速度和位置,其中Φi(t)的初始值为随机值,分别被限制在最大速度Vmax和布站区域内,即初始速度、初始位置。粒子的速度均被限制在一个最大速度Vmax内。是第i个粒子的个体最优位置,则表示第i个粒子在当前迭代周期t的当前个体最优位置,即表示第i个粒子到目前为止当前所有迭代周期内产生的最优布站方案,是全局最优布站位置,则表示所有粒子在当前迭代周期t的全局最优位置,即表示所有粒子在到目前为止所有迭代周期内产生的最优布站方案。
S23、基于更新后的速度和位置Φi(t+1)计算每个粒子的目标函数值,得到并更新每个粒子的个体最优位置:
S24、更新外部档案集:
基于更新后的粒子的个体最优位置pid(t+1),查找外部档案集中的支配解并删除;
若当前外部档案集(删除支配解后的)外的粒子与其内的粒子互不支配,则将被加入到当前外部档案集中,以获得更新后的外部档案集,即第t代非支配粒子群。
S3、计算相邻代间的间隔距离,根据迭代终止准则判断算法是否终止。
如图4所示,该步骤具体包括以下分步骤:
S31、根据具体场景设定计算间隔距离的相邻代数h,通常h取5到10之间。
S32、以第t代粒子为例,用表示第t代非支配粒子群中的第k个粒子的位置,其中1≤k≤K(t),K(t)为第t代非支配粒子群中的粒子数目。从第(t-h)代非支配粒子群中,将被粒子所支配的粒子存储到支配外部集Πk中。
S33、对第t代非支配粒子群中的每一个粒子计算到Πk中每个粒子(i为Πk中的粒子区别符)的欧几里得距离,并取最小的距离作为粒子的相对距离可以表示为:
如果不存在被粒子所支配的粒子,则设为0。
S34、从第t代非支配粒子群中所有粒子的相对距离数据中,剔除所有的0值(避免对数据产生较大的波动),然后计算平均值从而得到第t代到第(t-h)代的迭代间隔距离Ψ(t),可以表示为:
其中Num(t)=K(t)-z,z为相对距离为0的粒子数目。迭代间隔距离的示意图如图5所示。
S35、根据设定的迭代收敛门限,以相邻h代间的间隔距离是否低于迭代收敛门限作为迭代终止准则,判断算法是否收敛,即:
|Ψ(t)-Ψ(t-h)|≤Δ
其中Δ为迭代收敛门限,且可以根据不同的场景进行相对应的设定。
S36、根据迭代终止准则,判断第t代和第(t-h)代的间隔距离是否小于迭代收敛门限,如果准则得到满足即意味着两代间的优化效果已达到收敛标准,即性能不会再有明显地增加,此时可进入S4;否则,说明优化性能仍然有增长的空间,此时可对雷达布站进行持续优化,即回到S2继续进行迭代。
S4、获取非支配粒子群并选取布站方案。
当迭代终止条件得到满足时,存储在外部档案集中的布站方案将会被输出。将外部档案集中的粒子的目标函数投影到空间中时,将会发现所有目标函数值均达到我们满足的条件。同时,需要的时间和计算资源更少。则可以根据不同场景从输出的粒子中选择一个粒子,并采用该粒子的布站方案对天线进行布站。
实施例
本实施例中,布站的场景如图6所示的仿真场景:需要监视两个区域A和B,检测概率门限pdt=0.8,虚警概率pfa=10-6,雷达最大探测距离Rmax=20km,仿真区域是大小为70km×70km的矩形。根据雷达设计要求,每个雷达在一个观测时间内只能发射一个脉冲,同时D0=12.5dB,σm,n=|α|2,α为零均值高斯分布。假设雷达数量J=10,采用监视区域的防空漏洞率作为衡量每个监视区域监视性能的目标函数,可以表示为其中f1(Φ)为监视区域A的目标函数值,f2(Φ)为监视区域B的目标函数值,该目标函数值越小表示区域监视性能越好。在PSO算法中,基本参数S=30,Vmax=4,c1=c2=2,迭代终止准则的门限值为0.005。为了进行结果的比较,本实施例中设定最大迭代次数为700次;为了避免随机参数对PSO算法结果的影响,重复布站过程100次并对最后的输出结果求平均。
基于上述雷达布站和监视的仿真场景,本发明的具体工作流程如下:
(1)利用PSO雷达优化布站算法对雷达布站位置进行迭代优化;
(2)每轮迭代中计算非支配粒子群中的迭代间隔距离,并将其记录保存;
(3)根据迭代间隔距离,通过迭代终止准则判断计算过程是否终止,满足终止条件则输出非支配粒子群中的解作为雷达布站位置,否则继续进行迭代。
不同迭代次数输出的雷达布站位置如图7所示,初始时第10代输出的雷达布站结果的性能最差,随着迭代次数的增加,雷达布站优化性能不断提升。同时,由图可知初始优化性能增加速度较快,之后优化性能提升得越来越慢,最后在400次迭代时候达到性能最优,其优化性能和第700代得到的优化性能几乎相等,近乎没有提升。同时对照图8所示的间隔距离与迭代次数的关系,可知在400代时满足终止准则达到自适应算法终止。图9展示了自适应终止优化布站(9-a)和随机布站(9-b)得到优化性能对比,可知优化布站后区域的防空漏洞率明显高于随机布站得到的漏洞率。综上可见该布站方法既可得到最佳的优化性能,同时避免了时间和计算资源的浪费。
以上所述,仅为本发明的具体实施方式,本说明书中所公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换;所公开的所有特征、或所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以任何方式组合。
Claims (3)
1.一种多监视区域下自适应终止的MIMO雷达优化布站方法,其特征在于,包括下列步骤:
S1、采用PSO算法初始化粒子群,并构建存储非支配粒子的外部档案集:
S11、在布站区域内随机分配每个粒子的位置,得到粒子的初始位置,其中每个粒子表示一种潜在的布站方案;
S12、基于预设的关于粒子位置的目标函数分别计算每个粒子的目标函数值,其中M表示目标函数维数;
S13、将每个粒子的初始位置作为其个体最优位置并将每个粒子的目标函数值作为其个体最优值,其中i为粒子标识符;
S14、新建用于存储非支配粒子的外部档案集,并从初始化后的粒子群中挑选出互不支配的粒子存储到外部档案集中;
S2、确定全局最优粒子,更新粒子群,获取非支配粒子群:
S21、随机从外部档案集中挑选一个粒子作为全局最优粒子,并将所述全局最优粒子的位置作为全局最优位置
S22、在每一个迭代周期t内更新所有粒子的速度和位置;
S23、基于更新后的速度和位置计算每个粒子的目标函数值,并更新每个粒子的个体最优位置:若当前计算得到的目标函数值大于或等于关于当前个体最优位置的目标函数值,则将更新后的粒子位置作为当前粒子的个体最优位置;否则粒子的个体最优位置保持不变;
S24、更新外部档案集:
基于粒子的当前个体最优位置,查找外部档案集中的支配解并删除;再从当前外部档案集外的粒子中查找与当前外部档案集内的粒子不存在支配关系的粒子,并将不存在支配关系的粒子加入到当前外部档案集中,得到更新后的外部档案集,即第t代非支配粒子群;
S3、计算相邻代间的间隔距离,根据迭代终止准则判断迭代优化是否终止:
S31、设置计算间隔距离的相邻代数h;
S32、用表示第t代非支配粒子群中的第k个粒子的位置,其中1≤k≤K(t),K(t)为第t代非支配粒子群中的粒子数目;从第(t-h)代非支配粒子群中,将被粒子所支配的粒子存储到支配外部集Πk中;
S33、对第t代非支配粒子群中的每一个粒子计算到Πk中每个粒子(i为Πk中的粒子区别符)的欧几里得距离,并将最小值作为粒子的相对距离若Πk为空集,则令为0;
S34、由K(t)个相对距离中的非0值均值得到第t代到第(t-h)代的迭代间隔距离Ψ(t);
S35、判断是否满足|Ψ(t)-Ψ(t-h)|≤Δ,若是,则执行步骤S4;否则执行步骤S2;其中Δ表示预设的迭代收敛门限;
S4、获取非支配粒子群并选取布站方案。
2.如权利要求1所述的方案,其特征在于,所述步骤S31中,h的取值范围为:[5,10]。
3.如权利要求1所述的方法,其特征在于,所述S22中,在每一个迭代周期t内更新所有粒子的速度和位置具体为:
根据公式得到粒子更新后的速度
再根据公式得到粒子更新后的位置Φi(t+1);
其中Φi(t)表示在第t个迭代周期内第i个粒子在更新前的速度、位置,Φi(t)的初始值为粒子的初始速度、初始位置;
表示第i个粒子在当前迭代周期t的当前个体最优位置,表示所有粒子在当前迭代周期t的全局最优位置;
w(t)是在每个迭代周期间均会衰减的惯性权重,其迭代公式表示为w(t)=0.9-0.5*(t/Tmax),其中Tmax是最大迭代次数;c1和c2为加速度常数,r1和r2是在[0,1]内均匀分布的随机实数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710553909.3A CN107491831A (zh) | 2017-07-09 | 2017-07-09 | 一种多监视区域下自适应终止的mimo雷达优化布站方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710553909.3A CN107491831A (zh) | 2017-07-09 | 2017-07-09 | 一种多监视区域下自适应终止的mimo雷达优化布站方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107491831A true CN107491831A (zh) | 2017-12-19 |
Family
ID=60644639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710553909.3A Pending CN107491831A (zh) | 2017-07-09 | 2017-07-09 | 一种多监视区域下自适应终止的mimo雷达优化布站方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107491831A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460597A (zh) * | 2020-04-02 | 2020-07-28 | 电子科技大学 | 一种基于改进的多目标粒子群优化算法的雷达布站方法 |
CN113240065A (zh) * | 2021-04-30 | 2021-08-10 | 西安电子科技大学 | 基于改进粒子群优化算法的无源雷达布站方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064071A (zh) * | 2012-10-25 | 2013-04-24 | 西安电子科技大学 | 基于稀疏分解的雷达目标属性散射中心特征提取方法 |
CN106096791A (zh) * | 2016-06-24 | 2016-11-09 | 电子科技大学 | 一种多监视区域下的mimo雷达偏好优化布站方法 |
-
2017
- 2017-07-09 CN CN201710553909.3A patent/CN107491831A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064071A (zh) * | 2012-10-25 | 2013-04-24 | 西安电子科技大学 | 基于稀疏分解的雷达目标属性散射中心特征提取方法 |
CN106096791A (zh) * | 2016-06-24 | 2016-11-09 | 电子科技大学 | 一种多监视区域下的mimo雷达偏好优化布站方法 |
Non-Patent Citations (4)
Title |
---|
JUNLI LIANG 等: "Robust MIMO radar target localization via nonconvex optimization", 《SIGNAL PROCESSING》 * |
QIAN HE 等: "Target Velocity Estimation and Antenna Placement for MIMO Radar With Widely Separated Antennas", 《JOURNAL OF SELECTED TOPICS IN SIGNAL PROCESSING》 * |
施荣华 等: "基于粒子群−遗传混合算法的MIMO雷达布阵优化", 《中南大学学报(自然科学版)》 * |
梁家栋 等: "多监视区域偏好可控的MIMO雷达优化布站算法", 《现代雷达》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460597A (zh) * | 2020-04-02 | 2020-07-28 | 电子科技大学 | 一种基于改进的多目标粒子群优化算法的雷达布站方法 |
CN111460597B (zh) * | 2020-04-02 | 2023-04-07 | 电子科技大学 | 一种基于改进的多目标粒子群优化算法的雷达布站方法 |
CN113240065A (zh) * | 2021-04-30 | 2021-08-10 | 西安电子科技大学 | 基于改进粒子群优化算法的无源雷达布站方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | Fast and accurate detection of banana fruits in complex background orchards | |
KR102336295B1 (ko) | 적응적 프루닝 및 가중치 공유를 사용하는 컨볼루션 신경망 시스템 및 그것의 동작 방법 | |
CN106096791A (zh) | 一种多监视区域下的mimo雷达偏好优化布站方法 | |
CN107491831A (zh) | 一种多监视区域下自适应终止的mimo雷达优化布站方法 | |
CN103747537B (zh) | 一种基于熵度量的无线传感器网络离群数据自适应检测方法 | |
CN110083971A (zh) | 一种基于作战推演的自爆式无人机集群作战兵力分配方法 | |
CN110376544B (zh) | 一种基于定位精度贡献度的uhf rfid阵列天线优化部署方法 | |
CN103077125A (zh) | 一种高效利用存储空间的自适应自组织塔式缓存方法 | |
CN109818361A (zh) | 一种输电网中基于网损灵敏度的储能选址方法 | |
CN111932012B (zh) | 储能系统-分布式电源-电容器综合控制无功优化方法 | |
CN106952232B (zh) | 一种基于蚁群算法的图文碎片恢复方法 | |
CN117077041B (zh) | 基于物联网的智慧社区管理方法及系统 | |
CN104504424B (zh) | 基于多种群共生进化的射频识别网络布局优化方法 | |
Jiang et al. | An improved ant colony clustering algorithm | |
Li et al. | Detecting Plant Leaves Based on Vision Transformer Enhanced YOLOv5 | |
CN108256696A (zh) | 一种结合状态预测和粒子群优化的组网雷达天线配置方法 | |
Zhang et al. | Optimal design of fragment-type antenna structure based on PSO-CNN | |
CN116261149A (zh) | 一种无线传感器网络中传感器节点的部署方法及系统 | |
CN109190493A (zh) | 图像识别方法、装置及机器人视觉系统 | |
Wang et al. | Research on path planning of cleaning robot based on an improved ant colony algorithm | |
CN103902982B (zh) | 一种基于软分配BoF的目标跟踪方法 | |
CN109784468B (zh) | 基于psoa算法的通航物流配载效能优化方法 | |
Changxing et al. | Research on wireless sensor network coverage based on improved particle swarm optimization algorithm | |
Mu et al. | Battery Management for Warehouse Robots via Average-Reward Reinforcement Learning | |
CN107705325A (zh) | 一种基于记忆和多特征融合的目标跟踪方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171219 |
|
RJ01 | Rejection of invention patent application after publication |