CN108631817A - 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 - Google Patents
一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 Download PDFInfo
- Publication number
- CN108631817A CN108631817A CN201810442971.XA CN201810442971A CN108631817A CN 108631817 A CN108631817 A CN 108631817A CN 201810442971 A CN201810442971 A CN 201810442971A CN 108631817 A CN108631817 A CN 108631817A
- Authority
- CN
- China
- Prior art keywords
- frequency
- hopping signal
- center
- frequency hopping
- frequency range
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 12
- 230000006870 function Effects 0.000 claims abstract description 28
- 230000001537 neural effect Effects 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000012913 prioritisation Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 241000218228 Humulus Species 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 244000025221 Humulus lupulus Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012038 vulnerability analysis Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/713—Spread spectrum techniques using frequency hopping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Probability & Statistics with Applications (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时频分析和径向神经网络进行跳频信号频段预测的方法,包括如下步骤:一、采用时频分析得到跳频信号的频率以及跳频周期;二、采用RBF神经网络对跳频信号的频段进行预测,选取高斯函数作为RBF神经网络的径向基函数;通过上述优化方案可通过优化学习训练得出RBF神经网络中的中心、宽度及权值,在实际测试数据的时候可将得出的数据继续作为样本输入到网络结构当中,重复上述步骤,这样当测试的数据越多网络的结构更加精确,测量的结果也更加精确。
Description
技术领域
本发明涉及一种基于时频分析和径向神经网络进行跳频信号频段预测的方法。
背景技术
本课题的研究内容是基于时频分析和径向神经网络的频段预测,主要是对在军事领域当中用来通信的跳频信号进行频段预测。
在军事通信中采用跳频技术是为了确保通信的秘密性和抗干扰性。与定频通信相比,跳频通信比较隐蔽也难以被截获。只要对方不清楚载频跳变的规律,就很难截获我方的通信内容。同时,跳频通信也具有良好的抗干扰能力,即使有部分频点被干扰,仍能在其他未被干扰的频点上进行正常的通信。
因此,本实验研究对跳频信号的频段预测。跳频信号的频率受伪随机码控制,伪随机码是具有某种随机序列随机特性的序列码,看似没有任何规律,实则是一种具有循环性质的随机序列,只是循环的位数相当大,从而不易找到。
现有网络脆弱性分析方法往往忽略了节点在网络中的重要性差异以及网络节点之间的相互联系,导致预测系统最终得到的输出数据与实际误差较大。
传统的RBF神经网络在解决跳频信号时对全局性的考虑不够充分,导致预测系统容易陷入局部最优解,或者是运算速率较慢,从而得不到准确的频段预测值。
发明内容
本发明提供一种基于时频分析和径向神经网络进行跳频信号频段预测的方法,通过对已知的跳频信号进行时频分析,得出时间--频率的对应关系,将这些数据作为已知输入到RBF神经网络,通过RBF的特点以及学习训练,得出并优化径向基函数的中心,宽度以及输出层与隐层的权值,并通过多个已知输入使得出的隐层结构对将要预测的信号频段更加精准,从而实现对将来信号频段的预测。
本发明提供一种基于时频分析和径向神经网络进行跳频信号频段预测的方法,包括以下步骤:
一、时频分析
时频分析是跳频信号检测的重要工具之一,获得清晰的时频图是跳频信号参数估计和信号分选的前提。首先要在不知道对方跳频图案、跳频集、跳速等参数的情况下通过时频分析获取调频信号的跳频周期、频率和跳速等信息。时频分析过程中,需要构造数学模型,假设天线在一段时间内接收N个信号,绘制信号的时频示意图。因为本实验的目的是为了得到信号的频率,以及信号在每个频率停留的时间也就是跳频周期,所以在时频分析这不需要过多的研究,只需要把所需的信息提取出来就可以。在实验仿真的过程中根据已知的数据这些参数也是可以直接获得的,所以在时频分析这一块所需的分析较少。
二、RBF神经网络
RBF神经网络可以对非线性函数进行线性的逼近,其精确度高,所以本实验采用RBF神经网络对信号的频段进行预测。
选取高斯(Gaussian)函数作为RBF神经网络的径向基函数。因为Gaussian函数从中心到两边单调递减,所以其回应是局部有限的,只有在距离其中心比较近的位置才会有局部响应。高斯函数在RBF神经网络当中类似于生物的神经元也就是上图中隐层的φ(x),最终的输出就是N个高斯函数加权后的线性求和,所以RBF神经网络就把非线性问题转化成了线性问题。下列函数方程即为从输入到输出的映射方程,其中x为输入向量,为上述得到的频率数据,ci(1≤i≤n)为RBF神经网络的中心,范数‖·‖表示欧氏距离,wi(1≤i≤n)为线性求和的权值,wo表示偏差,选择Gaussian函数作为径向基函数φ(·)。
(一)中心c的选取(均值聚类选择优化算法)
在这种学习方法中的中心是可以移动的,并通过自组织学习确定的中心的,中心的选择可以采用可一均值聚类算法。这是一种无监督的学习方法,中心随着样本数变化而变化。具体步骤如下:
①初始化聚类中心ci(1≤i≤n),n的值越大精确度越高,但是运算量就会增大。从输入样本x(1,2…m)中选择个n样本作为聚类中心。(n是预先给定的,根据跳频信号的特点,将n给定为50)
②将输入样本按照最邻近规则分组,将x(1,2…m)分配给中心c;θn为输入样本的聚类集合,并且满足d=dmin=‖xm-ci‖,j为每个聚类集合的元素个数。
③计算每个中心ci的平均距离以及整个系统的平均距离
(每个输入xm对应自己的聚类中心)
④寻找对应的ca,并随机选取另一个中心c’a,如果时,则保留c’a,否则保留ca。
⑤重复步骤③,④,当随机中心c’a恒满足时,说明完成优化,输出聚类中心ci。
(二)RBF网络宽度d表示所有中心的最大距离,N表示的是中心数。
(三)权值计算
利用高斯函数与矩阵结合计算网络的实际输出值^y,y为网络的实际输出值,w为权值,e(t)为误差函数。
利用最小均方算法可以计算成本函数
利用梯度下降法:
并通过上述推到得出最优学习率的概念,计算最优学习率
进一步地,在上述技术方案中,具体步骤如下:
一、通过上述方法确定隐层节点数n,利用k-means均值聚类算法求中心c和宽度σ。设定学习精度rmse*,以及最大迭代次数maxt
二、设置隐层与输出层权值计算E(t)=rmse
三、令η(t)=η*(t),w=w+η(t)φTe(t-1)进行迭代
四、如果rmse≥rmse*或t≤maxt时,重复步骤3,否则停止并输出^y以及t。
发明有益效果
通过上述优化方案可通过优化学习训练得出RBF神经网络中的中心、宽度及权值,在实际测试数据的时候可将得出的数据继续作为样本输入到网络结构当中,重复上述步骤,这样当测试的数据越多网络的结构更加精确,测量的结果也更加精确。
附图说明
图1为本发明方法流程图;
图2为本发明RBF神经网络结构图;
图3为利用传统的RBF神经网络的权值优化所得出的仿真图形;
图4为本发明改进的RBF神经网络预测所得到的仿真分析图。
具体实施方式
下述非限定性实施例可以使本领域的普通技术人员更全面地理解本发明,但不以任何方式限制本发明。
实施例1
一、采用时频分析得到跳频信号的频率以及跳频周期;
二、采用RBF神经网络对跳频信号的频段进行预测,选取高斯函数作为RBF神经网络的径向基函数;
下列函数方程即为从输入到输出的映射方程,其中x为输入向量,为上述得到的频率数据,ci(1≤i≤n)为RBF神经网络的中心,范数‖·‖表示欧氏距离,wi(1≤i≤n)为线性求和的权值,wo表示偏差,选择Gaussian函数作为径向基函数φ(·);
(一)中心c的选取,采用均值聚类选择优化算法
具体步骤如下:
①初始化聚类中心ci(1≤i≤n),从输入样本x(1,2…m)中选择个50样本作为聚类中心;
②将输入样本按照最邻近规则分组,将x(1,2…m)分配给中心c;θn为输入样本的聚类集合,并且满足d=dmin=‖xm-ci‖,j为每个聚类集合的元素个数;
③计算每个中心ci的平均距离以及整个系统的平均距离每个输入xm对应自己的聚类中心;
④寻找对应的ca,并随机选取另一个中心c’a,如果时,则保留c’a,否则保留ca;
⑤重复步骤③,④,,当随机中心c’a恒满足时,说明完成优化,输出聚类中心ci;
(二)RBF网络宽度d表示所有中心的最大距离,N表示的是中心数;
(三)权值计算
利用高斯函数与矩阵结合计算网络的实际输出值^y,y为网络的实际输出值,w为权值,e(t)为误差函数。
利用最小均方算法可以计算成本函数
利用梯度下降法:
并通过上述推到得出最优学习率的概念,计算最优学习率
2、上述基于时频分析和径向神经网络进行跳频信号频段预测的方法,包括如下步骤:
一、通过上述方法确定隐层节点数n,利用k-means均值聚类算法求中心c和宽度σ,设定学习精度rmse*,以及最大迭代次数maxt;
二、设置隐层与输出层权值计算E(t)=rmse;
三、令η(t)=η*(t),w=w+η(t)φTe(t-1)进行迭代;
四、如果rmse≥rmse*或t≤maxt时,重复步骤3,否则停止并输出^y以及t。
图1中,数据流是1000组跳频信号的频率大小;当一组数据完成预测时,下一组数据自动舍弃1000个数的第一个,将第1001个加入到数据中,以此类推,永远保持数据总数不变。
RBF神经网络的结构如图2所示:x是输入层代表信号频率,r是隐含层,数据在这里进行优化学习,也就是上边所写的算法部分,后边是输出层,通过权值w进行连接。通过上述算法优化后得到的输出值与真实值进行误差比较,如果误差没有达到设定目标就继续学习,以此类推,继续迭代,直到达到设定目标方可进行下一步。
通过上述优化方案可通过优化学习训练得出RBF神经网络中的中心、宽度及权值,在实际测试数据的时候可将得出的数据继续作为样本输入到网络结构当中,重复上述步骤,这样当测试的数据越多网络的结构更加精确,测量的结果也更加精确。
图3为利用传统的RBF神经网络的权值优化所得出的仿真图形,可见实际值与预测值误差较大,且运行时间较长。
图4为本发明改进的RBF神经网络预测所得到的仿真分析图,可见误差缩小,并且运行时间较短,可以有效地完成时频分析。本方案利用如下四个评估标准对仿真结果进行分析。
标准分别为:
1、平均绝对误差(MeanAbsolute Error,MAE)可以反映预测值误差的实际情况。
其中Xt为实际值,Ft为预测值,n为样本总数。
2、平均绝对误差率(MeanAbsolute Percentage Error,MAPE)是描述预测和实际误差值的准则,其数学表达式为:
对于MAPE,其数值越接近0,说明预测效果越好。
3、均方根误差(拟合标准差)(Root Mean Squared Error),为预测数据和原始数据对应点误差的平方和的均值。
4、对称平均绝对百分比误差(Symmetrical MeanAbsolute Percentage,SMAPE)。
SMAPE是描述预测和实际的误差值的准则,它的表示为:
取值范围为[0,2),其值越接近0说明预测效果越好,误差越小。
预测结果量化分析
MAE(Hz) | MAPE | RMSE(Hz) | SMAPE | |
传统方案 | 36.2 | 0.1475 | 109.9 | 0.2949 |
改进方案 | 11.7 | 0.0461 | 35.5 | 0.0922 |
Claims (3)
1.一种基于时频分析和径向神经网络进行跳频信号频段预测的方法,包括如下步骤:
一、采用时频分析得到跳频信号的频率以及跳频周期;
二、采用RBF神经网络对跳频信号的频段进行预测,选取高斯函数作为RBF神经网络的径向基函数;
下列函数方程即为从输入到输出的映射方程,其中x为输入向量,为上述得到的频率数据,ci(1≤i≤n)为RBF神经网络的中心,范数‖·‖表示欧氏距离,wi(1≤i≤n)为线性求和的权值,wo表示偏差,选择Gaussian函数作为径向基函数φ(·);
(一)中心c的选取,采用均值聚类选择优化算法
具体步骤如下:
①初始化聚类中心ci(1≤i≤n),从输入样本x(1,2…m)中选择n个样本作为聚类中心;
②将输入样本按照最邻近规则分组,将x(1,2…m)分配给中心c;θn为输入样本的聚类集合,并且满足d=dmin=‖xm-ci‖,j为每个聚类集合的元素个数;
③计算每个中心ci的平均距离以及整个系统的平均距离每个输入xm对应自己的聚类中心;
④寻找对应的ca,并随机选取另一个中心c’a,如果时,则保留c’a,否则保留ca;
⑤重复步骤③,④,,当随机中心c’a恒满足时,说明完成优化,输出聚类中心ci;
(二)RBF网络宽度d表示所有中心的最大距离,N表示的是中心数;
(三)权值计算
利用高斯函数与矩阵结合计算网络的实际输出值^y,y为网络的实际输出值,w为权值,e(t)为误差函数。
利用最小均方算法可以计算成本函数
利用梯度下降法:
并通过上述推到得出最优学习率的概念,计算最优学习率
2.根据权利要求1所述基于时频分析和径向神经网络进行跳频信号频段预测的方法,其特在于包括如下步骤:
一、通过上述方法确定隐层节点数n,利用k-means均值聚类算法求中心c和宽度σ,设定学习精度rmse*,以及最大迭代次数maxt;
二、设置隐层与输出层权值计算E(t)=rmse;
三、令η(t)=η*(t),w=w+η(t)φTe(t-1)进行迭代;
四、如果rmse≥rmse*或t≤maxt时,重复步骤3,否则停止并输出^y以及t。
3.根据权利要求1或3所述基于时频分析和径向神经网络进行跳频信号频段预测的方法,其特在于:①中,n给定为50。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810442971.XA CN108631817B (zh) | 2018-05-10 | 2018-05-10 | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810442971.XA CN108631817B (zh) | 2018-05-10 | 2018-05-10 | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108631817A true CN108631817A (zh) | 2018-10-09 |
CN108631817B CN108631817B (zh) | 2020-05-19 |
Family
ID=63692547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810442971.XA Expired - Fee Related CN108631817B (zh) | 2018-05-10 | 2018-05-10 | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108631817B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859804A (zh) * | 2019-01-10 | 2019-06-07 | 中国石油大学(华东) | 一种基于神经网络的桑黄发酵实验数据优化及预测方法 |
CN112787878A (zh) * | 2019-11-08 | 2021-05-11 | 大唐移动通信设备有限公司 | 一种网络指标的预测方法及电子设备 |
CN113452408A (zh) * | 2021-04-30 | 2021-09-28 | 郑州大学 | 一种网台跳频信号分选方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0574936A2 (en) * | 1992-06-19 | 1993-12-22 | United Parcel Service Of America, Inc. | Method and apparatus for input classification using non-spherical neurons |
CN104932264A (zh) * | 2015-06-03 | 2015-09-23 | 华南理工大学 | 基于rbf网络的q学习框架仿人机器人稳定控制方法 |
CN105784556A (zh) * | 2016-05-07 | 2016-07-20 | 北京工业大学 | 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法 |
CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
CN106960075A (zh) * | 2017-02-27 | 2017-07-18 | 浙江工业大学 | 基于线性直连法的径向基函数人工神经元网络的喷射器性能的预测方法 |
-
2018
- 2018-05-10 CN CN201810442971.XA patent/CN108631817B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0574936A2 (en) * | 1992-06-19 | 1993-12-22 | United Parcel Service Of America, Inc. | Method and apparatus for input classification using non-spherical neurons |
CN104932264A (zh) * | 2015-06-03 | 2015-09-23 | 华南理工大学 | 基于rbf网络的q学习框架仿人机器人稳定控制方法 |
CN105784556A (zh) * | 2016-05-07 | 2016-07-20 | 北京工业大学 | 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法 |
CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
CN106960075A (zh) * | 2017-02-27 | 2017-07-18 | 浙江工业大学 | 基于线性直连法的径向基函数人工神经元网络的喷射器性能的预测方法 |
Non-Patent Citations (2)
Title |
---|
李金龙: "《跳频时间序列预测方法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
韩睿等: "《一种基于神经网络的跳频信号频率预测方法》", 《数据采集与处理》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859804A (zh) * | 2019-01-10 | 2019-06-07 | 中国石油大学(华东) | 一种基于神经网络的桑黄发酵实验数据优化及预测方法 |
CN112787878A (zh) * | 2019-11-08 | 2021-05-11 | 大唐移动通信设备有限公司 | 一种网络指标的预测方法及电子设备 |
CN112787878B (zh) * | 2019-11-08 | 2023-03-14 | 大唐移动通信设备有限公司 | 一种网络指标的预测方法及电子设备 |
CN113452408A (zh) * | 2021-04-30 | 2021-09-28 | 郑州大学 | 一种网台跳频信号分选方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108631817B (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103581188B (zh) | 一种网络安全态势预测方法及系统 | |
Talebizadeh et al. | Uncertainty analysis for the forecast of lake level fluctuations using ensembles of ANN and ANFIS models | |
Kisi et al. | River suspended sediment estimation by climatic variables implication: Comparative study among soft computing techniques | |
Chen et al. | Water quality modeling in reservoirs using multivariate linear regression and two neural network models | |
Du et al. | Time series prediction using evolving radial basis function networks with new encoding scheme | |
CN106600059A (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN111416797B (zh) | 改进天牛群算法优化正则化极限学习机的入侵检测方法 | |
Li et al. | Vessel traffic flow forecasting by RSVR with chaotic cloud simulated annealing genetic algorithm and KPCA | |
Roy et al. | An empirical-based rainfall-runoff modelling using optimization technique | |
CN107274030A (zh) | 基于水文变量年际和月变化特性的径流预报方法和系统 | |
CN108631817A (zh) | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 | |
CN108052968A (zh) | 一种qsfla-svm的感知入侵检测方法 | |
CN105335619A (zh) | 适用于高计算代价数值计算模型参数反分析的协同优化法 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
Xiao et al. | Network security situation prediction method based on MEA-BP | |
Majumder et al. | Artificial neural network | |
Roy et al. | A review of surrogate models and their ensembles to develop saltwater intrusion management strategies in coastal aquifers | |
CN111723523A (zh) | 一种基于级联神经网络的河口余水位预测方法 | |
Ghorpade-Aher et al. | PSO based multidimensional data clustering: A survey | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
Benala et al. | Genetic algorithm for optimizing functional link artificial neural network based software cost estimation | |
Wu et al. | Ensemble model of intelligent paradigms for stock market forecasting | |
Li et al. | A comparative study of pre-screening strategies within a surrogate-assisted multi-objective algorithm framework for computationally expensive problems | |
Tripathy et al. | Weather forecasting using ANN and PSO | |
CN111797979A (zh) | 基于lstm模型的振动传递系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200519 |
|
CF01 | Termination of patent right due to non-payment of annual fee |