CN113627075A - 基于自适应粒子群优化极限学习的弹丸气动系数辨识方法 - Google Patents
基于自适应粒子群优化极限学习的弹丸气动系数辨识方法 Download PDFInfo
- Publication number
- CN113627075A CN113627075A CN202110812629.6A CN202110812629A CN113627075A CN 113627075 A CN113627075 A CN 113627075A CN 202110812629 A CN202110812629 A CN 202110812629A CN 113627075 A CN113627075 A CN 113627075A
- Authority
- CN
- China
- Prior art keywords
- extreme learning
- output
- hidden layer
- projectile
- learning machine
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 13
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 210000002569 neuron Anatomy 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 239000006187 pill Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明属于弹丸参数辨识领域,具体涉及一种基于自适应粒子群优化极限学习的弹丸气动系数辨识方法。
背景技术
随着弹丸向精确制导化方向的发展,弹丸气动系数的精确与否直接决定了弹丸的外弹道性能。
在利用极限学习辨识弹丸气动参数时,虽然能够在高噪声情况下,精准、快速辨识弹丸气动系数,但是由于极限学习在辨识弹丸气动系数过程中,随机产生输入权重以及隐含层神经元阈值,使得极限学习辨识效果不稳定。
发明内容
本发明的目的在于提供一种基于APSO-ELM的辨识弹丸气动参数的方法。基于弹丸的飞行数据,创新性提出一种自适应粒子群优化算法(APSO)为极限学习提供输入权重以及隐含层神经元阈值,再利用极限学习辨识弹丸气动系数,为获取弹丸气动参数提供了新的途径。
实现本发明目的的技术解决方案为:.一种基于自适应粒子群优化极限学习的弹丸气动系数辨识方法,包括如下步骤:
步骤(1):建立弹丸二自由度动力学模型;
步骤(2):构建原始极限学习机网络模型:确定原始极限学习机网络模型的输入层节点数、隐含层神经元个数、激活函数以及输出层节点数;
步骤(3):利用自适应粒子群算法优化原始极限学习机网络模型,得到原始极限学习机网络模型的输入权重以及隐含层神经元阈值;
进一步的,步骤(1)“建立弹丸二自由度动力学模型”具体为:
二自由度动力学模型建立在自然坐标系下,u表示弹丸的速度,θ为弹道倾角,x、y为弹丸的位置坐标,ρ为空气密度,S为特征面积,通常取为弹丸的最大横截面积,m0为弹丸质量,g0为重力加速度,CD为阻力系数;
进一步的,步骤(2)“构建原始极限学习机网络模型:确定原始极限学习机网络模型的输入层节点数、隐含层神经元个数、激活函数以及输出层节点数”具体包括如下步骤:
步骤(21):输入层节点数设定
基于质点弹道方程,确定影响因素分别为弹丸速度u,弹道倾角θ,射程x以及飞行高度y;确定网络的输入层的节点数n=4;
步骤(22):输出层节点数设定
借助极限学习机实现对弹丸阻力系数CD的辨识,选定输出层的节点数m=1;步骤(23):激活函数选择
通过对输入数据归一化处理,输入数据的大小均被映射到[0,1]区间,选用sigmoid函数作为激活函数;
步骤(24):隐含层神经元个数设定
进一步的,步骤(3)“利用自适应粒子群算法优化原始极限学习机网络模型,得到原始极限学习机网络模型的输入权重以及隐含层神经元阈值”具体包括如下步骤:
步骤(31):对数据集归一化处理;
采用min-max normalization归一化法,将全部数据映射到[0,1]区间内,归一化公式为:
步骤(32):进行初始参数设置;
步骤(33):确定适应度函数,计算粒子适应值,
选取均方误差函数作为适应度函数,计算每个粒子的适应值
步骤(34):比较各个粒子的适应度函数值,从中找出粒子的个体极值以及群体全局极值。
若Fit(j)<Pbest(j),则Pbest(j)=Fit(j),否则Pbest(j)不变;
若Fit(j)<gbest,则gbest(j)=Fit,否则gbest不变。
其中Fit(j)表示第j个粒子当前适应度值,Pbest(j)表示第j个粒子的个体极值,gbest表示整个粒子群的全局极值;
步骤(35):更新粒子速度和位置信息:
步骤(36):判断是否满结束条件,若为未满足则返回步骤(34),否则结束;
步骤(37):输出优化的权值和阈值。
进一步的,步骤(32)的进行初始参数设置具体为:
进一步的,步骤(4)具体包括如下步骤:
步骤(41):训练网络,确定输出权重;
对于N个任意的训练样本(xj,tj),其中xj=[xj1,xj2,...,xjn]T∈Rn表示输入训练样本数据,tj=[tj1,tj2,...,tjm]T∈Rm表示输出训练样本数据;对于隐含层神经元个数为L,激活函数为g(x)的极限学习机,网络的输出oj为:
其中wi=[wi1,wi2,...,win]T是第i个隐含层神经元和输入节点之间的连接权值,βi=[βi1,βi2,...,βim]T是第i个隐含层神经元与输出节点之间的连接权值,bi是第i个隐含层神经元的阈值;wi和bi由步骤(3)给出,其中wi·xj表示矩阵的内积运算;
写成矩阵形式为:Hβ=T其中,H是隐含层输出矩阵,β是隐含层和输出层之间的连接权值矩阵,T是输出矩阵:
其中H+是隐含层输出矩阵H的Moor-Penrose广义逆矩阵;
步骤(42):网络预测,实现参数辨识:
本发明与现有技术相比,其显著优点在于:
(1)本发明的方法,创新地采用APSO-ELM的方法对弹丸气动参数进行辨识;利用粒子群算法优化极限学习机,产生输入权值和隐含层神经元阈值,克服了在使用单一极限学习机辨识弹丸气动参数时,因为随机产生输入权值和隐含层神经元阈值而可能的导致辨识结果不稳定的问题。将该方法应用于弹丸阻力系数辨识时,能够在高噪声情况下,精准、快速、稳定地辨识弹丸阻力系数。
(2)本发明的方法,创新地提出一种新的自适应更新策略,对PSO算法中的惯性权重进行迭代更新。该策略能够在迭代初期提供较大的惯性权重,提高PSO算法的全局搜索能力,在迭代后期提供较小的惯性权重,减小粒子的搜索空间,提高PSO算法的局部搜索能力。从而提高算法的收敛速度以及寻优效果。
附图说明
图1为本发明的自适应粒子群算法优化产生权重和阈值的流程图。
图2为本发明的极限学习机模型结构图。
图3为本发明实施例1自适应粒子群算法适应度随迭代次数变化的结果图。
图4为本发明实施例1辨识阻力系数示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
一种基于极限学习机的辨识弹丸气动参数方法,包括以下步骤:
步骤1:建立弹丸二自由度动力学模型:
具体如下:
二自由度动力学模型建立在自然坐标系下。u表示弹丸的速度,θ为弹道倾角。x、y为弹丸的位置坐标。ρ为空气密度;S为特征面积,通常取为弹丸的最大横截面积;m0为弹丸质量;g0为重力加速度;CD为阻力系数。
步骤2:构建极限学习机网络模型:
利用极限学习机进行弹丸气动参数辨识时,需确定输入层节点数、隐含层神经元个数、激活函数以及输出层节点数。
具体如下:
(1)输入层节点数设定
极限学习机的输入层与隐含层之间的特征映射数量是根据影响因素来确定的。基于质点弹道方程,确定影响因素分别为弹丸速度u,弹道倾角θ,射程x以及飞行高度y。因此最终确定网络的输入层的节点数n=4。
(2)输出层节点数设定
借助极限学习机实现对弹丸阻力系数CD的辨识,因此选定输出层的节点数m=1。
(3)激活函数选择
通过对输入数据归一化处理,输入数据的大小均被映射到[0,1]区间,这与sigmoid函数的值域刚好重合,同时克服了sigmoid函数容易陷入函数饱和问题。在这样的情况下,选用sigmoid函数作为激活函数,模型收敛速度以及辨识精度均优于RELU函数以及tanh函数。
(4)隐含层神经元个数设定
对于如何确定神经网络结构中隐含层节点数目,目前还无具体方法给出确定的解析解。但隐含层节点数会对训练时间以及拟合效果产生非常重要的影响,合理设置隐含层节点数,可大幅度提升模型预测精度。节点数过少,模型预测精度低;节点数过多,模型训练时间过长,并且最终的预测精度也可能因为过拟合而下降。在参考经验公式(a通常取1~10的常数)基础上最终选定了L=9,在该隐含层个数下网络性能表现最佳。
步骤3:利用自适应粒子群算法优化极限学习机,得到极限学习机的输入权重以及隐含层神经元阈值;
步骤3-1:对数据集归一化处理;
网络的数据具有不同的物理含义以及不同的量纲,而不同的量纲会影响数据分析的结果,为了消除不同量纲之间的影响,需要对原始数据集归一化处理。在进行归一化处理后,能够进一步加快模型的收敛速度,提高辨识精度。采用min-max normalization归一化法,将全部数据映射到[0,1]区间内,以输入数据为例,归一化公式为
步骤3-2:进行初始参数设置;
步骤3-3:确定适应度函数,计算粒子适应值;
选取均方误差函数作为适应度函数,计算每个粒子的适应值
步骤3-4:比较各个粒子的适应度函数值,从中找出粒子的个体极值以及群体全局极值;
若Fit(j)<Pbest(j),则Pbest(j)=Fit(j),否则Pbest(j)不变;
若Fit(j)<gbest,则gbext(j)=Fit,否则gbest不变。
其中Fit(j)表示第j个粒子当前适应度值,Pbest(j)表示第j个粒子的个体极值,gbest表示整个粒子群的全局极值。
步骤3-5:更新粒子速度和位置信息;
步骤3-6:判断是否满结束条件(达到最大迭代次数或者满足最小误差)。若为未满足则返回步骤3-4,否则结束;
步骤3-7:输出优化的权值和阈值。
步骤4:根据构建好的APSO-ELM网络模型,进行参数辨识;
根据神经网络的基本理论,极限学习机可看作单隐含层的前向传播神经网络,整个网络的工作过程可分为训练过程和预测过程。网络训练过程主要任务是确定隐含层和输出层的连接权值矩阵预测过程在确定连接权值矩阵的基础上,求解模型的输出矩阵,实现参数辨识功能。
步骤4-1,训练网络,确定输出权重:
假设有N个任意的训练样本(xj,tj),其中xj=[xj1,xj2,...,xjn]T∈Rn表示输入训练样本数据,tj=[tj1,tj2,...,tjm]T∈Rm表示输出训练样本数据。极限学习机隐含层神经元个数L,激活函数为g(x)情况下,网络的输出oj为:
其中wi=[wi1,wi2,...,win]T是第i个隐含层神经元和输入节点之间的连接权值,βi=[βi1,βi2,...,βim]T是第i个隐含层神经元与输出节点之间的连接权值,bi是第i个隐含层神经元的阈值。wi和bi由步骤3给出,其中wi·xj表示矩阵的内积运算。
写成矩阵形式为:Hβ=T其中,H是隐含层输出矩阵,β是隐含层和输出层之间的连接权值矩阵,T是输出矩阵
其中H+是隐含层输出矩阵H的Moor-Penrose广义逆矩阵。
在式(15)基础上,基于Hoerl A E,Kennard R W.在Ridge regression:Biasedestimation for nonorthogonal problems Technimetrics,1970,12(1):55-67.中提出的岭回归原理,在矩阵HTH对角线引入正则化项克服了特征向量之间的高度共线性,从而确保矩阵非奇异,进一步提高了极限学习机的泛化能力和鲁棒性。
步骤4-2,网络预测,实现参数辨识:
实施例1
下面结合实施例进行更详细的描述。
某型号炮弹的参数设置如下表所示:
表1 某型弹丸的参数值
在表2的初始条件下,对阻力系数CD进行参数辨识:
表2 某型弹丸的发射初始条件
输入特征向量为[u θ x y]T,待辨识参数为弹丸阻力系数CD,网络结构为4-9-1。,图3为自适应粒子群算法适应度随迭代次数变化的结果图,最终辨识CD的结果如图4所示,可以看出,该方法将某型弹丸运动过程的阻力系数辨识了出来。
Claims (6)
3.根据权利要求2所述的方法,其特征在于,步骤(2)“构建原始极限学习机网络模型:确定原始极限学习机网络模型的输入层节点数、隐含层神经元个数、激活函数以及输出层节点数”具体包括如下步骤:
步骤(21):输入层节点数设定
基于质点弹道方程,确定影响因素分别为弹丸速度u,弹道倾角θ,射程x以及飞行高度y;确定网络的输入层的节点数n=4;
步骤(22):输出层节点数设定
借助极限学习机实现对弹丸阻力系数CD的辨识,选定输出层的节点数m=1;
步骤(23):激活函数选择
通过对输入数据归一化处理,输入数据的大小均被映射到[0,1]区间,选用sigmoid函数作为激活函数;
步骤(24):隐含层神经元个数设定
4.根据权利要求3所述的方法,其特征在于,步骤(3)“利用自适应粒子群算法优化原始极限学习机网络模型,得到原始极限学习机网络模型的输入权重以及隐含层神经元阈值”具体包括如下步骤:
步骤(31):对数据集归一化处理;
采用min-max normalization归一化法,将全部数据映射到[0,1]区间内,归一化公式为:
步骤(32):进行初始参数设置;
步骤(33):确定适应度函数,计算粒子适应值,
选取均方误差函数作为适应度函数,计算每个粒子的适应值
步骤(34):比较各个粒子的适应度函数值,从中找出粒子的个体极值以及群体全局极值。
若Fit(j)<Pbest(j),则Pbest(j)=Fit(j),否则Pbest(j)不变;
若Fit(j)<gbest,则gbest(j)=Fit,否则gbest不变。
其中Fit(j)表示第j个粒子当前适应度值,Pbest(j)表示第j个粒子的个体极值,gbest表示整个粒子群的全局极值;
步骤(35):更新粒子速度和位置信息:
步骤(36):判断是否满结束条件,若为未满足则返回步骤(34),否则结束;
步骤(37):输出优化的权值和阈值。
6.根据权利要求5所述的方法,其特征在于,步骤(4)具体包括如下步骤:
步骤(41):训练网络,确定输出权重;
对于N个任意的训练样本(xj,tj),其中xj=[xj1,xj2,...,xjn]T∈Rn表示输入训练样本数据,tj=[tj1,tj2,...,tjm]T∈Rm表示输出训练样本数据;对于隐含层神经元个数为L,激活函数为g(x)的极限学习机,网络的输出oj为:
其中wi=[wi1,wi2,...,win]T是第i个隐含层神经元和输入节点之间的连接权值,βi=[βi1,βi2,...,βim]T是第i个隐含层神经元与输出节点之间的连接权值,bi是第i个隐含层神经元的阈值;wi和bi由步骤(3)给出,其中wi·xj表示矩阵的内积运算;
写成矩阵形式为:Hβ=T其中,H是隐含层输出矩阵,β是隐含层和输出层之间的连接权值矩阵,T是输出矩阵:
其中H+是隐含层输出矩阵H的Moor-Penrose广义逆矩阵;
步骤(42):网络预测,实现参数辨识:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110812629.6A CN113627075B (zh) | 2021-07-19 | 2021-07-19 | 基于自适应粒子群优化极限学习的弹丸气动系数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110812629.6A CN113627075B (zh) | 2021-07-19 | 2021-07-19 | 基于自适应粒子群优化极限学习的弹丸气动系数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627075A true CN113627075A (zh) | 2021-11-09 |
CN113627075B CN113627075B (zh) | 2024-04-09 |
Family
ID=78380093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110812629.6A Active CN113627075B (zh) | 2021-07-19 | 2021-07-19 | 基于自适应粒子群优化极限学习的弹丸气动系数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627075B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638555A (zh) * | 2022-05-18 | 2022-06-17 | 国网江西综合能源服务有限公司 | 基于多层正则化极限学习机的用电行为检测方法及系统 |
CN116363878A (zh) * | 2023-05-26 | 2023-06-30 | 云南大学 | 基于连续动态常微分方程的交通流量预测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
CN109033493A (zh) * | 2018-06-01 | 2018-12-18 | 南京理工大学 | 基于无迹卡尔曼滤波的辨识高速旋转弹气动参数滤波方法 |
CN109615056A (zh) * | 2018-10-09 | 2019-04-12 | 天津大学 | 一种基于粒子群优化极限学习机的可见光定位方法 |
CN111355633A (zh) * | 2020-02-20 | 2020-06-30 | 安徽理工大学 | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 |
CN111536836A (zh) * | 2020-04-30 | 2020-08-14 | 南京理工大学 | 高速弹丸测速装置 |
CN112541526A (zh) * | 2020-11-25 | 2021-03-23 | 重庆邮电大学 | 一种基于pso-abc-elm的电子鼻气体浓度预测方法 |
-
2021
- 2021-07-19 CN CN202110812629.6A patent/CN113627075B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
CN109033493A (zh) * | 2018-06-01 | 2018-12-18 | 南京理工大学 | 基于无迹卡尔曼滤波的辨识高速旋转弹气动参数滤波方法 |
CN109615056A (zh) * | 2018-10-09 | 2019-04-12 | 天津大学 | 一种基于粒子群优化极限学习机的可见光定位方法 |
CN111355633A (zh) * | 2020-02-20 | 2020-06-30 | 安徽理工大学 | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 |
CN111536836A (zh) * | 2020-04-30 | 2020-08-14 | 南京理工大学 | 高速弹丸测速装置 |
CN112541526A (zh) * | 2020-11-25 | 2021-03-23 | 重庆邮电大学 | 一种基于pso-abc-elm的电子鼻气体浓度预测方法 |
Non-Patent Citations (2)
Title |
---|
管军;周家胜;易文俊;刘世平;常思江;史继刚;: "基于自适应混沌变异粒子群优化算法的旋转弹丸气动参数辨识", 兵工学报, no. 01 * |
管军;易文俊;刘海;常思江;史继刚;刘世平;: "基于遗传-最大似然方法高速旋转弹丸阻力系数辨识", 弹道学报, no. 04 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638555A (zh) * | 2022-05-18 | 2022-06-17 | 国网江西综合能源服务有限公司 | 基于多层正则化极限学习机的用电行为检测方法及系统 |
CN116363878A (zh) * | 2023-05-26 | 2023-06-30 | 云南大学 | 基于连续动态常微分方程的交通流量预测系统及方法 |
CN116363878B (zh) * | 2023-05-26 | 2023-08-11 | 云南大学 | 基于连续动态常微分方程的交通流量预测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113627075B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022121289A1 (en) | Methods and systems for mining minority-class data samples for training neural network | |
CN111709524A (zh) | 一种基于改进gwo算法的rbf神经网络优化方法 | |
CN110514206B (zh) | 一种基于深度学习的无人机飞行路径预测方法 | |
CN114969995B (zh) | 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法 | |
CN113627075A (zh) | 基于自适应粒子群优化极限学习的弹丸气动系数辨识方法 | |
CN112581263A (zh) | 一种基于灰狼算法优化广义回归神经网络的信用评估方法 | |
CN110543727B (zh) | 一种基于改进粒子群算法的全向移动智能轮椅机器人参数辨识方法 | |
CN114460941B (zh) | 一种基于改进麻雀搜索算法的机器人路径规划方法及系统 | |
CN112231839B (zh) | 针对高耗时约束的飞行器追峰采样智能探索方法 | |
CN111222286A (zh) | 一种基于输电线路状态估计的参数优化方法 | |
CN109766905B (zh) | 基于自组织特征映射网络的目标分群方法 | |
CN108983180A (zh) | 一种群智能高精度的雷达海杂波预报系统 | |
CN115358305A (zh) | 一种基于边界样本迭代生成的增量学习鲁棒性提升方法 | |
CN114330659A (zh) | 一种基于改进aso算法的bp神经网络参数优化方法 | |
CN111047002B (zh) | 一种基于bp神经网络的校直行程预测方法 | |
CN110503148B (zh) | 一种具有尺度不变性的点云对象识别方法 | |
CN110610188A (zh) | 基于马氏距离的阴影粗糙模糊聚类方法 | |
CN111199105A (zh) | 一种扑翼运动参数优化方法 | |
CN113221954B (zh) | 一种用改进的蝙蝠算法检测带钢表面缺陷的方法 | |
CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
US20220284261A1 (en) | Training-support-based machine learning classification and regression augmentation | |
CN113569463B (zh) | 基于极限学习的弹丸气动系数辨识方法 | |
CN112800082A (zh) | 一种基于置信规则库推理的空中目标识别方法 | |
van Wyk et al. | Lambda-gamma learning with feedforward neural networks using particle swarm optimization | |
CN112000915B (zh) | 一种气体传感器阵列数据融合方法 |
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 |