文献类型：期刊文章

作　　者：傅蔚阳[1] 刘以安[1] 薛松[2]

FU Wei-yang;LIU Yi-an;XUE Song(School of Internet of Things Engineering,Jiangnan University,Wuxi 214122,China;Electronic Department,The Seventh Research Institute of China Shipbuilding Industry Corporation,Beijing 100192,China)

机构地区：[1]江南大学物联网工程学院,江苏无锡214122 [2]中国船舶重工集团公司第七研究院电子部,北京100192

出　　处：《浙江大学学报（工学版）》

基　　金：江苏省自然科学基金资助项目(BK20160162)

年　　份：2018

卷　　号：52

期　　号：4

起止页码：680-686

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、INSPEC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

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.

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

分 类 号：TP391]