文献类型：期刊文章

作　　者：傅蔚阳[1] 刘以安[1] 薛松[2]

FU Weiyang;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：《智能系统学报》

基　　金：江苏省自然科学基金项目(BK20160162)

年　　份：2018

卷　　号：13

期　　号：5

起止页码：693-699

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为了提高目标威胁度估计的精确度,建立了反向学习磷虾群算法(OKH)优化极限学习机的目标威胁估计模型(OKH-ELM),提出基于此模型的算法。该模型使用反向学习策略优化磷虾群算法,并通过改进后的磷虾群算法优化极限学习机初始输入权重和偏置,使优化后的极限学习机能够对威胁度测试样本集做更好的预测。实验结果显示,OKH算法能够更好地优化极限学习机的权值与阈值,使建立的极限学习机目标威胁估计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估计。

关 键 词：目标威胁估计  磷虾群算法  极限学习机 反向学习  神经网络  权值 阈值  威胁估计模型  

分 类 号：TP391.9]