资源描述：
《基于改进kh算法优化elm的目标威胁估计》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、第13卷第5期智 能 系 统 学 报Vol.13No.52018年10月CAAITransactionsonIntelligentSystemsOct.2018DOI:10.11992/tis.201704007网络出版地址:http://kns.cnki.net/kcms/detail/23.1538.TP.20180424.0923.003.html基于改进KH算法优化ELM的目标威胁估计傅蔚阳1，刘以安1，薛松2（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）摘要：为了提高目标威
2、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；威胁估计模型中图分类号：TP39
3、1.9文献标志码：A文章编号：1673−4785(2018)05−0693−07中文引用格式：傅蔚阳,刘以安,薛松.基于改进KH算法优化ELM的目标威胁估计[J].智能系统学报,2018,13(5):693–699.英文引用格式：FUWeiyang,LIUYi’an,XUESong.TargetthreatassessmentusingimprovedKrillHerdoptimizationandextremelearningmachine[J].CAAItransactionsonintelligentsystems,2018,13(5):69
4、3–699.TargetthreatassessmentusingimprovedKrillHerdoptimizationandextremelearningmachineFUWeiyang1，LIUYi’an1，XUESong2(1.SchoolofInternetofThingsEngineering,JiangnanUniversity,Wuxi214122,China;2.ElectronicDepartment,TheSeventhRe-searchInstituteofChinaShipbuildingIndustryCorporat
5、ion,Beijing100192,China)Abstract:Toimprovetheaccuracyoftargetthreatestimation,theopposition-basedlearningKrillHerdoptimization(OKH)andextremelearningmachine(OKH-ELM)modelisestablished,andthealgorithmbasedonthemodelispresented.TheOKH-ELMadoptsopposition-basedlearning(OBL)toopti
6、mizeKH,andthentheimprovedKHandex-tremelearningmachineareemployedtosimultaneouslyoptimizetheinitialinputweightsandoffsetsofthehiddenlay-erinELM.AtargetthreatdatabaseisadoptedtotesttheperformanceofOKH-ELMintargetthreatprediction.Theex-perimentalresultshowsthatOKHAlgorithmcanbett
7、eroptimizetheweightsandthresholdsofthehiddenlayerinELMandimprovethepredictionprecisionandgeneralizationabilityofthetargetthreatassessmentmodel;therefore,itcanaccuratelyandeffectivelyestimatetargetthreat.Keywords:targetthreatassessment;KrillHerdalgorithm;extremelearningmachine;
8、opposition-basedlearning;neuralnetworks;weights;thresholds;th
