群智能算法及其在雷达信号分选中的应用研究
粒子群优化论文 贪婪搜索论文 雷达信号分选论文 数据挖掘论文 特征选择论文
论文详情
雷达信号分选是电子侦察中的重要问题,从这种随机交叠的脉冲流中分离出每一部雷达脉冲序列的过程,这种分选利用同一部雷达信号参数的相关性和不同雷达信号参数的差异性来实现的。论文研究了基于群智能数据发掘方法在雷达信号分选中的应用问题。本文结合雷达信号分选的目的和要求,将数据挖掘中的特征选择问题和聚类问题看成是一种单目标优化问题,将其用于雷达信号分选,从粒子群优化算法的角度分别讨论了了一种离散粒子群算法用于求解这两个问题。本文的主要工作如下:(1)介绍了数据挖掘的基本理论,重点介绍了数据特征选择技术和聚类技术,介绍了群体智能算法的相关理论,主要介绍了蚁群算法和粒子群算法,重点介绍了粒子群算法基本理论,算法框架及其改进的算法。(2)讨论了一种带有局部学习策略的离散粒子群优化算法应用于数据的特征选择。将粒子的状态以及状态更新方程被重新定义,设计了一种基于前向浮动的贪婪局部搜索策略。在10个UCI数据上与3个经典特征选择算法的对比试验表明,该算法具有很好的特征选择效果。(3)讨论了一种自适应离散粒子群优化的数据聚类算法。该算法中的粒子被定义在离散环境下,粒子的状态更新策略被重新定义。为了提高算法的局部搜索能力,设计了一种贪婪局部学习策略。为了检验算法的聚类有效性,在大量UCI数据上进行了实际测试,并且与几个经典的聚类算法进行了实验对比。实验表明所提的算法具有很好的聚类效果,在两组模拟的雷达信号上的实验也证明了本文算法的良好的分选性能。
摘要 | 第3-4页 |
Abstract | 第4-5页 |
目录 | 第6-9页 |
第一章 绪论 | 第9-15页 |
1.1 数据挖掘研究背景 | 第9-10页 |
1.2 数据挖掘的研究现状 | 第10-11页 |
1.3 群体智能算法研究背景与现状 | 第11-12页 |
1.4 雷达信号分选算法现状 | 第12-13页 |
1.5 论文内容与安排 | 第13-15页 |
第二章 群智能算法理论 | 第15-19页 |
2.1 基本蚁群优化算法 | 第15-16页 |
2.2 基本粒子群优化算法 | 第16-17页 |
2.3 几种改进的粒子群算法 | 第17-18页 |
2.3.1 带有惯性权重的粒子群优化算法 | 第17-18页 |
2.3.2 带有收缩因子的粒子群优化算法 | 第18页 |
2.3.3 混合粒子群优化算法 | 第18页 |
2.4 本章小结 | 第18-19页 |
第三章 数据挖掘理论基础 | 第19-23页 |
3.1 数据挖掘的基本定义 | 第19-20页 |
3.2 数据挖掘的基本任务 | 第20-21页 |
3.3 数据挖掘常用的方法 | 第21-22页 |
3.3.1 决策树 | 第21页 |
3.3.2 神经网络 | 第21页 |
3.3.3 最近邻方法 | 第21-22页 |
3.4 本章小结 | 第22-23页 |
第四章 基于粒子群优化的数据特征选择算法 | 第23-33页 |
4.1 特征选择概述 | 第23-24页 |
4.1.1 序列选择算法(Sequential Algorithms) | 第23-24页 |
4.1.2 指数算法(Exponential Algorithms) | 第24页 |
4.1.3 随机算法(Randomized Algorithms) | 第24页 |
4.2 局部学习粒子群特征选择算法 | 第24-28页 |
4.2.1 算法基本原理 | 第24-27页 |
4.2.2 算法流程与实施步骤 | 第27-28页 |
4.3 实验与结果分析 | 第28-31页 |
4.3.1 实验数据 | 第28-29页 |
4.3.2 对比算法 | 第29页 |
4.3.3 实验环境 | 第29页 |
4.3.4 结果及分析 | 第29-31页 |
4.4 本章小结 | 第31-33页 |
第五章 自适应粒子群雷达信号分选算法 | 第33-47页 |
5.1 聚类的描述 | 第33-34页 |
5.2 常用的聚类方法 | 第34-38页 |
5.2.1 k-means算法 | 第35-36页 |
5.2.2 模糊k-means算法 | 第36-37页 |
5.2.3 谱聚类算法 | 第37-38页 |
5.3 自适应粒子群聚类算法 | 第38-41页 |
5.3.1 粒子的编码解码 | 第38-39页 |
5.3.2 粒子的更新规则 | 第39-40页 |
5.3.3 适应度函数 | 第40页 |
5.3.4 粒子的局部学习策略 | 第40页 |
5.3.5 算法流程图与步骤 | 第40-41页 |
5.4 实验与结果分析 | 第41-46页 |
5.4.1 实验数据 | 第41-42页 |
5.4.2 对比算法 | 第42-43页 |
5.4.3 实验环境 | 第43页 |
5.4.4 实验结果与分析 | 第43-46页 |
5.5 本章小结 | 第46-47页 |
第六章 总结与展望 | 第47-49页 |
6.1 论文总结 | 第47页 |
6.2 论文展望 | 第47-49页 |
致谢 | 第49-51页 |
参考文献 | 第51-57页 |
硕士期间的学术成果 | 第57页 |
论文购买
论文编号
ABS4162343,这篇论文共57页
会员购买按0.30元/页下载,共需支付
17.1。
不是会员,
注册会员!
会员更优惠
充值送钱!
直接购买按0.5元/页下载,共需要支付
28.5。
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文