期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于样本信息熵辅助的深度强化学习抗干扰策略
1
作者
李刚
吴麒
+4 位作者
王翔
罗皓
李良鸿
景小荣
陈前斌
《通信学报》
EI
CSCD
北大核心
2024年第9期115-128,共14页
针对深度强化学习驱动的智能化干扰,提出了一种基于样本信息熵辅助的通信抗干扰策略。首先,基于神经网络对抗干扰策略网络和熵预测网络进行设计;接着,利用短时傅里叶变换对接收信号处理所形成的频谱瀑布图作为样本,对抗干扰策略网络和...
针对深度强化学习驱动的智能化干扰,提出了一种基于样本信息熵辅助的通信抗干扰策略。首先,基于神经网络对抗干扰策略网络和熵预测网络进行设计;接着,利用短时傅里叶变换对接收信号处理所形成的频谱瀑布图作为样本,对抗干扰策略网络和信息熵预测网络进行训练;之后,利用信息熵预测网络对抗干扰策略网络的训练样本进行精细化筛选,以提高训练样本的质量,最终提高抗干扰策略的在线决策能力和泛化性能。仿真结果表明,在干扰方干扰策略更新频率不超过通信方40倍且最大干扰通道数为3的极端条件下,基于样本信息熵辅助的通信抗干扰策略仍可取得至少61%的成功率;同时,与其他几种对比抗干扰策略相比,所提通信抗干扰策略具有更快的收敛速度。
展开更多
关键词
抗干扰
深度强化学习
样本信息熵
智能干扰
在线阅读
下载PDF
职称材料
信息熵改进Bagging-CNN-BILSTM的刀具剩余寿命预测
2
作者
杨化林
董春芳
《重庆理工大学学报(自然科学)》
北大核心
2025年第6期192-199,共8页
针对单一传感器预测精度差、可靠性低的问题,提出一种信息熵改进的Bagging-CNN-BILSTM模型。使用Sureshrink阈值选择方法代替固定阈值进行小波降噪,提取多传感器信号的时域、频域及时频域信息,构建刀具多源信息矩阵。通过计算皮尔逊系...
针对单一传感器预测精度差、可靠性低的问题,提出一种信息熵改进的Bagging-CNN-BILSTM模型。使用Sureshrink阈值选择方法代替固定阈值进行小波降噪,提取多传感器信号的时域、频域及时频域信息,构建刀具多源信息矩阵。通过计算皮尔逊系数与灰色关联度对所提取信号特征进行双重特征降维,获取刀具寿命因子;基于信息熵改进Bagging-CNN-BILSTM模型,优化Bagging中Bootstrap样本重复采样与随机采样。对所提方法在PHM2010数据集上进行验证,实验结果表明:相比未改进Bagging-CNN-BILSTM模型、CNN-BILSTM模型、CNN-LSTM模型、CNN-GRU模型,所提模型的平均绝对误差分别降低44.8%、48.8%、49.6%、58.8%,具有更好的预测精度与可靠性。
展开更多
关键词
刀具寿命预测
多通道
信息
融合
改进小波降噪
卷积神经网络
样本信息熵
改进Bagging模型
在线阅读
下载PDF
职称材料
题名
基于样本信息熵辅助的深度强化学习抗干扰策略
1
作者
李刚
吴麒
王翔
罗皓
李良鸿
景小荣
陈前斌
机构
中国西南电子技术研究所
重庆邮电大学通信与信息工程学院
出处
《通信学报》
EI
CSCD
北大核心
2024年第9期115-128,共14页
基金
国家自然科学基金资助项目(No.U23A20279)
中电天奥创新理论技术群基金资助项目(No.2022-1193-04-04)。
文摘
针对深度强化学习驱动的智能化干扰,提出了一种基于样本信息熵辅助的通信抗干扰策略。首先,基于神经网络对抗干扰策略网络和熵预测网络进行设计;接着,利用短时傅里叶变换对接收信号处理所形成的频谱瀑布图作为样本,对抗干扰策略网络和信息熵预测网络进行训练;之后,利用信息熵预测网络对抗干扰策略网络的训练样本进行精细化筛选,以提高训练样本的质量,最终提高抗干扰策略的在线决策能力和泛化性能。仿真结果表明,在干扰方干扰策略更新频率不超过通信方40倍且最大干扰通道数为3的极端条件下,基于样本信息熵辅助的通信抗干扰策略仍可取得至少61%的成功率;同时,与其他几种对比抗干扰策略相比,所提通信抗干扰策略具有更快的收敛速度。
关键词
抗干扰
深度强化学习
样本信息熵
智能干扰
Keywords
anti-jamming
deep reinforcement learning
sample information entropy
intelligent jamming
分类号
TN975 [电子电信—信号与信息处理]
在线阅读
下载PDF
职称材料
题名
信息熵改进Bagging-CNN-BILSTM的刀具剩余寿命预测
2
作者
杨化林
董春芳
机构
东北林业大学机电工程学院
出处
《重庆理工大学学报(自然科学)》
北大核心
2025年第6期192-199,共8页
文摘
针对单一传感器预测精度差、可靠性低的问题,提出一种信息熵改进的Bagging-CNN-BILSTM模型。使用Sureshrink阈值选择方法代替固定阈值进行小波降噪,提取多传感器信号的时域、频域及时频域信息,构建刀具多源信息矩阵。通过计算皮尔逊系数与灰色关联度对所提取信号特征进行双重特征降维,获取刀具寿命因子;基于信息熵改进Bagging-CNN-BILSTM模型,优化Bagging中Bootstrap样本重复采样与随机采样。对所提方法在PHM2010数据集上进行验证,实验结果表明:相比未改进Bagging-CNN-BILSTM模型、CNN-BILSTM模型、CNN-LSTM模型、CNN-GRU模型,所提模型的平均绝对误差分别降低44.8%、48.8%、49.6%、58.8%,具有更好的预测精度与可靠性。
关键词
刀具寿命预测
多通道
信息
融合
改进小波降噪
卷积神经网络
样本信息熵
改进Bagging模型
Keywords
tool life prediction
multi-channel information fusion
improved wavelet noise reduction
CNN
sample information entropy
improved bagging model
分类号
TP202.1 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于样本信息熵辅助的深度强化学习抗干扰策略
李刚
吴麒
王翔
罗皓
李良鸿
景小荣
陈前斌
《通信学报》
EI
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
2
信息熵改进Bagging-CNN-BILSTM的刀具剩余寿命预测
杨化林
董春芳
《重庆理工大学学报(自然科学)》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
