期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
结合有限新息率重构的水声宽带信号方位估计方法
1
作者 明超 牛海强 +2 位作者 李整林 郭永刚 甘维明 《应用声学》 北大核心 2025年第2期423-433,共11页
基于压缩感知理论的稀疏重构方法容易受网格失配的影响,导致其性能下降。此外,这类方法的计算复杂度较高,难以满足实时应用的要求。相比之下,有限新息率(FRI)重构方法在解决网格失配问题和提升计算效率方面具有明显优势。实际的水声信... 基于压缩感知理论的稀疏重构方法容易受网格失配的影响,导致其性能下降。此外,这类方法的计算复杂度较高,难以满足实时应用的要求。相比之下,有限新息率(FRI)重构方法在解决网格失配问题和提升计算效率方面具有明显优势。实际的水声信号通常是宽带信号,而现有的FRI重构方法多基于窄带信号的假设,未深入研究宽带信号的方位估计问题。针对这一问题,该文提出一种基于多项式比值模型的宽带信号FRI方位估计方法,该方法首先通过一种基于矩阵极分解的宽带聚焦算法,将所有频率的接收信号聚焦到同一个参考频率上,随后使用FRI方法对聚焦后的信号进行方位估计。与传统基于相干信号子空间的方位估计方法相比,该方法无需预先估计目标方位,数值仿真和实验结果表明,该方法可以实现高效率且相对准确的方位估计。 展开更多
关键词 到达方向估计 宽带信号 有限新息率
在线阅读 下载PDF
机器学习辅助的多目标优化海底光缆路由规划研究
2
作者 赵赞善 高冠军 +3 位作者 甘维明 王皓宇 段茂生 康达 《光通信技术》 北大核心 2025年第3期10-15,共6页
为提升海底光缆路由规划算法的全局优化能力,降低累积成本与风险,同时提升算法效率,提出一种机器学习辅助(MLA)的多目标优化海底光缆路由规划算法。MLA利用强化学习优势,自主迭代学习,同步优化成本与风险,考虑海底地形、水深等参数,同... 为提升海底光缆路由规划算法的全局优化能力,降低累积成本与风险,同时提升算法效率,提出一种机器学习辅助(MLA)的多目标优化海底光缆路由规划算法。MLA利用强化学习优势,自主迭代学习,同步优化成本与风险,考虑海底地形、水深等参数,同时采用Pareto前沿面作为收敛评价标准,并与传统蚁群优化(ACO)算法进行对比验证。实验结果表明:在相同风险水平下,该算法能降低27.45%的铺设成本,其最优解累积风险仅为ACO算法的25%,且收敛速度提升了330倍以上。此外,其大部分Pareto解位于前沿面,明显优于ACO算法解集的离散分布。 展开更多
关键词 海底光缆路由规划 多目标优化 强化学习 Q学习 海缆系统经济性优化 海缆系统生存性优化
在线阅读 下载PDF
并行化的多目标优化海缆路由规划算法研究
3
作者 蒋佳芮 赵赞善 +1 位作者 段茂生 高冠军 《光通信研究》 北大核心 2025年第2期105-109,共5页
【目的】文章为了解决传统蚁群优化(ACO)算法更新同一张地图导致无法并行规划的缺陷,提出了一种并行多目标优化海缆路由规划算法,实现了局部区域的精细规划。【方法】文章采用分治思想将目标海域的栅格地图分割成多个栅格子图,建立了并... 【目的】文章为了解决传统蚁群优化(ACO)算法更新同一张地图导致无法并行规划的缺陷,提出了一种并行多目标优化海缆路由规划算法,实现了局部区域的精细规划。【方法】文章采用分治思想将目标海域的栅格地图分割成多个栅格子图,建立了并行化多目标优化海缆路由规划算法模型,并对模型关键参数进行优化,然后在最佳模型参数下,利用并行化蚁群优化(PACO)算法进行海底光缆路由规划,统计了Pareto前沿解下的海底光缆路由方案。【结果】仿真结果表明,并行多目标优化算法模型在分块数量为6,蚁群规模大小为150时,获得最佳的搜索能力和效率。PACO算法规划的海底光缆路由与传统ACO算法相比在相同风险条件下节省了33.9%的成本,且路由成本均小于传统ACO算法,路由最大成本与传统ACO算法的最小成本相比还降低了20.6%,同时相应的风险降低了65.8%。【结论】在多目标海底光缆路由规划中,与传统ACO算法相比,PACO算法不仅在规划结果上更优,而且运算时间效率提高至少8倍。 展开更多
关键词 海缆路由规划 并行蚁群优化算法 多目标优化
在线阅读 下载PDF
基于深度交叉网络的多任务学习OLT设备故障识别算法
4
作者 毛仕龙 赵赞善 +1 位作者 王皓宇 高冠军 《光通信技术》 北大核心 2025年第3期27-33,共7页
针对光网络数据集不均衡导致的人工智能(AI)模型偏差及特征学习不足问题,提出一种基于深度交叉网络(DCN)的多任务学习光线路终端(OLT)设备故障识别算法。首先,通过标准化均值-曼哈顿距离评估潜在故障,标记高相似度样本为质差数据;其次,... 针对光网络数据集不均衡导致的人工智能(AI)模型偏差及特征学习不足问题,提出一种基于深度交叉网络(DCN)的多任务学习光线路终端(OLT)设备故障识别算法。首先,通过标准化均值-曼哈顿距离评估潜在故障,标记高相似度样本为质差数据;其次,构建DCN-多任务学习(MTL)模型,引入高阶特征交叉增强学习能力,并以质差检测为辅助任务优化主任务训练。实验结果表明:与传统的深度神经网络相比,该算法在相同数据量下准确率提升1.15%、召回率提升11.83%、F1分数提升6.39%、曲线下面积(AUC)提升5.91%,各项指标均突破0.95,验证了算法在故障数据稀缺场景下的强检测能力。 展开更多
关键词 光接入网 故障检测 数据集不均衡 深度交叉网络 多任务学习
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部