基于深度学习的时间序列预测方法综述

时间序列预测通过分析时间序列找到其内在规律性对未来发展进行预测,其研究有着重要的学术意义和应用价值.特别随着传感器和网络技术的发展,如何基于大量历史时序数据进行更加精准和高效的预测分析成为了需要解决的迫切问题.时间序列预测任务充分借鉴了深度学习的技术研究成果,在近些年取得了快速发展.本文分析了时间序列预测技术的研究现状,论述了时间序列预测所涉及到深度学习方法的相关理论和方法,包括卷积神经网络、循环神经网络、注意力机制和图神经网络等方法在时间预测领域的应用,归纳总结近年来基于深度学习的时间序列研究成果,比较了基于各种深度学习时间序列方法的优缺点,在此基础上对基于深度学习时间序列预测方法的发展进行了展望.

基于紧凑蚁狮算法的三维路径规划研究

现有导弹三维路径规划算法仅将距离作为优化目标,没有考虑通信连通性和作战隐蔽性的需求,往往不能获得较好的战术效果,而且大多采用元启发式算法,计算量大,不利于嵌入式应用.针对此问题,本文提出一种基于紧凑蚁狮算法的三维路径规划方法,将距离、通信连通性、作战隐蔽性作为多优化目标,对蚁狮算法进行紧凑改进,通过截断正态分布模型得到虚拟种群来取代实际种群,达到优化算法步骤和减少计算量的目的.MATLAB仿真试验结果表明,紧凑蚁狮算法(cALO)相比狼群算法(WPA)、粒子群算法(PSO)、蚁群算法(ACO)、蚁狮算法(ALO),可以较大提升三维路径规划的综合效果,占用较少的内存并极大地加快算法收敛速度,十分适合导弹的嵌入式环境应用.