连续型Hopfield神经网络在无人机路径规划中的应用

路径优化问题是智能运输领域中的核心问题,合理的路径能有效提高运输效率,节约时间成本。基于对连续型和离散型的Hopfield神经网络特点进行分析,设计了一种基于连续型的Hopfield神经网络的路径规划方法,用于无人机路线规划。首先对神经网络的结构进行了说明,其次引入能量函数,用于定义神经网络的稳定性。再将目标函数映射为能量函数,将问题的变量对应到神经元的状态,那么当能量函数趋于最小值时,目标函数的最优解便随即得出。最后对案例进行仿真实验,得出最优解,验证了该方法的有效性和实用性。

基于改进人工蜂群算法的无人机路径规划研究

针对传统无人机路径规划算法存在收敛速度慢、效率低以及易陷入局部最优的缺点,本文提出了一种改进的人工蜂群路径规划算法。首先利用佳点集的方式生成初代蜜源位置,保证蜜源信息的多样性和均匀性;接着在采蜜蜂搜索机制中引入自适应动态调节因子,加强了算法前期的全局寻优能力和后期的局部寻优能力;最后,采用大步长搜索机制加强侦查蜂的寻优效果。仿真结果显示,改进后的算法寻优能力得到了显著的提高。

基于改进YOLOv5的交通标志检测算法研究

针对交通标志检测网络复杂度高、计算量大、难以进行有效部署的问题,提出一种基于改进YOLOv5的交通标志检测算法。该算法首先使用轻量级卷积神经网络Mobilenev3对原YOLOv5网络的主干特征提取网络进行替换;使用深度可分离卷积替换部分标准卷积,来缩减模型计算量;为保证模型检测精度,引入注意力机制CBAM模块。实验表明,改进后的轻量化网络模型大小只为原YOLOv5模型大小的61%,整理后TT100K数据集上的mAP达到了89.2%,FPS达到了25.1帧/毫秒。本文提出的算法在保证检测精度的前提下,大幅度减少了模型参数量和计算量,并提高了检测速度。

免疫优化算法在农村5G基站选址中的应用

针对我国农村地区地形较复杂,山地、丘陵较多,基站选址存在难度大、成本高的问题,提出了一种基于免疫优化算法的基站选址模型。在该模型中,把待求解的选址问题当作抗原,经过免疫优化算法迭代计算,找出亲和度最高的个体,得到问题的解。通过与遗传算法下的的基站选址模型比较,结果表明:基于免疫优化算法的基站选址模型具有一定的实用性和可靠性,能够以较小的成本获得最佳的基站建设位置,拥有较强的全局寻优能力。