基于DOA-ELM的移动通信网络故障诊断模型

为实现移动通信网络故障的精准识别,文章提出一种基于澳洲野犬算法(Dingo Optimization Algorithm,DOA)优化极限学习机(Extreme Learning Machine,ELM)的故障诊断模型(DOA-ELM)。以12个网络故障特征量为输入、4种连接故障为输出,采用DOA算法优化ELM的输出权值,构建了网络结构为12-13-4的DOA-ELM模型。实验结果表明,DOA-ELM模型的平均诊断精度达到97.81%,相较于其他三种模型,该模型具有更高的诊断精度和模型稳定性,验证了其有效性。

基于DOA-BP神经网络的电离层TEC短期预测

影响全球导航卫星系统(GNSS)所需导航性能(RNP)的最大误差源之一是电离层延迟,该延迟与电离层总电子含量(TEC)成正比,因此TEC的准确预测直接影响到GNSS的RNP。探索性地使用2021年提出的澳洲野犬优化算法(DOA)优化反向传播(BP)神经网络,构建DOA-BP神经网络TEC短期预测模型,以欧洲定轨中心(CODE)提供的电离层TEC值作为数据集,训练、测试DOA-BP TEC短期预测模型,实现全球范围和中国区域不同电离层格网点处TEC值的高精度短期预测,并将预测结果分别与传统BP神经网络模型、麻雀搜索算法(SSA)优化的BP神经网络模型(SSA-BP)预测的TEC值进行对比分析,结果表明,相较传统BP模型,DOA-BP模型的TEC预测精度明显提高,且相比其他优化模型(如SSA-BP模型),预测的TEC精度也占一定优势,能准确反映全球不同时空下电离层TEC的变化特征,可作为电离层TEC短期预测的一种新方法。