基于决策灰狼优化支持向量机的指挥控制网络故障检测方法

针对复杂战场环境下,我军传统指挥控制网络故障检测方法准确率较低、耗时较长等问题,提出了一种基于决策灰狼优化支持向量机的方法来实现指挥控制网络故障检测。对采集到的网络故障数据集进行归一化处理;再利用主成分分析法(principal component analysis,PCA)对数据集进行降维处理从而剔除数据集中信息量较少的维度;构建支持向量机(support vector machines,SVM)模型,并运用决策灰狼优化(decision gray wolf optimization,DGWO)算法来进行全局寻优,以狼群所在的位置来代替SVM中核函数与惩罚因子的取值,通过不断地迭代寻优来更新狼群的位置,获得最优的核函数及惩罚因子,从而进行指挥控制网络故障检测。实验结果表明所提方法与其他方法相比检测准确率达到了98.68%,具有更高的实用性和有效性。

基于离散灰狼算法的多级阈值图像分割

阈值分割方法的关键在于阈值选取。阈值决定了图像分割结果的好与坏,随着阈值数量的增加,图像分割的计算过程越来越复杂。为了选取适当的阈值进行图像分割,文中提出了离散灰狼算法(Discrete Grey Wolf Optimizer,DGWO),即经过离散化处理的灰狼算法,并用该算法求解以Kapur分割函数为目标函数的全局优化问题。DGWO算法具有很好的全局收敛性与计算鲁棒性,能够避免陷入局部最优,尤其适合高维、多峰的复杂函数问题的求解,并且可以很好地融合到图像分割过程当中。大量的理论分析和仿真实验的结果表明,与遗传算法(GA)、粒子群算法(PSO)的图像分割结果相比,在选取多张分割图像、多个分割阈值的情况下,该算法具有更好的分割效果,更高的分割效率,优化得到的阈值范围更加稳定,分割质量更高。