基于模拟退火与BEHHO算法的火力分配方案优化

针对军事协同作战中对多个敌方目标火力分配优化问题,提出了一种基于模拟退火与BEHHO算法的混合算法(BEHHO Algorithm Based on Simulated Annealing,BEHHO-SA)进行求解。首先,利用模拟退火算法对BEHHO算法的每次迭代个体进行优化,提高对火力分配问题的优化效果;其次,提出一种精英约束策略,引导种群的求解方向,提高BEHHO-SA算法的收敛速度,最后,构建火力分配的数学模型,并利用BEHHO-SA算法进行多次仿真实验,证明BEHHO-SA算法搜索速度快、寻优求解效果好,能够为火力分配问题提供有效途径。

基于深度学习的异常动态射频信号检测分类

本文提出了一个基于深度学习的调制信号分类解决方案,面向现实无线网络设置中的两种场景应用:信号类型随时间而变化的机变信号和信号类型是未知的异常信号。针对机变信号,我们提出了基于深度学习的CNN网络结构,利用弹性权值巩固(EWC)损失函数,解决随时间变化的机变信号。针对异常信号,本文提出了基于最小协方差的异常信号检测算法,通过检测卷积层输出的离群值分析未知信号,实现未知信号的分类。实验结果表明,本文算法对未知动态射频信号有较好的分类效果,并且对信噪比变化的鲁棒性较强。