约束多目标进化算法修补算子的研究

为了避免约束多目标进化算法陷入局部最优,提出了一种新的边界修补算子.该边界修复算子受到反向学习的启发,把违法盒型约束的解修复到其对应的反向可行边界,以增强约束多目标进化算法的多样性.为了验证所提的修补算子的有效性,在经典的约束多目标基准测试问题CTP2-CTP8上进行了实验仿真,仿真的结果表明所提出的新型的修补算子在多样性和收敛性上均优于现有的边界修补算子.为了进一步验证所提出的新型修补算子,设计了一组约束多目标优化问题MCOP1-MCOP7,作为CTP测试问题的有效补充.在MCOP1-MCOP7上的仿真结果同样表明,所提出的新型边界修补算子同时在收敛性和多样性上要优于现有的修补算子.

基于1D-CNN的Φ-OTDR地埋光纤振动事件分类方法

Φ-OTDR分布式光纤传感系统在安全监测领域应用广泛,其关键的任务是振动事件的类型识别。传统的模式识别方法的识别率和鲁棒性都不够理想,而基于深度学习的方法能自发从数据提取特征并完成分类,准确率和适应性都更好。相比二维卷积神经网络(2D-CNN),一维卷积神经网络(1D-CNN)的网络大小和训练速度均更有优势,本文以LeNet-5为基准网络,实现了基于1D-CNN的Φ-OTDR地埋光纤检测振动事件分类,并通过实验法对比分析了不同结构超参数对识别效果的影响,选取最优参数构建LeNet-1D-V网络。实验结果显示,本文构建的LeNet-1D-V在5种类别的地埋光纤振动事件分类中,将分类准确率从92.3%提升至94.6%,为多事件类型的地埋光纤事件分类研究提供了参考依据。