CN111126549A - 一种基于策略改进樽海鞘智能算法的双星光谱拟合方法 - Google Patents
一种基于策略改进樽海鞘智能算法的双星光谱拟合方法 Download PDFInfo
- Publication number
- CN111126549A CN111126549A CN201911348053.1A CN201911348053A CN111126549A CN 111126549 A CN111126549 A CN 111126549A CN 201911348053 A CN201911348053 A CN 201911348053A CN 111126549 A CN111126549 A CN 111126549A
- Authority
- CN
- China
- Prior art keywords
- population
- spectrum
- formula
- strategy
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 21
- 241000251555 Tunicata Species 0.000 title claims abstract description 18
- 235000013305 food Nutrition 0.000 claims abstract description 39
- 241000251557 Ascidiacea Species 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 230000000739 chaotic effect Effects 0.000 claims abstract description 11
- 238000005295 random walk Methods 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims description 41
- 230000006978 adaptation Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 241000238424 Crustacea Species 0.000 claims description 3
- 241000142877 Halymenia Species 0.000 claims description 3
- 240000005546 Piper methysticum Species 0.000 claims description 3
- 235000016787 Piper methysticum Nutrition 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000009191 jumping Effects 0.000 abstract description 3
- 230000002028 premature Effects 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000002922 simulated annealing Methods 0.000 description 3
- 230000004907 flux Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于策略改进樽海鞘智能算法的双星光谱拟合方法,首先将待拟合的观测光谱波段设置其在双星模型下的理论光谱星族样本库;然后运用策略改进樽海鞘智能算法对待拟合的观测光谱在理论光谱星族样本库中进行寻优,获得最优拟合光谱。本发明将混沌映射、以及反向学***滑,更利于跳出局部早熟,将策略改进后的樽海鞘智能算法应用于双星光谱拟合时,拟合速度更快,拟合精度更高。
Description
技术领域
本发明属于大数据处理技术领域,具体涉及一种基于策略改进樽海鞘智能算法的海量双星光谱数据拟合方法。
背景技术
星系或星团的光谱主要来自恒星。星系的光谱蕴含了大量的星系物理信息,如何快速、准确的分析星系的观测光谱从而获得星系的相关物理参数估计,是研究星系演化形成的关键。随着巡天技术的发展,越来越多的高质量的星系观测光谱数据被采集。星族合成方法即是用星族的积分特性例如光谱等和观测到的或者理论星族模型比对,从而确定构成该星系的恒星成分及物理参数的过程。研究表明星系中双星占比超过50%,双星星族合成是对天体物理研究具有重要意义,被列为未来几十年星族合成的六大挑战之一。光谱拟合是星族合成方法的关键,是利用星族可计算特征量(如光谱分布等)通过拟合来估计星族的相关参数信息。具体来说是从模型光谱库中找到最逼近观察光谱的模型光谱,星族光谱拟合的实质是在模型光谱库对应的参数空间进行搜索,找到与被拟合的观察光谱最小值χ2=∑[(fobλ-fthλ)2ωλ]所对应的模型光谱,其中fobλ和fthλ分别为观测和理论光谱,而ωλ是波长λ的权重,最佳结果对应于min(χ2),在大多数情况下,ωλ=1/Eoλ 2表示使用观察误差,ωλ也可以根据特殊要求分配给固定的值,其本质是一个最优化问题,该问题数据规模庞大、目标函数不易求导。
近年来,发式的搜索算法凭借其独特的全局寻优能力而受到了学术和工业界的广泛关注,它们被普遍认为比传统寻优方法具有更大的机会找到全局最优解,因此提出多种基于元启发式算法来拟合双星光谱模型参数。
双星光谱拟合传统的方法是采用网格搜索法,其性能主要受光谱数据的海量规律下导致效率较低,全局寻优能力不足。实验表明采用全网格搜索方法在个人普通电脑上拟合一条全光谱段拟合大约需要7.5个小时。现有的结合启发式智能算法拟合的方法采用Metropolis模拟退火算法(SA,Simulated Annealing)与Markov链,尽管模拟退火算法从任意初始点开始,若按照一定条件产生足够长的Markov链,则算法以概率1.0收敛于全局极小点,但是,实际运行时,由于Markov链的长度与运算时间都是有限的,因此,算法通常表现为较强的局部搜索能力,而全局搜索能力较差,且最终的收敛结果受初始值影响较大。标准的樽海鞘算法(Salp Swarm Algorithm)由Seyedali Mirjalili和Amir H.Gandomi等人于2017年提出,是一种模仿樽海鞘觅食群智能仿生优化算法。相比模拟退火法,这种基于种群的元启发式算法比基于单体的元启发式算法有优势。具体如下:1.搜索过程从随机生成的种群开始。2.多种群可以在搜索空间内共享信息,避免局部最优解。3.基于多种群的元启发式算法的搜索能力优于基于单体的元启发式算法。然而,标准的樽海鞘算法以樽海鞘链基于群体最优的方式能够实现快速收敛,然而在全局搜索多样性上有所不足,由于种群多样性的局限和食物源更新机制的不足在多峰值问题上极易陷入局部早熟,不易跳出局部最优陷阱,收敛速度慢,精度不高,不容易找到拟合度更优的全局估计参数。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种迭代次数少,收敛速度快,精度高,且不容易陷入局部早熟的基于策略改进樽海鞘智能算法的双星光谱拟合方法。
本发明采用的技术方案是:
一种基于策略改进樽海鞘智能算法的双星光谱拟合方法,具体包括如下步骤:
步骤1:对待拟合的观测光谱进行预处理,根据待拟合的观测光谱波段设置其在双星模型下的理论光谱星族样本库;
步骤2:应用策略改进樽海鞘智能算法对步骤1中待拟合的观测光谱在理论光谱星族样本库中进行寻优,获得最优拟合光谱。
所述步骤2具体包括如下子步骤:
步骤2.1:种群初始化及对种群个体实数编码
初始化种群中的个体变量及相关参数,并对种群个体实数编码,其中种群X={Xi,i=1,2,3,……,N},种群个体Xi={Xid,d=1,2,3,……,D},N为种群的个数,D为搜索空间的维度,F为樽海鞘链的食物源;
采用混沌映射函数式(6)对种群个体进行映射,映射方式为式(7),映射完成后采用式(8)对种群进行反向学习,
Xid=Xmibd+yid*(Xmaxd-Xmind) (7)
OXid=Xmin d+Xmax d-Xid (8)
式(6)中,混沌映射函数在D维空间中生成混沌序列y={yd,d=1,2,……,D},yd={yid,i=1,2,……,N};
式(7)中,N为种群的个数,Xmind为搜索的下界,Xmaxd为搜索的上界,D为搜索空间的维度,定义最大搜索迭代次数为L;
式(8)中,反向种群OX={OXi,i=1,2,……,N},反向种群个体OXi={OXid,d=1,2,……,D};
步骤2.2:使用式(5)计算观测光谱的适应值,
x2=∑[(fobλ-fthλ)2ωλ] (5)
式(5)中,fobλ是观测光谱,fthλ是理论光谱,而ωλ是波长λ的权重;对式(5)中获得的适应值进行排序找到最小适应值并赋值给食物源F,作为当前食物适应值;
步骤2.3:根据式(4)按照随机游走策略更新当前食物适应值,即食物源F,并按照精英策略保留,
式(4)中,xn是第n步后的位置,αi是步长控制因子,si取自柯西分布随机数;
步骤2.4:种群位置更新
计算种群中的个体适应值,将最优适应值所对应的个***置赋值给食物源F,将种群的前半部分定义为带队樽海鞘,负责引导群体向最优解移动,其位置更新方式为式(2),
其中,其中是第j维第一只带队樽海鞘的位置,Fj是第j维食物源的位置,c2、c3是(0-1)的随机数,ubj是第j维搜索空间的搜索上界,lbj是第j维搜索空间的搜索下界,l为当前迭代次数,c1为迭代因子,由式(1)确定;
种群的后半部分定义为跟随樽海鞘,其位置更新方式为式(3),
式(3)中,Xi j是第i个跟随樽海鞘在第j维搜索空间的位置,Xi-1 j是第i-1个跟随樽海鞘在第j维搜索空间的位置;
步骤2.5:种群中的所有樽海鞘完成位置更新后根据搜索的上界和搜索的下界对种群进行修正,得到更新后的群体中每个个体的适应值;将更新后的群体中的每个个体的适应值与当前食物适应值相比较,若存在优于当前食物适应值的个体,则以适应值更优的樽海鞘个***置作为新的食物位置,即将最优个体适应值所对应的位置赋值给食物源F;
步骤2.6:判断是否达到最大迭代次数或终止条件,如果达到最大迭代次数或者满足终止条件则算法终止,输出最优个***置,得到最优拟合光谱。
相比于现有技术,本发明具备以下的优点:本发明将混沌映射函数产生的随机数、以及反向学***滑,更利于跳出局部早熟,将策略改进后的樽海鞘智能算法应用于双星光谱拟合时,拟合速度更快,拟合精度更高。
附图说明
图1为本发明的流程示意图;
图2为未增加自适应惯性因子的算法收敛曲线;
图3为增加自适应惯性因子的算法收敛曲线;
图4为种群个体为500时的算法收敛曲线;
图2-图4中纵轴为适应值(fitness),横轴为迭代次数(iteration),标题为总耗时间(total cost times);
图5为双星光谱拟合曲线;
图5中纵轴为光谱辐射流量(flux)在波长为5500的相对值,横轴为光谱波长(λ),Z=0.017为金属丰度取值0.017,redshift=0.003586为红移取值0.003586,dashed,dotted,solid分别为虚线、点线和实线代表包含2个、3个和6个组分的星族的光谱能量分布。
具体实施方式
为了更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明技术方案作进一步的详细说明:
结合图1-图5,一种基于策略改进樽海鞘智能算法的双星光谱拟合方法,具体包括如下步骤:
步骤1:对待拟合的观测光谱进行预处理,根据待拟合的观测光谱波段设置其在双星模型下的理论光谱星族样本库;
步骤2:应用策略改进樽海鞘智能算法对步骤1中待拟合的观测光谱在理论光谱星族样本库中进行寻优,获得最优拟合光谱。
所述步骤2具体包括如下子步骤:
步骤2.1:种群初始化及对种群个体实数编码
初始化种群中的个体变量及相关参数,并对种群个体实数编码,其中种群X={Xi,i=1,2,3,……,N},种群个体Xi={Xid,d=1,2,3,……,D},N为种群的个数,D为搜索空间的维度,F为樽海鞘链的食物源;
采用混沌映射函数式(6)对种群个体进行映射,映射方式为式(7),映射完成后采用式(8)对种群进行反向学习,
Xid=Xmind+yid*(Xmaxd-Xmind) (7)
OXid=Xmin d+Xmax d-Xid (8)
式(6)中,混沌映射函数在D维空间中生成混沌序列y={yd,d=1,2,……,D},yd={yid,i=1,2,……,N};
式(7)中,N为种群的个数,Xmind为搜索的下界,Xmaxd为搜索的上界,D为搜索空间的维度,定义最大搜索迭代次数为L;
式(8)中,反向种群OX={OXi,i=1,2,……,N},反向种群个体OXi={OXid,d=1,2,……,D};
步骤2.2:使用式(5)计算观测光谱的适应值,
χ2=∑[(fobλ-fthλ)2ωλ (5)
式(5)中,fobλ是观测光谱,fthλ是理论光谱,而ωλ是波长λ的权重;
对式(5)中获得的适应值进行排序找到最小适应值并赋值给食物源F;具体应用中将樽海鞘种群的每个个体实数编码映射到待拟合观测光谱库,实现使用樽海鞘的个***置来编码所要拟合的观测光谱库样本编号;带入式(5)计算个体的适应值,并按降序排列,将对应最小适应值的个***置赋值给食物源F,作为当前食物适应值;
步骤2.3:根据式(4)按照随机游走策略更新当前食物适应值,即食物源F,并按照精英策略保留,
式(4)中,xn是第n步后的位置,αi是步长控制因子,si取自柯西分布随机数;
步骤2.4:种群位置更新
计算种群中的个体适应值,将最优适应值所对应的个***置赋值给食物源F,将种群的前半部分定义为带队樽海鞘,负责引导群体向最优解移动,其位置更新方式为式(2),
其中,其中是第j维第一只带队樽海鞘的位置,Fj是第j维食物源的位置,c2、c3是(0-1)的随机数,ubj是第j维搜索空间的搜索上界,lbj是第j维搜索空间的搜索下界,l为当前迭代次数,c1为迭代因子,由式(1)确定;
进一步的,作为优选,采用式(9)对食物源F的惯性进行调整,
其中it与l定义一致,均为当前迭代次数,ω(it)为当前迭代次数对应的惯性因子,作用在(2)式Fj前:将原来的Fj项替换为ω(it)*Fj,增加自适应指数惯性因子ω(it)使得算法收敛更平滑、更高效;具体如下式所示:
种群的后半部分定义为跟随樽海鞘,其位置更新方式为式(3),
式(3)中,Xi j是第i个跟随樽海鞘在第j维搜索空间的位置,Xi-1 j是第i-1个跟随樽海鞘在第j维搜索空间的位置;
步骤2.5:种群中的所有樽海鞘完成位置更新后根据搜索的上界和搜索的下界对种群进行修正,得到更新后的群体中每个个体的适应值;将更新后的群体中的每个个体的适应值与当前食物适应值相比较,若存在优于当前食物适应值的个体,则以适应值更优的樽海鞘个***置作为新的食物位置,即将最优个体适应值所对应的位置赋值给食物源F;
步骤2.6:判断是否达到最大迭代次数或终止条件,如果达到最大迭代次数或者满足终止条件则算法终止,输出最优个***置,得到最优拟合光谱。
实施例1
对策略改进樽海鞘智能算法进行仿真实验,实验平台为Python,操作***为Windows,内存容量为8GB,CPU型号为i5-85000。选取选取测试函数(Sphere函数)F1x(-100,100),搜索空间维度D取30,初始化樽海鞘种群个体数量为50,测试得到的收敛曲线为图2所示;增加食物源自适应惯性因子后收敛曲线为图3所示,由图可知增加自适应惯性因子后收敛更平滑,更利于算法跳出局部早熟;此外,增加初始化樽海鞘种群个体数量为500后收敛曲线为图4所示,算法收敛速度明显提升,耗时从23.459s降到2.11s。
实施例2
采用策略改进樽海鞘智能算法对观测光谱进行拟合实验(实验所使用的观测光谱数据以及理论光谱数据均为现有数据),实验平台为Python,操作***为Windows,内存容量为8GB,CPU型号为i5-85000。采用基于chap函数双星模型演化库拟合观测光谱(编号:spec-0266-51630-0010.fits),得到拟合曲线如图5所示,拟合速度更快,拟合精度较高,符合拟合需求。
Claims (3)
1.一种基于策略改进樽海鞘智能算法的双星光谱拟合方法,其特征在于,包含如下步骤:
步骤1:将待拟合的观测光谱波段设置在双星模型下的理论光谱星族样本库;
步骤2:应用策略改进樽海鞘智能算法对步骤1中待拟合的观测光谱在理论光谱星族样本库中进行寻优,获得最优拟合光谱。
2.根据权利要求1所述的一种基于策略改进樽海鞘智能算法的双星光谱拟合方法,其特征在于,所述步骤2具体包括如下子步骤:
步骤2.1:种群初始化及对种群个体实数编码
初始化种群中的个体变量及相关参数,并对种群个体实数编码,其中种群X={Xi,i=1,2,3,……,N},种群个体Xi={Xid,d=1,2,3,……,D},N为种群的个数,D为搜索空间的维度;
采用混沌映射函数式(6)对种群个体进行映射,映射方式为式(7),映射完成后采用式(8)对种群进行反向学习,
Xid=Xmind+yid*(Xmaxd-Xmind) (7)
OXid=Xmind+Xmaxd-Xid (8)
式(6)中,混沌映射函数在D维空间中生成混沌序列y={yd,d=1,2,……,D},yd={yid,i=1,2,……,N};
式(7)中,N为种群的个数,Xmind为搜索的下界,Xmaxd为搜索的上界,D为搜索空间的维度;
式(8)中,反向种群OX={OXi,i=1,2,……,N},反向种群个体OXi={OXid,d=1,2,……,D};
步骤2.2:使用式(5)计算观测光谱的适应值,
χ2=Σ[(fobλ-fthλ)2ωλ] (5)
式(5)中,fobλ是观测光谱,fthλ是理论光谱,而ωλ是波长λ的权重;对式(5)中获得的适应值进行排序找到最小适应值并赋值给食物源F,作为当前食物适应值;
步骤2.3:根据式(4)按照随机游走策略更新当前食物适应值,即食物源F,并按照精英策略保留,
式(4)中,xn是第n步后的位置,αi是步长控制因子,si取自柯西分布随机数;
步骤2.4:种群位置更新
计算种群中的个体适应值,将最优适应值所对应的个***置赋值给食物源F,将种群的前半部分定义为带队樽海鞘,负责引导群体向最优解移动,其位置更新方式为式(2),
其中,其中是第j维第一只带队樽海鞘的位置,Fj是第j维食物源的位置,c2、c3是(0-1)的随机数,ubj是第j维搜索空间的搜索上界,lbj是第j维搜索空间的搜索下界,l为当前迭代次数,L为最大搜索迭代次数,c1为迭代因子,由式(1)确定;
种群的后半部分定义为跟随樽海鞘,其位置更新方式为式(3),
式(3)中,Xi j是第i个跟随樽海鞘在第j维搜索空间的位置,Xi-1 j是第i-1个跟随樽海鞘在第j维搜索空间的位置;
步骤2.5:种群中的所有樽海鞘完成位置更新后根据搜索的上界和搜索的下界对种群进行修正,得到更新后的群体中每个个体的适应值;将更新后的群体中的每个个体的适应值与当前食物适应值相比较,若存在优于当前食物适应值的个体,则以适应值更优的樽海鞘个***置作为新的食物位置,即将最优个体适应值所对应的位置赋值给食物源F;
步骤2.6:判断是否达到最大迭代次数或终止条件,如果达到最大迭代次数或者满足终止条件则算法终止,输出最优个***置,得到最优拟合光谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911348053.1A CN111126549A (zh) | 2019-12-24 | 2019-12-24 | 一种基于策略改进樽海鞘智能算法的双星光谱拟合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911348053.1A CN111126549A (zh) | 2019-12-24 | 2019-12-24 | 一种基于策略改进樽海鞘智能算法的双星光谱拟合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111126549A true CN111126549A (zh) | 2020-05-08 |
Family
ID=70501822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911348053.1A Pending CN111126549A (zh) | 2019-12-24 | 2019-12-24 | 一种基于策略改进樽海鞘智能算法的双星光谱拟合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126549A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506036A (zh) * | 2020-05-25 | 2020-08-07 | 北京化工大学 | 一种重尾噪声干扰下的多变量Hammerstein模型辨识方法及*** |
CN112613391A (zh) * | 2020-12-18 | 2021-04-06 | 湖北工业大学 | 一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法 |
CN113270869A (zh) * | 2021-05-31 | 2021-08-17 | 河北工业大学 | 一种含光伏配电网的无功优化方法 |
CN113627382A (zh) * | 2021-08-24 | 2021-11-09 | 北京电信易通信息技术股份有限公司 | 面向视频会议***的用户行为识别方法、***及存储介质 |
CN113959448A (zh) * | 2021-10-26 | 2022-01-21 | 江苏海洋大学 | 一种基于改进樽海鞘群算法的水下地形辅助导航方法 |
CN114398762A (zh) * | 2021-12-22 | 2022-04-26 | 淮阴工学院 | 一种基于樽海鞘算法的高精度储能元件模型的拟合方法及装置 |
CN118213011A (zh) * | 2024-05-22 | 2024-06-18 | 之江实验室 | 星云光谱分子证认方法、电子装置和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007023289A1 (en) * | 2005-08-24 | 2007-03-01 | Isis Innovation Limited | Biomolecular structure determination involving swarm intelligence |
CN109284860A (zh) * | 2018-08-28 | 2019-01-29 | 温州大学 | 一种基于正交反向樽海鞘优化算法的预测方法 |
CN110006649A (zh) * | 2018-12-24 | 2019-07-12 | 湖南科技大学 | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 |
CN110276437A (zh) * | 2019-06-21 | 2019-09-24 | 广西大学 | 基于Fuch映射的混合改进灰狼优化算法 |
-
2019
- 2019-12-24 CN CN201911348053.1A patent/CN111126549A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007023289A1 (en) * | 2005-08-24 | 2007-03-01 | Isis Innovation Limited | Biomolecular structure determination involving swarm intelligence |
CN109284860A (zh) * | 2018-08-28 | 2019-01-29 | 温州大学 | 一种基于正交反向樽海鞘优化算法的预测方法 |
CN110006649A (zh) * | 2018-12-24 | 2019-07-12 | 湖南科技大学 | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 |
CN110276437A (zh) * | 2019-06-21 | 2019-09-24 | 广西大学 | 基于Fuch映射的混合改进灰狼优化算法 |
Non-Patent Citations (6)
Title |
---|
E. TAMAJO 等: "Constrained fitting of disentangled binary star spectra:application to V615Per in the open cluster h Persei", 《ARXIV》 * |
J. FEDERICO RAMÍREZ 等: "PREDICTION OF STELLAR ATMOSPHERIC PARAMETERS USING INSTANCE-BASEDMACHINE LEARNING AND GENETIC ALGORITHMS", 《EXPERIMENTAL ASTRONOMY》 * |
匡芳君 等: "Tent 混沌人工蜂群与粒子群混合算法", 《控制与决策》 * |
张达敏 等: "基于疯狂自适应的樽海鞘群算法", 《控制与决策》 * |
陈承滨 等: "基于蚁狮优化算法与迹稀疏正则化的结构损伤识别", 《振动与冲击》 * |
韩金姝: "基于遗传算法的星族合成参数估计", 《天文学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111506036A (zh) * | 2020-05-25 | 2020-08-07 | 北京化工大学 | 一种重尾噪声干扰下的多变量Hammerstein模型辨识方法及*** |
CN112613391A (zh) * | 2020-12-18 | 2021-04-06 | 湖北工业大学 | 一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法 |
CN112613391B (zh) * | 2020-12-18 | 2022-06-07 | 湖北工业大学 | 一种基于反向学习二进制水稻育种算法的高光谱图像波段选择方法 |
CN113270869A (zh) * | 2021-05-31 | 2021-08-17 | 河北工业大学 | 一种含光伏配电网的无功优化方法 |
CN113270869B (zh) * | 2021-05-31 | 2022-07-29 | 河北工业大学 | 一种含光伏配电网的无功优化方法 |
CN113627382A (zh) * | 2021-08-24 | 2021-11-09 | 北京电信易通信息技术股份有限公司 | 面向视频会议***的用户行为识别方法、***及存储介质 |
CN113627382B (zh) * | 2021-08-24 | 2022-02-22 | 北京电信易通信息技术股份有限公司 | 面向视频会议***的用户行为识别方法、***及存储介质 |
CN113959448A (zh) * | 2021-10-26 | 2022-01-21 | 江苏海洋大学 | 一种基于改进樽海鞘群算法的水下地形辅助导航方法 |
CN113959448B (zh) * | 2021-10-26 | 2023-08-29 | 江苏海洋大学 | 一种基于改进樽海鞘群算法的水下地形辅助导航方法 |
CN114398762A (zh) * | 2021-12-22 | 2022-04-26 | 淮阴工学院 | 一种基于樽海鞘算法的高精度储能元件模型的拟合方法及装置 |
CN118213011A (zh) * | 2024-05-22 | 2024-06-18 | 之江实验室 | 星云光谱分子证认方法、电子装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126549A (zh) | 一种基于策略改进樽海鞘智能算法的双星光谱拟合方法 | |
CN108564192B (zh) | 一种基于气象因子权重相似日的短期光伏功率预测方法 | |
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
CN111353582B (zh) | 一种基于粒子群算法的分布式深度学习参数更新方法 | |
CN109345027B (zh) | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 | |
CN109002948B (zh) | 基于cda-bp的微电网短期光伏发电功率预测方法 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法 | |
CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN111260126A (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
CN110895772A (zh) | 基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
CN113537365B (zh) | 一种基于信息熵动态赋权的多任务学***衡方法 | |
CN112732864A (zh) | 一种基于稠密伪查询向量表示的文档检索方法 | |
CN113722980A (zh) | 海洋浪高预测方法、***、计算机设备、存储介质、终端 | |
CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及*** | |
CN116842354A (zh) | 基于量子人工水母搜索机制的特征选择方法 | |
CN111639695A (zh) | 一种基于改进果蝇优化算法对数据进行分类的方法及*** | |
CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
CN111275074A (zh) | 基于栈式自编码网络模型的电力cps信息攻击辨识方法 | |
CN112819062B (zh) | 基于混合粒子群和连续投影的荧光光谱二次特征选择方法 | |
CN115952924B (zh) | 一种基于优化vmd与特征热力图的短期风电功率预测方法 | |
CN113807005B (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
CN115392387B (zh) | 一种低压分布式光伏发电出力预测方法 | |
CN110705704A (zh) | 一种基于相关性分析的神经网络自组织遗传进化算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200508 |
|
RJ01 | Rejection of invention patent application after publication |