Resumen

El rendimiento de detección del radar de ondas superficiales de alta frecuencia (HFSWR) está estrechamente relacionado con el efecto de supresión de los ecos parásitos marinos. Para suprimir eficazmente los ecos parásitos marinos, se propone un método de supresión de ecos parásitos marinos basado en una red neuronal de función de base radial (RBFNN) optimizada por el algoritmo de optimización del lobo gris (IGWO). En primer lugar, de acuerdo con las deficiencias del algoritmo estándar de optimización del lobo gris (GWO), como la lenta velocidad de convergencia y la facilidad con que se entra en el óptimo local, se propone una estrategia de búsqueda adaptativa de división del trabajo, que hace que la población tenga capacidades tanto de búsqueda a gran escala como de exploración local en todo el proceso de optimización. A continuación, se utiliza el algoritmo IGWO para optimizar la RBFNN y, finalmente, se establece un modelo de predicción de las perturbaciones marinas (IGWO-RBFNN) y se realiza la predicción y supresión de las perturbaciones marinas. Los experimentos muestran que el algoritmo IGWO ha mejorado significativamente la velocidad de convergencia y la precisión de la optimización. En comparación con el algoritmo de enjambre de partículas con estrategia de peso lineal decreciente (LDWPSO) y el algoritmo GWO, el modelo de predicción RBFNN optimizado por el algoritmo IGWO tiene una mayor precisión de predicción y un mejor efecto de supresión de las perturbaciones marinas de HFSWR.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:marino, optimización del lobo gris, algoritmo igwo, modelo de predicción del marino, proceso de optimización completo, velocidad de convergencia lenta, mayor precisión de predicción, supresión del mar, velocidad de convergencia mejorada, mejores efectos de supresión
• Keywords:sea clutter, gray wolf optimization, igwo algorithm, clutter prediction model, entire optimization process, slow convergence speed, higher prediction accuracy, suppression of sea, improved convergence speed, better suppression effects