基于最佳深度学习的白优化器,以有效的无人机通信和现场分类为基础
T Nadana Ravishankar1, M Ramprasath2, A Daniel3
1Department of Data Science and Business Systems, SRM Institute of Science and Technology, Kattankulathur, Chennai, Tamil Nadu, India.
Scientific reports
|December 28, 2023
概括
本研究介绍了一种利用深度学习优化无人机集群和场景分类的新技术. WSOODL-UAVCSC方法增强了无人机网络的通信和数据分析,特别是在灾难场景中.
科学领域:
- 计算机科学 计算机科学
- 电气工程 电气工程
- 人工智能的人工智能
背景情况:
- 无人机对于下一代无线网络至关重要,支持灾难响应和物联网 (IoT) 等应用程序.
- 由于数据复杂性和动态环境,深度学习方法在无人机集群和场景分类方面面临挑战.
研究的目的:
- 开发一种无人机集群和现场分类的有效技术.
- 提高无人机网络中的通信效率和数据分析能力.
主要方法:
- 拟议的白优化器与最佳深度学习基于有效的无人机通信和场景分类 (WSOODL-UAVCSC) 技术.
- 使用白优化器 (WSO) 进行无人机集群和动态网络调整.
- 采用囊网络 (CapsNet) 进行特征提取,海洋捕食者算法 (MPA) 进行超参数调整,以及回声状态网络 (ESN) 进行场景分类.
主要成果:
- 与现有方法相比,WSOODL-UAVCSC技术显示出更高的性能.
- 实现了高精度 (99.12%),精度 (97.45%),回忆 (98.90%) 和F1得分 (98.10%).
- 通过广泛的模拟分析验证,证实了增强的稳定性和有效性.
结论:
- WSOODL-UAVCSC技术显著改善了无人机集群和场景分类.
- 为复杂,动态的无人机通信和数据分析任务提供强大的解决方案.
- 突出了先进无人机应用程序集成深度学习和优化算法的潜力.
