改进蜻蜓算法优化极限学习机：多基地天波雷达高精度定位

"本文提出了一种改进的蜻蜓算法，用于优化极限学习机在多基地天波超视距雷达目标定位中的应用。通过引入Logistic混沌映射、反向学习策略和变异过程，改进了原始蜻蜓算法，避免陷入局部最优。优化后的蜻蜓算法被用来调整极限学习机的权重和隐含层偏置，从而提高定位精度。仿真结果显示，这种方法在目标定位的精度和可靠性上超过了传统的天波超视距雷达定位方法以及基于误差反向传播神经网络和径向基函数神经网络的定位方法。" 文章深入探讨了天波超视距雷达（Skywave Over-the-Horizon Radar, OTH-R）目标定位的挑战与解决方案。天波超视距雷达利用大气中的电离层反射，可以探测到视线范围之外的目标，但在定位精度上往往受到诸多因素的影响。为了解决这一问题，作者提出了一个创新的模型，即结合改进的蜻蜓算法（Dragonfly Algorithm）与极限学习机（Extreme Learning Machine, ELM）。 蜻蜓算法是一种自然启发式优化算法，源自蜻蜓寻找食物的行为模式。在本研究中，算法被改进以提高全局搜索能力，防止早熟收敛。Logistic混沌映射引入是为了增加算法的探索性，反向学习策略则有助于算法从错误中学习并改善其性能，而变异过程则增强了算法的多样性，防止陷入局部最优。 极限学习机是一种快速的单隐藏层前馈神经网络训练方法，其权重和偏置的初始设置对性能有很大影响。通过改进的蜻蜓算法优化这些参数，可以在不显著增加计算复杂性的前提下提升定位的精确度。 实证分析和仿真结果显示，采用该方法的多基地天波超视距雷达定位系统能实现高精度目标定位，并且在定位效果上优于常规的天波超视距雷达定位技术，以及基于误差反向传播神经网络（Backpropagation Neural Network, BPN）和径向基函数神经网络（Radial Basis Function Neural Network, RBFN）的定位方法。这一改进对于提升多基地天波超视距雷达系统的定位能力具有重要意义，为雷达系统的设计提供了新的思路和工具。 关键词：计算光学，天波超视距雷达，目标定位，极限学习机，蜻蜓优化算法，参数优化 该研究为天波超视距雷达的定位技术开辟了新路径，通过优化算法与机器学习模型的结合，提升了雷达系统在复杂环境下的定位性能，对未来的雷达系统设计和优化具有参考价值。