.png){kind=icon}
返回
Localization of a radioactive source with the predictive range-whale optimization algorithm method
.png){kind=icon}
OA
AI
DOI：10.1016/j.net.2025.103562.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
启发式算法能够有效提高基于最大似然估计方法对放射性源状态估计的准确性和效率。然而，启发式算法通常过早收敛于局部最优解，影响稳定性，使其不适合长期监测任务。为解决此问题，本文提出了预测范围—鲸鱼优化算法（PR-WOA）方法。首先，通过整合历史预测结果确定放射性源的预测位置和强度范围。随后，初始种群在预测范围内更为集中，以提高算法的局部优化能力。最后，引入惯性权重以自适应调整搜索步长，从而提升其全局搜索能力和效率。PR-WOA方法通过仿真和实验数据进行了性能评估。对比研究表明，所提出的方法显著提高了预测放射性源状态的准确性和稳定性。在2022年杭州放射性源定位实验中，PR-WOA方法在追踪搭载于无人机上的移动放射性源轨迹时，实现了1.30m的平均定位精度。与传统启发式算法相比，该方法将定位精度提高了17.9%，并在长期监测中的定位稳定性提升了19.0%。
Keyword:
Radioactive source
Localization
Maximum likelihood estimation
Whale optimization algorithm
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.6
论文数:
1.7K
被引数:
7.9K
机构
引用论文
Improved multi-resolution method for MLE-based localization of radiation sources改进的多分辨率方法用于基于MLE的辐射源定位OAAI
OAAI分享收藏Rapid localization of radioactive leaks based on hybrid adaptive grey wolf algorithm基于混合自适应灰狼算法的放射性泄漏快速定位
PREAI
分享收藏Improvement of Population Diversity of Meta-heuristics Algorithm Using Chaotic Map利用混沌映射改进元启发式算法的种群多样性
PREAI
分享收藏Machine learning for localization of radioactive sources via a distributed sensor network.png)
SOFT COMPUTING
OAAI
SOFT COMPUTINGIF2.5
OAAI分享收藏
查看更多内容