一种基于本体的功能建模表示方法

通过分析典型的功能模型并提取具有共性的公共概念和关系,结合本体建模技术,提出了一种基于本体的功能建模方法,以解决异种功能建模框架之间知识交换与协同设计问题.该方法将功能建模过程自顶向下分解成功能、行为、流与结构4个本体类,定义分析了相关属性,并建立了概念映射关系模型,有利于构造领域功能设计本体库.最后,利用该方法构建了离心通风机的功能建模本体库.     

基于中间表示规则替换的二进制翻译中间代码优化方法

动态二进制翻译在实现多源到多目标的程序翻译过程中,为屏蔽不同源平台间的硬件差异引入中间代码,采用内存虚拟策略进行实现,但同时带来中间代码膨胀问题。传统的中间代码优化方法主要采用对冗余指令进行匹配删除的方法。将优化重点聚焦在针对特殊指令匹配的中间表示规则替换上,提出了一种基于中间表示规则替换的二进制翻译中间代码优化方法。该方法针对中间代码膨胀所呈现的几种典型情景,描述了中间表示替换规则,并将以往应用在后端代码优化上的寄存器直接映射策略应用在此处。通过建立映射公式,实现了将原来的内存虚拟操作替换为本地寄存器操作,从而降低了中间代码膨胀率。使用SPEC CPU2006测试集进行了实验,验证了此优化方法的正确性和有效性。测试用例在优化前和优化后的执行结果一致,验证了优化方法的正确性;优化后测试用例的中间代码平均缩减率达到32.59%,验证了优化方法的有效性。     

面向试验数据的标签本体及标签实例推荐方法

针对海量试验数据标签管理及标签管理智能化问题,提出一种标签本体及标签实例推荐方法。采集结构化、非结构化数据以及半结构化数据,根据试验数据类型,构建本体概念,形成标签库;对图像、文本、音频、视频、纸质等多模态数据采用不同方法进行装备实体以及实体关系抽取,构建标签实例库;利用规则映射和自然语言处理方法对标签本体与标签实例进行关系映射;最后,挖掘用户个人信息以及使用标签信息,结合个人信息以及标签信息,形成基于标签及标签实例的智能推荐。对比现有模型,该推荐模型在MAE和MSE指标上分别降低了8.82%和5.56%,AUC指标提高了13.33%,对试验数据智能化管理具有重要意义。     

本体驱动的多分辨率联邦一致性维护方法

传统的聚合解聚方法仅能解决语法层的数据聚合解聚的参数静态匹配问题,却不能解决联邦一致性的其他两个重要的方面:数据的语义匹配合理性及联邦运行中的动态一致性。为了解决以上两个问题,提出了一种本体驱动的多分辨率联邦一致性维护框架——OCM框架。该框架基于本体创建与融合技术构建联邦本体,通过邦员本体与联邦本体间的映射,解决了联邦数据匹配的合理性问题;基于聚合解聚方法,引入管理与协调联邦实体状态的邦员,通过合理设计联邦的实时对象更新及交互机制,实现了联邦实体状态的实时一致性。实验结果表明:OCM框架能有效保持联邦中多分辨率实体的状态一致,并且由于联邦本体的可重用性,对邦员的增加与退出不敏感,因此联邦的重组合也具有一定的借鉴价值。     

面向大规模卷积计算的多忆阻器阵列互连结构设计

针对现有多忆阻器阵列集成架构中存在的数据加载、读出效率低以及阵列协同灵活性差等问题,提出一种高效率、高灵活度的阵列互连架构。该架构所采用的数据加载策略支持多种权重映射模式下的数据复用,减少了片外数据访存需求;所采用的计算结果读出网络支持多个处理单元灵活组合实现不同规模卷积运算,以及计算结果的快速累加读出,进而提升了芯片灵活性和整体算力。在NeuroSim仿真平台上运行VGG-8网络进行的仿真实验表明,与MAX²神经网络加速器相比,在仅增加6%面积开销的情况下,取得了146%的处理速度提升。     

一种面向语义正确性的关系数据库访问方法

从异构关系数据源中获取语义正确的信息是当前利用数据资产辅助决策所面临的一大难题.为解决这一问题,提出了一种研究面向语义正确性的关系数据库访问方法(SCORDA).SCORDA方法采用DL -LiteNOWL本体作为支持数据访问任务的概念视图,在本体的表达能力和推理复杂度之间做了一定折中;SCORDA方法通过LAV+ GAV的映射方式建立本体与关系数据源之间的语义关联,兼顾了模式异构和阻抗失配问题;此外,SCORDA方法采用了一种动态ABox结构,即时从异构关系数据源中恢复虚拟对象,并且利用动态ABox进行实例检测推理任务,通过本体的模型语义来保证数据访问的正确性.通过原型系统验证了该方法的可行性.     

面向军事领域的动态本体构建技术研究

随着军事数据的爆炸式增长,传统的基于专家知识建立的静态本体存在对专家主观知识依赖性强、可移植性差、学习能力差等问题,已无法动态地适应数据的变化以及大规模知识图谱的自动更新。针对军事领域应用场景,提出一种面向军事领域的动态本体构建技术,通过初始本体设计、数据映射、形式背景合并、本体更新4个环节完成本体概念的更新。该技术可以随着信息的变化自动更新本体模型,方便多源异构数据的更新集成和知识图谱的构建。最后,以俄乌冲突知识图谱为案例进行分析验证。该动态本体构建技术能够有效发现新的事件类型及相关要素,实现多源异构数据的更新、融合及基于知识图谱的军事活动规律推理。     

基于本体的战场信息集成研究

针对战场空间内不同类型信息一体化问题,提出了基于本体的多信息集成方法。首次提出了在生存信息和计划信息的基础上用本体来描述信息的集成方法,通过多个本体之间的映射来实现多类不同信息之间的信息集成,为进一步研究一体化指挥控制系统提出了一种有意义的方法。     

应用离散粒子群-郭涛算法分配多无人机协同任务

针对以往考虑时间窗约束的多无人机协同任务分配问题模型不能反映在有效时间窗内,任务执行时间对任务收益的影响及求解算法效率较低的问题。建立了将任务收益和任务执行时间直接联系起来的任务分配模型和可行解到粒子整数编码方式的映射,设计了混合离散粒子群-郭涛算法的组合优化问题求解策略。借助粒子群算法利用粒子自身信息和种群有用信息指导种群进化的本质特点,优化郭涛算法的适应性序列倒置操作;设计了可变的学习选择概率来选择个体的学习粒子,改进了序列倒置算子。仿真实验验证了该方法处理复杂任务分配问题的有效性。     

加权模糊C均值聚类算法实现BDS三频组合观测值优选

在对BDS三频载波相位组合观测值进行误差分析的基础上,确定了优选载波相位线性组合系数的筛选标准。针对传统聚类算法在高维多频混合数据集分类中存在的不足,采用一种基于加权的模糊C均值聚类算法,通过对同一维度在不同簇上赋予不同的权重值,对传统遍历搜索法所获得的部分BDS三频载波相位组合观测值进行了优化分类选取,有效解决了传统全球导航卫星系统载波相位观测值选取方法效率低的问题,同时为多系统多频数据组合观测值系数的优化选取提供了一种新的思路。对分类结果进行分析,确定了各类组合观测量的适用范围,并结合实测数据,利用无几何层叠模糊度解算方法对优选组合进行了整周模糊度的解算,结果验证了该方法的可行性。     

上架结构参数与弹丸起始扰动映射关系的研究

为有效提高超轻型火炮射击密集度,探索了某薄壁箱型上架多个结构参数组合对弹丸起始扰动的影响规律。以上架外形尺寸、板厚等结构参数为对象,基于最优拉丁超立方方法,筛选得到影响弹丸起始扰动的上架关键结构参数并构建基因组;基于弹炮耦合结构动力学模型,分析了上架结构参数与弹丸起始扰动相关参量多对多的映射关系。根据映射关系,进一步分析不同板厚组合对弹丸起始扰动的影响规律。研究结果表明：在多对多映射时,不同板厚组合对弹丸起始扰动的影响呈非线性,上架侧板和围板的板厚参数是影响弹丸起始扰动的关键因素。采用特定的结构参数组合的上架可以有效降低弹丸起始扰动,为火炮总体设计中使用组合参数设计方法提供了依据。     

SVC和SOFM组合聚类的雷达信号预分选方法

由于采用单一聚类方法对雷达信号聚类分选中,存在一定的问题。为了克服单一聚类的缺点,并利用其优点,提出了采用组合聚类的方法对雷达信号进行聚类分选。在分析了自组织特征映射网络(SOFM)与SVC的原理的基础上,利用SOFM和SVC的优点,设计了一种SOFM与SVC组合聚类的方法,实现对雷达到达角(DOA)数据的聚类分选。理论分析与实验仿真表明,该方法能够克服噪声的影响,与有先验信息条件下的K均值聚类结果相比,取得了较好的聚类分选结果。     

基于本体的炮兵火力分配决策问题模型化方法

提出一种基于本体的炮兵火力分配决策问题的模型化方法,并详细描述了该方法求解框架中最重要组成部分:决策问题本体的构建过程.决策问题本体包括领域概念本体、任务本体和控制结构本体.通过本体的描述,能从语义上分析问题,分解问题,发掘决策问题的内在组成结构,将问题刻画成细粒度问题的组合,提高决策问题解决的灵活性和多样性.     

非线性分类结合平面变换的雷达信号分选方法

现有的对已知雷达分选方法存在识别速度慢、效率低,脉冲丢失敏感以及脉冲序列提取不完整等问题,为此提出了一种非线性分类器结合平面变换的雷达信号分选方法。该方法首先提取载频、脉宽、脉內调制等单脉冲分类特征,利用非线性分类器实现单脉冲识别,然后根据识别结果调取对应参数,通过平面变换完成对脉冲串的抽取。仿真实验表明,该方法具有速度快,准确率高,易于实现等优点。     

基于偏差映射聚类的目标关联方法

多传感器目标关联是确定不同传感器系统观测的若干信号是否来源于同一目标,它是现代多传感器系统中的一个重要问题。传统的关联方法通过计算不同观测间的关联代价,通过求解代价矩阵最优解来获得关联匹配,但是容易受到环境和传感器性能的影响。提出了一种基于偏差映射聚类(bias mapping cluster,BMC)的目标关联方法,通过对多个传感器间观测目标偏差映射点进行聚类,搜索局部密度最大的映射点集作为传感器间的目标关联结果,走出了利用数学方法求解全局最优解的传统模式。相较其他传感器间目标关联方法,仿真结果表明该方法能有效利用目标观测的空间散布特性,关联正确率更高,并对虚假目标和目标失配等情况具有更强的适应性。     

舵机大动作测试数据关联判读方法

针对电动舵机大动作测试数据人工关联判读工作量大、效率低、故障诊断难的问题,提出一种基于离散小波变换和多约束特征点提取的关联判读方法。根据测试数据量大、类型多的特点,分别采用离散小波变换以及多约束特征提取算法对不同类型的测试数据进行特征提取,剔除异常值,准确定位各个数据的大动作时刻,提取出特征值;使用时间关联判读方法对提取的特征点进行判读,给出了判读异常情况下的故障诊断结果并自动生成判读报表。为验证关联判读方法的有效性,进行了自动判读算法的实验测试验证。结果表明：该方法可在45 s内完成舵机测试数据的关联自动判读和故障诊断,而依赖专业技术人员的人工判读方法至少需要335 s,每个大动作点的数据判读效率提高了6倍以上。     

基于卷积自动编码器的飞机目标识别方法

飞机目标标签数据不足,使传统的机器学习算法训练效率不足。为提升训练效率提高飞机目标识别率,提出一种由卷积自动编码器(Convolutional Auto-Encoder,CAE)、哈希变换及直方图统计组成的简单多层特征提取模型。该模型利用CAE非监督训练一组卷积滤波器,与输入数据卷积提取特征;并再次利用CAE训练卷积滤波器集合,提取卷积特征;对所得到的卷积特征进行哈希变换和直方图统计;用支持向量机识别分类。实验对飞机目标取得了较高的识别率,表明特征提取模型具有很强的鲁棒性。     

小波包变换和支持向量机模拟电路故障诊断方法

为提高模拟电路故障诊断效率,将小波包变换和支持向量机结合起来,提出了一种完整的模拟电路故障快算检测和准确定位的方案.利用小波包变换对电路输出电压信号进行多层分解,提取各频带的能量作为故障特征,给出了具体的特征提取方法;利用支持向量机的多分类一对一方法,完成电路的故障定位,同时实现了小波函数的选择.在一模拟电路的故障仿真实验中,通过与BP,RBF和PNN等神经网络对比,结果显示该方法的诊断效率是很高的.     

多分辨力多模型目标跟踪

本文研究一种多分辨力多模型目标跟踪算法,它利用了作为在不同分辨力级之间映射数据的小波变换方法。该算法对低S/N比量测情况下跟踪机动目标是有效的。     

涡轮泵故障检测的频段能量比SOM算法

为了解决缺少故障样本情况下的涡轮泵健康状态判别问题,分析了涡轮泵振动信号的频谱,提取了频段能量比作为其故障检测特征,并讨论了自组织映射的竞争学习原理及聚类结果的U-矩阵表示,提出了一种基于频段能量比的自组织映射故障检测算法,并实现了该算法最佳匹配神经元的选择和权重向量的自适应更新。通过某型液体火箭发动机历史试车数据的验证,结果表明,健康涡轮泵数据利用该算法聚类时仅存在一个类别,相邻神经元距离小于0.1;反之,故障涡轮泵数据利用该算法聚类时明显存在两个或多个类别,且相邻神经元的最大距离大于0.1。因此,基于频段能量比的SOM算法能有效地判别涡轮泵的健康状况。