基于网格聚类的弹道目标航迹起始算法

针对传统航迹起始算法起始弹道目标航迹时存在虚假航迹和起始速度慢的问题,提出了一种基于网格聚类的起始算法。该算法采用网格核技术和边界点提取技术来处理高、低密度网格中的雷达探测点迹,从而产生更加准确的簇,然后对簇中的点迹进行相似度聚类,最后采用修正逻辑法对每个聚类中的点迹进行航迹起始。仿真结果显示,该算法在较高密度的杂波环境下能够快速、准确地起始多个弹道目标航迹。     

一种新的基于网格聚类的雷达信号预分选算法

雷达信号分选一直是雷达对抗情报处理中的难题,将网格聚类应用于雷达信号预分选,针对现有网格聚类需要输入网格划分、网格边界处理精度低等问题,提出一种新的基于网格聚类的雷达信号预分选算法.该算法根据网格数据压缩率自适应确定网格划分和密度阈值,并对网格边界进行优化处理.仿真实验表明,该算法能有效适用于雷达信号预分选,且有较强的抗噪声能力.     

基于SDN的分布式无线网络架构及控制器配置策略

基于单一控制器的SDN架构容易导致无线网络性能受到影响,尤其针对高动态无线网络,将大幅降低其健壮性和鲁棒性。鉴于此,提出了一种分布式软件定义网络架构(Distributed Software Defined Wireless Network,DSDWN),该架构是基于完全分布式和分层式SDN思想提出的,包括主从控制器和事件传播系统,在该架构下提出了控制器系统的配置策略和主控制器的选择策略。仿真验证表明,提出的控制器配置策略在时延方面优于贪婪算法和聚类算法,更适合高动态无线网络环境;基于多目标优化的主控制器选择策略,优化了网络链路连接时长、总时延及节点资源,降低了路由开销。     

海量电磁数据中雷达信号的高效分选方法

针对海量电磁数据中雷达信号难以进行快速准确分选的问题,提出一种新的聚类分选方法,即改进k-means算法的Map Reduce并行化实现方法。通过引入初始聚类中心个数k1、最大聚类中心个数kmax和距离门限rt3个参数,克服了k-means算法需要事先确定k值和易受孤立点影响的局限;基于Hadoop平台实现了对改进k-means算法的Map Reduce并行化,克服了k-means算法串行实现时间复杂度高的局限。最后,实验表明改进k-means算法取得了更高的分选准确率,Map Reduce并行化后具有良好的加速比和扩展性,能够很好地对海量电磁数据中雷达信号进行高效分选。     

卫星遥测数据相关性知识发现方法

为快速发现海量遥测数据中的相关关系,提出一种基于改进最大信息系数(Maximal Information Coefficient, MIC)的遥测数据相关性知识发现方法。以Mini Batch K-Means聚类算法为前驱过程对数据进行网格划分;计算该网格划分下的互信息,并以信息熵代替原有最大熵对互信息进行归一化矫正得到信息系数;选择不同网格划分下MIC作为变量相关性的测度。采用量子卫星遥测数据进行试验,结果表明:与基于动态规划算法的MIC方法相比,所提方法可有效解决MIC测度偏向多值变量的问题,时间复杂度从O(n~(2.4))下降为O(n~(1.6)),是一种适用于大规模遥测数据相关性分析的有效方法。     

雷达信号非均匀粒度聚类分选方法

聚类分析是数据挖掘中的重要技术.在比较分析了两种常用的聚类分析方法的基础上,将基于商空间的非均匀粒度聚类算法应用于雷达信号分选中,仿真实验的结果表明:该算法可以从不同层次观察聚类数据,更适用于复杂雷达信号聚类分选,具有良好的性能.     

基于数据挖掘的分布式入侵检测算法

分析了入侵检测中应用数据挖掘技术的基本思想，提出了一种基于数据挖掘的分布式入侵检测算法，并对该算法进行了仿真实验。结果证明，该算法能从大量网络流量连接记录中，挖掘出不同类型的关联入侵规则。     

基于数据流模糊聚类挖掘的入侵检测系统研究

传统的基于数据挖掘入侵检测技术往往是基于静态数据的检测,随着网络速度的提高和网络流量的剧增,网络数据通常以数据流的形式出现.提出了一种作用于数据流的模糊聚类挖掘算法(SFCM),并且针对该算法提出了一种基于数据流模糊聚类的入侵检测系统,实验结果显示,该方法有较高的检测率和较低的漏报率和误报率.     

基于相邻脉冲相似性的快速聚类分选方法

针对复杂环境下的聚类问题,提出了一种新的聚类分选算法。其利用同一雷达辐射源的相邻脉冲间的相似性对信号进行聚类。该算法按到达时间顺序将信号依次归类,并将新分类的数据作为所在类的聚类中心,其无需事先指定聚类的数目,也无需进行反复的迭代计算。仿真表明,该算法不仅分类准确,而且大大缩减了计算量。     

基于聚类遗传的多无人机航迹规划

提出了一种在雷达和复杂地形环境下应用并行遗传算法进行多无人机三维航迹规划的方法.将K-均值聚类算法与多种群协同进化的方法结合起来,采用主从式并行进化的方案,提高了收敛速度且便于分布式处理.各子种群采用自适应的进化方法,在保持多样性的同时,保证了算法的收敛性.在根据数字地图建立无人机安全飞行曲面的基础上进行地形跟随和无人...     

固定节点3D网格部署的水下传感器网络分簇路由算法

水下传感器网络是应用于水下通信的重要传感器网络技术。提出了基于固定节点3D网格部署的水下无线传感器网络分簇算法,设计了3D网格的编址和分簇方法,实现了基于地址分配的节点定位,构建了算法的能耗分析模型。采用MATLAB完成了算法的性能仿真,对比了DS-VBF、IAR和GEDAR 3个算法的平均数据传输延迟和网络生存时间(TTL)。实验结果表明,此算法的平均数据传输延迟较短,可明显提高UWSNS的生存时间。     

基于决策树的空中目标威胁分类研究

将决策树ID3算法应用到空中目标威胁程度分类问题。分析了现有威胁评估的常用方法及其局限性,论述了ID3算法在此问题上的适用性。以28批典型目标的威胁程度为例,对数据进行概化处理后,利用weka平台进行仿真,构造决策树,并从中挖掘出隐含的24条规则,这对决策支持系统知识库的构建是非常必要的,也为指挥员定下作战决心提供重要参考。     

一种能量高效和均衡的无线传感器网络分簇数据融合算法

在无线传感器网络中,如果传感器节点之间的能耗不均衡,一些能耗进度较快的节点会过快失效,继而导致网络过早无法正常工作。为了解决分簇无线传感器网络在数据收集过程中所存在的节点之间能耗不均衡问题,提出了一种新的分簇数据融合算法。该算法将网络划分为大小不等的栅格,并根据剩余能量使簇首分别在每个栅格的节点中轮转。簇首消耗的能量越多,其所在的栅格也越大,栅格内有更多节点参与簇首的轮换以分担能量负载。通过该方式,算法能够提高节点的能耗均衡程度。另外,考虑到无线传感器网络的能量受限,算法还采取了一系列措施以节约能量。仿真实验结果表明,算法在能量使用效率、网络生命周期以及能耗均衡程度三个方面都具有较好的性能。     

基于稀疏子空间聚类的人脸识别方法

在现有的稀疏子空间聚类算法理论基础上给出两种稀疏子空间聚类优化算法:稀疏线性子空间聚类和稀疏仿射子空间聚类。这两种优化算法针对不同的数据集会有不同的聚类效果。通过稀疏表达得到不同的稀疏系数矩阵,把稀疏系数矩阵应用到较为简单的改进的正则化谱聚类算法中实现聚类。应用Yale B数据对人脸图像进行识别分类得出:采用稀疏线性子空间聚类算法优于稀疏仿射子空间聚类算法;在算法执行时间上和算法聚类错误率比传统的稀疏子空间聚类较为快速高效。     

全球气象资料客观分析系统的分布式并行计算

对已有的串行算法进行并行化 ,是一项很困难的工作。通过对全球气象资料客观分析系统串行算法的研究 ,提出了一种静态分配数据的分布式并行算法。该算法通过间隔选取分析盒子和模式格点纬圈行 ,将数据分配给不同的处理机实现分布式并行。该并行算法负载平衡好 ,并行效率高 ,而且并行化代价较低 ,具有良好的可扩展性。     

基于功率控制分组的RFID防碰撞算法改进

为了减少阅读器读取标签过程中的查询次数,降低标签发生碰撞的概率,提高系统效率,针对功率控制分组防碰撞算法不能根据标签数动态地进行组数划分,提出了一种改进算法。采用数学分析与二进制算法相结合的方法,找到最优组数,根据最优组数划分阅读器的读取区域,标签分布在划分的组中,阅读器依次读取不同组中的标签。通过划分组数,减少阅读器每次读取的标签数,从而降低标签碰撞的可能性。仿真结果表明,改进算法显著减少了碰撞次数,提高了系统效率。     

改进的稀疏子空间聚类算法

在现有的稀疏子空间聚类算法理论基础上提出一个改进的稀疏子空间聚类算法:迭代加权的稀疏子空间聚类。稀疏子空间聚类通过解决l1最小化算法并应用谱聚类把高维数据点聚类到不同的子空间,从而聚类数据。迭代加权的l1算法比传统的l1算法有更公平的惩罚值,平衡了数据数量级的影响。此算法应用到稀疏子空间聚类中,改进了传统稀疏子空间聚类对数据聚类的性能。仿真实验对Yale B人脸数据图像进行识别分类,得到了很好的聚类效果,证明了改进算法的优越性。     

仿真网格原型系统的设计与实现

进行仿真网格原型系统的研究是解决仿真网格关键技术的基础。SGE网格引擎是一个构建本地和集群级网格的工具,通过SGE构建基本的网格平台,根据HLA仿真任务的特点,对分布式仿真网格的原型系统进行了研究和设计。提出了仿真网格的双通道通信机制:一个通道负责仿真网格组件的通信,另一个通道负责HLA仿真任务之间的通信。提出了仿真任务在仿真网格中的三种调度模式:以进程为单位的调度、以联邦成员为单位的调度、以联邦为单位的调度等。通过研究初步实现了仿真网格的原型系统,并对HLA仿真任务的三种调度模式进行了简单的测试。     

层次聚类算法和基于图的分割算法相融合的图像分割算法

基于图的分割算法（Graph-Based Segmentation,GBS）算法）是由Felzenszwalb和Huttenlocher提出的经典的图像分割算法之一,但其分割结果中存在明显的欠分割现象。为此,在GBS算法的基础上引入层次聚类（Hierarchical Clustering,HC）算法,构造出一种解决GBS算法欠分割的方法,同时采用多线程并行处理数据的方式,有效改善了传统层次聚类算法的处理速度。该方法在RGB彩色空间中使用GBS算法得到图像中每个像素点的初始分割结果,并提取出每一类区域中的像素值,对其进行层次聚类,得到每一类区域中像素值的类别标签,根据层次聚类所得到的类别标签和预设的类别范围,修改每个像素点的初始分割结果。最后根据区域合并准则,生成一个新的分割图。经实验表明,该方法与Kmeans-SLIC(simple linear iterative clustering)算法和GBS算法等相比,很好地解决了欠分割现象,并产生了分割精度较高的语义分割图。