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。     

训练基地电磁环境应用系统构建问题研究

训练基地电磁环境应用系统构建是实现训练基地从进行机械化条件下训练向信息化条件下训练转变，提升基地训练功能的客观要求。文章结合训练基地实际，围绕立足训练基地进行电磁环境应用系统构建问题，从系统的总体结构、各分系统的构建、相关配套内容的建设和构建的方法和思路四个方面进行了探讨。     

战场电磁频谱实时管理问题研究

高技术条件下的作战,参战力量多元,各种各样的电子信息作战装备同时应用于战场,加之敌方对我进行激烈的电磁干扰以及民用电磁设施的影响,使得战场电磁环境极其复杂,可用频谱资源十分有限.在这种情况下,只有加强战场电磁频谱实时管理才能充分、合理地利用电磁频谱,达成最佳作战目的.本文正是基于对战场电磁频谱实时管理这一重要问题,提出一些新的想法,对未来作战中进行战场电磁频谱实时管理有很大指导意义.     

基于MAS的战场电磁频谱管控系统总体结构设计

为适应信息化条件下联合作战中电磁频谱管控分布性、实时性、动态性等需求,基于MAS理论与技术,对战场电磁频谱管控原型系统的总体结构进行了设计.论述了战场电磁频谱管控的工作流程,建立了基于合同网协议的多Agent模型,并按照BDI体系架构技术,对战场电磁频谱功能Agent、职能Agent和应用Agent的结构进行了详细设计...     

基于改进游程编码的频谱占用数据压缩存储

为解决海量电磁频谱占用数据压缩存储问题,对游程编码算法进行改进。根据电磁频谱占用数据的二值化特征,将占用数据通过一一映射,形成比特位串。然后,使用改进后的算法对比特位串进行编码,实现了占用数据的无损压缩存储。经过实践验证,结果表明,使用该方法可显著提升频谱占用数据的压缩效率;且占用数据还原后,占用信息的内容未受影响。     

基于DoDAF的战场电磁频谱管控体系结构建模

适应作战新概念和电磁频谱技术发展,开展战场电磁频谱管控体系结构建模研究。从电磁频谱管控特点分析入手,阐述了战场电磁频谱管控体系设计的原则,提出了基于指挥架构、力量编成和管控能力的战场电磁频谱管控体系架构。按照DoDAF2.0架构,从作战视图和系统视图两方面,构建了战场电磁频谱管控体系结构模型,给出了指挥体系、管控力量、管控能力以及三者关系的可视化描述。     

部队训练复杂电磁环境构建方法研究

构建贴近实战的复杂电磁环境,是开展复杂电磁环境下训练、提升部队战斗力的关键条件,也是当前部队训练研究工作中面临的现实而紧迫的课题。文章基于电磁环境剖面提出了构建训练电磁环境的框架,为指导部队构建训练电磁环境提供了一套系统的理论和方法。     

作业名层次化聚类算法预测作业运行时间

预测作业的运行时间有益于提升系统的调度性能,而聚类有助于训练出更好的预测模型。传统的聚类算法很难将相似的作业名聚类,为了将相似的作业更好地聚类,通过分析其组成成分的语义重要性,构建字母-结构-数字的作业名层次化聚类算法。以两台超级计算机的真实数据为例,实验结果发现,应用此算法聚类后的数据训练模型的预测精度相较传统方法有一定的提升,整体预测精度为70%～80%。     

复杂电磁环境下通信抗干扰的信息筛选算法

根据复杂电磁环境下通信联络的特点,基于大规模通信数据的涌现,采用一种能够在大量干扰和背景信号中筛选出有用信息的算法。通过对覆盖算法的研究,利用概率理论对其算法进行了优化和改进,为应用覆盖算法构建了一个实用的有限混合的概率模型,而后采用最大似然的原理进行优化计算,实现覆盖算法的优化实用化。将这种数据筛选算法应用到受到干扰条件下短波通信的海量信息的挖掘中,取得了良好的效果,验证了其有效性。     

分块自适应加权改进大规模概率模糊聚类

为解决传统基于贝叶斯理论的概率模糊聚类(Bayesian Fuzzy Clustering,BFC)算法在处理大规模数据集聚类时的时间开销和存储代价瓶颈,提出基于数据分块的单程自适应加权BFC算法,算法在大规模数据集分块的基础上,设计了基于数据加权的改进BFC算法,用于数据分块内数据聚类,以挑选出对聚类贡献最具代表的标识数据及其自适应权值,在块间迭代聚类过程中,将标识数据及其权值合并到下一数据块中并参与聚类,从而将上一数据块的聚类信息有效地传递到下一数据块中,最后分析算法的收敛性和时间复杂度.实验结果表明,算法在继承传统BFC算法良好聚类性能基础上,减少计算复杂度,有效提高聚类效率,适用于大规模数据集聚类.     

基于SVR的火控系统解算诸元数据拟合方法

火控系统动态精度测试,需要以对火控系统实际输出射击诸元数据的有效数据拟合为前提。采用SVR方法,可将非线性的复杂函数转化为高维特征空间的线性拟合问题。利用ε不敏感损失函数,描述了采用SVR对火控系统解算诸元的拟合方法,并通过与多项式拟合与神经网络拟合方法相比较,表明了SVR方法的有效性。     

GNSS多径信道模拟的聚类稀疏拟合方案

针对全球导航卫星系统(global navigation satellite system, GNSS)信道模拟计算量大、硬件资源开销大,不利于实时性能评估和实际工程应用的挑战,提出一种GNSS多径信道模拟的聚类稀疏拟合方案。利用基于K中心聚类信道冲击响应(channel impulse response, CIR)参数萃取的稀疏拟合方法,得到等效精简CIR参数,再以稀疏抽头延迟线结构来实现信道模拟。所提方法在保持多径误差条件下,通过较少抽头数量的抽头延迟线结构滤波器拟合原始GNSS多径信道模型,可以大为简化GNSS信道模型仿真复杂度,而无须庞大的硬件资源。仿真结果表明,通过对参考信道模型生成的信道CIR参数进行稀疏拟合,所提出的方案和方法具有良好的效果。     

基于混合数据挖掘模型预测用户流失

用户流失预测问题广泛应用在银行、金融、电信等多种领域。对用户行为进行有效的预测和分析有助于企业的竞争和了解瞬息万变的市场规律。采用3种混合的数据挖掘模型对用户流失问题进行了研究,以形成一个准确高效的用户流失预测模型。这3种模型应用于数据挖掘的两个阶段:聚类阶段和预测分析阶段。在第1阶段中,对用户的数据进行过滤。第2阶段对用户行为进行预测。第1个模型采用了二分k-means算法进行数据过滤和多层感知人工神经网络(MLP-ANN)相结合进行预测。第2个模型采用层次化聚类与MLP–ANN相结合进行预测。第3个模型使用自组织映射(Self-Organizing Maps)与MLP-ANN进行预测。这3种模型预测分析基于真实数据,用户流失率采用3种模型混合计算的方式得出结果并同真实值进行比较。分析结果表明采用多模型的混合数据挖掘模型的数据准确度优于普通的单一模型。     

基于光谱信息融合的发动机磨损状态监测

光谱分析技术操作简便、快捷, 是发动机磨损状态监测与故障诊断行之有效的主要手段。基于发动机磨损特征及其状态识别框架, 建立了其信息融合系统, 并结合实例, 分别应用磨损量信息融合、磨损率信息融合和磨损量与磨损率联合融合 3种方法, 得到发动机磨损工况的信任区间及其磨损状态。实践证明, 光谱信息融合方法可提高发动机磨损状态的识别率, 是发动机磨损状态监测的理想方法。     

基于卷积神经网络的卫星网络协调态势评估方法

为充分发掘利用海量卫星网络数据,提高决策效率,加强空间频轨资源获取与储备的分析手段,尤其是对地球静止轨道资源的协调获取问题,提出基于机器学习算法的卫星网络态势评估策略。通过对卫星网络协调因素进行特征分析,选择卷积神经网络(Convolution Neural Network, CNN)为目标算法模型,并建立算法模型的训练数据集及Label规则,采用分裂信息增益度量方法对数据进行降维处理,建立CNN评估模型,并进行了验证分析。结果表明,CNN模型对卫星网络协调态势评估问题测试的正确率高达80%以上,具有较高的评估效能。随着数据量的增多,CNN评估效果逐步提升,是一种在卫星网络协调态势分析、资源储备的有效评估方法。     

装备制造基础数据治理体系建设研究

数据治理是数据管理的核心职能。装备制造业务涉及设计、生产、试验、综合保障以及计划管理各方面,相关数据类型繁多,产生和积累了大量业务数据。但由于目前大部分军工企业的数据标准化体系不健全,导致基础数据质量不高。本文通过借鉴、数据治理等技术,研究构建具备数据治理、数据标准、数据架构、数据安全、数据质量、数据应用等核心能力,三位一体并覆盖装备制造全寿命周期的数据治理体系,同时,依据装备数据管理规范和标准开发面向装备领域的流程化数据治理服务平台,以实施统一编码,打通流程和数据,为装备制造各阶段的信息共享、追溯、统计分析提供数据基础,促进设计研发、生产制造和运营管理的有效集成,从而有效发挥数据效能,提升军工企业的信息化高端收益水平。     

一种RetinaNet与SE融合的航空取证目标检测算法

针对在开展航空侦察取证时缺乏自动化、智能化取证手段的情况,提出了一种基于Reti-naNet与SE融合的航空取证目标检测算法,解决目标尺度变化大、数据集中类别不均衡的问题,并通过SE (squeeze-excitations)模块引入注意力机制进一步改进性能.该改进算法中的特征金字塔网络FPN可有效应对目标尺寸变化较大...     

基于广义回归神经网络的单位运营状况分类

单位的运营状况会直接影响股东和广大人民的利益,针对运营状况可以使用广义回归神经网络进行分类。由于广义回归神经网络中径向基函数的扩展参数Spread的选取会导致分类的准确率,提出了一种果蝇优化算法优化参数Spread的分类模型。充分利用了果蝇优化算法的寻优能力,将优化后的参数代入到广义回归神经网络中对单位的财务数据进行运营状况的分类。结果表明,与广义回归神经网络做比较,优化后的网络模型对数据的分类可以达到很高的准确率,在相关领域的分类上有非常大的实用性。     

一种基于线性流形的基因表达数据的聚类方法

由于基因表达数据的稀疏性和噪声性,传统聚类算法对其聚类时不能取得好的效果。针对这一问题,一种新的线性流形方法被提出,它的基本思想是搜索数据集中的线流形聚类,再将其中某些线流形聚类融合构造高维流形聚类。该算法将切向距离和法向距离作为线性流形的距离度量,运用空间近邻信息,采用聚类基因的平均表达水平作为转移向量,提高了聚类的准确度。实验结果表明,该算法的聚类准确性优于其它聚类算法,并且对带有噪声的数据可以保持较高的聚类准确度;在对Hela基因表达数据聚类时,算法得到了具有显著生物学意义的聚类。这些都说明提出的算法对基因表达数据聚类的适用性和有效性。     

EEMD+BiGRU组合模型在短时交通流量预测中的应用

针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模型,有效地提升了短时交通流预测的精度。模型利用EEMD算法对原始数据进行分解,根据分解所得的本征模函数(intrinsic mode function,IMF)分量绘制噪声能量图谱,去除分量中的噪声,并将去噪后的IMF分量作为BiGRU网络的输入进行训练,再将训练所得的结果进行重构加和,得到最终的预测结果。实验结果表明,未舍弃含有噪声的IMF分量进行重构的预测结果,相比于参考文献中提出的EMD+LSTM模型、LSTM模型和EEMD+LSTM模型,其平均绝对百分误差分别优化了42.36%、61.82%和30.95%;舍弃含有噪声的IMF分量后进行重构的预测结果,其平均绝对百分误差相比于将全部IMF分量进行重构优化了56.62%。