基于改进GA-BP神经网络的目标毁伤效果评估

针对事后的目标毁伤效果评估时效性一般、主观性较强的问题,提出了一种基于改进GA-BP神经网络的毁伤评估方法.该方法以飞机系统为例,分析了系统目标特性后,按照目标系统层、功能毁伤层、物理毁伤层的结构顺序,构建目标毁伤树并划分毁伤等级;引入遗传算法,对其选择算子、交叉和变异概率加以改进,以获取BP神经网络最优权重值,增强了遗传算法种群的多样性和泛化能力,使网络模型的精确性得以提升;通过算例分析验证了模型的可信性和有效性,对目标毁伤效果评估的人工智能化,特别在新概念武器作战运用中,具有一定的启发和借鉴意义.     

中文分词与命名实体识别的联合学习

将卷积结构引入循环神经网络,从而构建卷积循环神经网络。以此为基础,研究构建了面向中文分词与实体识别联合学习的序列标注模型。该模型依托卷积循环神经网络构建特征编码层,实现中文字序列局部空间特征和长距离时序依赖特征的联合提取;依托改进的循环神经网络构建标签解码层,实现标签序列长距离时序依赖的有效建模;依托统一的分词与实体识别序列标注模式实现分词信息与实体信息的联合学习,避免传统流水线法的误差传播问题。在人民日报语料和微软标注语料上的实验结果显示,该框架较传统统计模型和神经网络模型有显著的性能提升,尤其是在识别字数较多的命名实体时,其效果明显优于其他方法。     

人工智能装备质量监督效能研究

近年来,人工智能技术迅速发展和渐趋成熟,在装备领域的应用大放异彩,极大地拓展了传统装备性能,特别是自主性和智能化水平。但人工智能算法本身固有的逻辑推理性差、具有不可解释性和需要学习训练等特性给人工智能装备的质量监督带来了新挑战,现有评价手段的欠缺也使人工智能装备发展在实用可靠方面充满不确定性。本文在总结归纳人工智能装备新特性拓展和质量监督新挑战的基础上,重点围绕有效提升人工智能装备的质量监督展开研究。提出应在夯实基础能力设施建设、注重日常数据采集整理、灵活技术状态管控、研究有效评价手段、强化人才队伍建设和闭环质量信息反馈与利用等六方面加强人工智能装备质量监督的措施建议,以期为人工智能装备的发展建设提供参考。     

水下声探测系统载体振动干扰分析及抑制方法

针对水下探测系统载体振动对目标回波信号的微多普勒特征谱产生干扰的问题,从干扰产生的基本原理出发,推导了干扰的近似乘性表达式。在获取振动干扰数据的条件下,提出了针对乘性干扰的干扰抑制算法,并针对推导干扰乘性表达式时的近似条件,分析了近似算法带来的误差。仿真结果表明,该方法可有效抑制水下探测系统平台振动对目标回波信号的微多普勒特征谱产生的干扰,并且在绝大多数情况下,由算法带来的误差可以忽略不计。     

边界扫描测试中簇测试交迭置入方案研究

针对电路板边界扫描测试中簇测试时间较长、测试效率较低问题 ,以并行测试思想为基础 ,提出了一种簇测试置入方案———交迭置入方案 ,并对其进行了理论分析和实验验证。结果表明 ,该方案是最优的簇测试置入方案 ,可以显著减小簇测试时间 ,提高簇测试效率     

平面动载实验中碰撞速度和倾斜度测试的一个方法

平面动载实验中 ,飞片碰撞速度和碰撞状态是加载条件的一个基本描述。本文采用电探针技术 ,给出了一个同时测得真实飞片速度和碰撞倾斜状态的探针排布设计。此设计用于化爆产生平面动载的氮化硅粉体冲击波活化研究 ,取得了较为理想的测试结果。     

边界扫描测试信息压缩算法

为了解决 IEEE 1 1 49.1边界扫描测试优化生成问题 ,提出了一种新型的测试矩阵压缩算法。该算法首先应用被测试电路板的结构信息构造有限制的短路故障模型 ,然后以有限制的短路故障模型为基础对测试矩阵进行压缩处理 ,尽可能剔除测试矩阵中的无效测试信息 ,从而达到测试优化生成的目的。理论分析及实验验证表明 ,该算法能够获得紧凑性指标相当优化的测试矩阵 ,实现较高的测试信息压缩率     

可测试性技术中的图论问题及其求解

近 2 0年来 ,为了解决结构日益复杂的电路测试问题 ,可测试性技术得到了迅速发展。在可测试性技术中 ,针对不同的测试对象 ,如何对可测试性设计方案以及测试策略进行优化 ,降低总体代价 ,是亟待解决的问题。为了解决这两类典型的优化问题 ,首先应用图论方法建立问题的拓扑描述模型 ,然后通过构造相应的逻辑求解函数 ,给出问题最优解的求解算法 ,并通过简单实例演     

软件的测试性分析与设计

软件测试是提高软件可靠性的重要手段,但软件测试的代价是巨大的。软件的测试性分析与设计是分析软件测试的复杂性,提高软件测试性的基本方法。本文提出了软件测试性的基本概念、分析与计算方法、以及软件测试性设计的基本思路。这对于高可靠性软件,特别是武器装备软件的设计是有指导意义的。     

基于神经网络的弹丸强度可靠性分析

构造了一个基于神经网络的弹丸强度分析模型,通过对以往实际发生数据的训练与推理,设计并构造了一种自适应变步长自构型神经网络。对影响弹丸强度的诸多因素进行了综合的非线性分析。并可以利用该模型进行强度预测,减少实际打弹的次数,经济效益明显。