一种新的模糊多层自组织神经网络图像目标检测方法

神经网络方法和模糊集理论用于图像处理和目标检测时各有优势,文中提出了一种将神经网络和模糊集理论集成的混合方法,即模糊多层自组织神经网络法。该方法将模糊测度作为神经网络的目标函数,网络包括多层结构,任一层中的一个神经元对应图像中的一个像素,该神经元只与前一层的对应元素及其邻域元素连接。针对遥感图像的实验处理过程证明该方法能够有效地进行目标检测和提取,并且具有良好的噪声免疫力。     

等概率抽样群体演化算法的隐含并行性

在等概率抽样群体的条件下,讨论了演化算法的隐合并行性,得到了算法每代隐含处理的模式长度不超过ls（0≤ls≤l）的不同模式期望数的精确表达,并估计了其上下界．     

我国应急物流军民融合发展探析

我国应急物流军民融合发展演化存在部分物流要素交互融合、部分物流环节交互融合和基于任务牵引的军地物流整体交互融合三种不同形态,呈现交叉式发展和渐进式演变轨迹。演化过程主要遵循以效率优先为原则、以双向互补为目标、以组织融合为先导、以资源融合为接口、以信息融合为纽带的基本规律。未来将呈现出组织合成化、手段智能化、融合规范化的发展趋势。     

Link16数据链时隙冲突概率分析

基于S-TDMA协议的Link16是美军目前广泛使用的一种战术数据链.时隙预约选择算法是基于S-TDMA协议的数据链实现自组织特性的关键;而时隙冲突概率则是衡量时隙预约选择算法优劣的重要指标,也是S-TDMA数据链重要的性能指标.一帧中的时隙个数、用户的报文报告率、候选时隙窗口调整因子等参数对时隙冲突概率都有重要影响.采用经典概率方法对时隙冲突概率进行分析,得到了冲突概率的数学表达;针对美军Link16 数据链的一些参数,分析了它们对时隙冲突概率的影响;就如何控制时隙冲突得出了一些结论.     

开拓创新,不辱使命,为创办精品期刊而努力奋斗——《海军工程大学学报》创刊30周年献词

光阴荏苒,岁月如歌,三十年的春风化雨,三十载的耕耘开拓,《海军工程大学学报》(以下简称《学报》)随着祖国改革开放和我军建设迅猛发展的步伐,由在时代大潮中闪动的一颗亮点,逐渐演化成长为一颗璀璨的星星。在喜迎党的“十七”大和我军建军80周年这一庄严而喜庆的时刻,《学报》     

信息化条件下维修保障系统的基元模型及其动力学特性

信息化条件下维修保障系统是由分散的维修保障节点所构成的网络化系统,其节点规模与节点间连接关系决定了维修保障系统的效能,因而维修系统具有典型的网络效应特性.为测度维修保障系统的网络效应这一动力学特性,从维修系统基本构成要素出发引入基元模型的概念,建立了与现有维修保障策略相对应的维修保障系统的最小网络表示,定义了网络效应的计算公式,并从连接增长与节点增长两个方面研究了维修保障系统的结构效应和演化效应.初步的计算结果表明,该方法能较好地测度不同维修保障系统的效能,从而可用于指导维修保障信息化建设的布局和研究信息化条件下维修保障系统的运作规律.     

基于非线性Kalman滤波的导航系统误差补偿技术

针对非线性非高斯导航系统信息处理问题,采用自组织算法、神经网络和遗传算法等改进传统非线性Kalman滤波算法,构建一种自适应的组合导航系统。应用具有冗余趋势项的自组织算法、Volterra神经网络和遗传算法,建立导航系统误差的非线性预测模型,进而计算得到其预测值;将该预测值与Kalman滤波算法求得的估计值进行比较得到差值,以此监测Kalman滤波算法的工作状态;采用自适应控制方法,在导航系统结构层面改进Kalman滤波算法,构建新型的导航系统误差补偿模型。开展基于导航系统KIND-34的半实物仿真研究,应用所提出的改进方法改善了导航系统误差的补偿效果,提高了组合导航系统的自适应能力和容错能力。     

惯性平台自标定陀螺仪误差系数可观测度分析

针对惯性平台自标定陀螺仪误差系数的可观测度问题,从可观性定义角度出发,提出一种可观测度分析方法。利用状态量解析解表达式中观测量导数的最高阶数定义该状态量的可观测度。在此基础上,研究惯性平台自标定系统可观性与陀螺仪误差系数可观测度,分析系统可观测的状态量及其可观测度,得出陀螺仪本轴一次项误差系数可观测度最差的结论。仿真结果验证了该方法的正确性和有效性,为惯性平台自标定中施矩方案的设计提供了理论依据。     

基于复杂网络的武器装备体系贡献度评估分析方法

根据结构决定功能的系统论观点,基于复杂网络理论对武器装备作战体系网络的拓扑结构进行了分析,构建了基于不确定性自信息量的武器装备作战体系作战效能分析模型,提出了计算武器装备体系贡献度的方法,并通过算例验证,探讨了网络结构演化及度量参数改变对武器装备体系贡献度的影响,为武器装备体系贡献度评估分析提供了技术支撑。     

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。