基于乘积偏好关系的专家模糊核聚类赋权方法

多属性、多目标性决策中,针对专家给出各方案偏好关系下的决策问题,提出一种基于乘积偏好关系的专家模糊核聚类赋权方法。该方法运用模糊核聚类的思想实现对决策专家的聚类,并通过放宽归一化约束条件,克服了传统模糊核聚类算法中离群点对聚类结果的影响。同时,在专家类内赋权过程中,运用CI-IOWG算子集结同类专家的意见,依据不同专家对于形成类别一致性意见的贡献程度来确定专家权重;克服了传统基于熵权或判断矩阵一致性的赋权方法的局限性。算例表明,该方法可行、有效。     

ACO-ELM与CFSFDP结合的机载动力系统参数估计北大核心

针对机载动力系统测试数据的不确定性,求解参数实时性差的问题,提出了基于快速寻找密度极点聚类与蚁群极限学习机的机载动力系统的参数估计方法。首先利用基于寻找密度极点的聚类算法对全工况范围内的测试数据进行聚类,然后在每一个子类中用极限学习机设计了子参数估计器,并用蚁群算法寻找极限学习机的最优隐层神经元数目。训练与测试表明,参数估计测试相对误差明显优于传统的RBF神经网络方法,且参数估计时间能够满足机载在线实时状态评估的需求,该方法可应用到其他不可测参数的估计。     

模糊聚类法改进异类传感器航迹关联北大核心

针对ESM与雷达的异类传感器航迹关联的准确性问题,提出了一种基于模糊聚类方法的异类传感器航迹关联算法。首先,将测得的航迹看作方位信息的时间序列,由不同航迹最终构成一个时间序列集合;再以当前时刻与历史时刻为模糊因子进行相似计算并得到模糊相似矩阵,并求得模糊等价矩阵;最后采用全局最优的判别准则确定航迹关联对,达到航迹关联的目的。仿真结果表明,基于模糊等价关系的异类传感器航迹关联算法能够有效提高ESM与雷达的航迹关联性能。     

模糊聚类的多雷达航迹关联算法北大核心

为了解决传统滤波跟踪算法对多雷达航迹预测定位误差较大的实际问题,通过对基于关联矩阵的聚类算法进行分析,提出了基于模糊聚类多雷达、多目标航迹定位跟踪仿真模型提出改进的矩阵聚类算法,并且与传统滤波跟踪算法做对比分析。实验结果表明,所提算法的性能在时间和空间上有所提高。较之传统算法精度较高,运算效率亦有所提升。     

装备内孔零件的堆焊修复与滚压强化工艺研究

阐述了一种修复损伤内孔零件的精密脉冲等离子粉末堆焊+滚压强化复合处理工艺,通过试验对修复层的组织性能进行了观察与测试。结果表明:修复的薄壁内孔零件试样基体变形小,修复层与基体属于冶金结合,修复层和基体过渡区域(包括熔合区和热影响区)较窄,堆焊质量良好;堆焊修复内孔零件试样经车削+滚压强化处理后表面光滑、平整,粗糙度明显降低,且形成了高值残余压应力,这些都有利于改善修复零件的抗疲劳性能。该修理工艺简单可靠、经济实用,可实现损伤内孔零件控型与控性的有效结合,为重载装备的内孔零件修复提供了一种方法。     

巨幕类影厅人员疏散的安全水平分析与优化设计

巨幕类影厅的设计由于其视听效果需要往往超出规范要求,其消防性能化设计的首要安全目标是人员的安全疏散。基于＂消防性能化设计方案的安全水平不低于处方式设计方案＂的设计理念,对位于三层以上、面积超过400m^2的某巨幕影厅进行了人员疏散的安全水平分析,并对影响人员疏散效率的通道进行了优化设计。研究结果表明,进行性能化设计和处方式设计方案的人员疏散安全水平对比,有助于更全面的评价消防性能化设计方案的安全水平。     

基于检测的人体跟踪算法

传统的目标跟踪算法需要人为标定跟踪区域,且受到漂移问题的影响。为了解决这些困难,针对人体跟踪问题,提出了一种新的基于检测的跟踪算法。为了减少漏跟踪,使用了多个检测算子,用来定位多个身体部位,将其检测结果映射到一个相同的身体区域。为了适应快速运动的目标,使用KLT跟踪和凝聚聚类将检测窗口连接起来形成人体轨迹。实验结果表明:使用多个检测算子明显地提高了跟踪性能;KLT跟踪对于快速运动目标具有适应能力。该算法基本满足实时性。     

装备技术体系网络建模与结构优化方法

针对装备技术发展管理的重用度和冗余度问题,研究了体系网络建模与结构优化方法。将装备技术抽象为节点,技术关系抽象为边,提出了基于装备技术描述属性框架和技术关系分析的体系网络建模方法;将3种经典的网络社团探测方法应用于装备技术聚类,通过比较评估指标,生成了技术聚类优化方案;基于加权网络中心度算法,识别了对体系冗余影响最大的装备技术。以包含235项激光武器装备技术的技术体系为例,验证了方法的有效性,总结了体系结构的优化结论。     

一类非线性类薛定谔方程的有限差分格式

给出了一类非线性类薛定谔方程的有限差分格式,推导了这类非线性类薛定谔方程的积分形式,并得到积分形式下系统的2个守恒定理.通过对积分方程离散化,并对系统的守恒量进行有限差分,得到了这类非线性类薛定谔方程的有限差分格式.     

基于HNC的命题逻辑推理方法

针对面向自然语言推理中计算机难以准确提取命题并进行符号化的难题,运用HNC(Hieratical Network of Concepts)理论中的语言逻辑概念与句类分析技术,从概念的角度出发,对自然语言描述的推理问题进行理解处理,使计算机能自动提取出推理条件中蕴涵的命题,然后将命题进行公式化处理,最后得到用自然语言描述的结论命题.试验结果表明:该方法能准确理解自然语言中的语义逻辑关系,完成命题逻辑推理.