一种具有遗忘特性的在线学习算法框架

基于凸优化中的对偶理论,提出了一种具有遗忘特性的在线学习算法框架。其中,Hinge函数的Fenchel对偶变换是将基本学习问题由批量学习转化为在线学习的关键。新的算法过程是通过以不同方式提升含有约束变量的对偶问题实现的:(1)梯度提升;(2)贪婪提升。回顾了以往的相关研究工作,并指出了与之的区别与联系。人造数据集和真实数据集上的实验结果证实了算法框架的有效性。算法可以很好地处理数据流中的分类面漂移问题,为设计和分析新的在线学习算法提供了一个新的思路。     

航天器调度中的资源约束推理方法

资源水平边界的估计是构建资源利用可行计划中的一个基础问题。通过分析航天器资源约束的共享与分离并存、累积与瞬时消耗并存、过度订阅与区间调度并存等特点,提出了资源时间网络、时间约束网络和约束网络相结合的资源约束描述方法;构建了增量式基于包络的资源约束算法和最早开始时间链展开资源约束算法,以快速获取资源一致的柔性解。实例证明,该方法较好地解决了航天器调度的资源约束推理问题。     

基于改进人工免疫算法的火力分配

随着现代武器杀伤力的极大提高,任何来袭目标的突防都可能造成极大的破坏,这对传统的火力分配提出了挑战。提出一种新的火力集中原则,在满足对来袭目标一定杀伤的前提下,适当转移火力,实现火力总的集中,据此建立了火力分配优化模型。通过改进人工免疫算法的抗体群,提高模型的求解速度,缩短方案的寻优时间。通过实例进行仿真,结果表明,基于改进人工免疫算法能较快速实现火力分配,算法具有一定的可行性。     

累积法在随机删失数据可靠性评估中的应用

在可靠性数据分析中引入累积法,结合平均秩次法解决随机删失数据下的参数估计问题。以双参数威布尔分布为例,设计了一种对比分析累积法和最小二乘法进行参数估计时估算效果优劣性的蒙特卡洛仿真方法。仿真结果表明,对于不同删失比、不同样本量下的随机删失数据,累积法的计算误差比最小二乘法更小,其结果更加接近真实值。     

反舰导弹靶场试验精度评定方法

为了对小子样条件下反舰导弹靶场试验精度作出合理的评定,研究了自助法和随机加权法的原理。针对自助法和随机加权法存在的不足,研究了一种改进的方法,仿真结果表明新方法获得了更加稳健、精确的评定。最后,给出一些有益的工程应用建议。     

智能化战机编队指派的战术匹配寻优算法

战机编队指派是空战指挥决策的重要一环,属于多属性决策优化问题。为提高空战指挥的自动化水平,设计了一种智能化战机编队指派的战术匹配寻优算法。首先分析了战机编队空战优势的估算方法;然后提出了战机编队指派的初步匹配方法,该方法通过战术匹配得到满足编队级最小空战优势要求的,能够覆盖最多目标编队的初步指派方案;最后设计了基于自扰动蚁群算法的战机编队指派寻优算法,该算法针对未分配战机寻找能够使己方战术价值总和最大化的战机编队指派方案。对战机编队指派的初步匹配结果和自扰动蚁群算法寻优结果进行合成得到最终的战机编队指派方案。示例验证了该方法能够得到与空战指挥员经验一致的战机编队指派结果,而且具有较好的实时性。     

基于Hopfield神经网络算法的雷达干扰资源分配

为了使有限的雷达干扰资源发挥最佳的干扰效果,基于干扰效益最大准则建立了雷达干扰资源优化分配模型。提出了基于Hopfield神经网络算法的干扰资源优化分配方法,利用该方法能够在可行的解空间中找出满足能量函数和约束条件的全局最优分配方案。并与干扰资源蚁群优化分配算法进行了比较,理论推导与仿真实验表明该方法的可行性与有效性,且比蚁群分配算法具有更快的收敛速度和更好的健壮性。     

直接耦合干扰的自适应两级补偿方法

针对水下电磁探测系统对直接耦合干扰的补偿精度受限于硬件采样分辨率的问题,研究了基于自适应技术的直接耦合干扰两级补偿方法。采用高速 DSP 芯片实现直接耦合干扰补偿电路,完成直接耦合干扰的粗调补偿;提出了基于可变遗忘因子的 QRD-LS 算法,并采用基于该算法的自适应陷波器实现了直接耦合干扰的微调补偿。实验研究验证了两级补偿方法对直接耦合干扰的补偿性能。结果表明：基于可变遗忘因子的QRD-LS 算法稳定性好,收敛速度快;基于该算法的自适应两级补偿方法对直接耦合干扰的补偿精度达到10－4倍。     

基于蚁群算法的舰艇编队海上补给路径规划方法

将海上补给路径规划问题(URRP)与传统的旅行商问题(TSP)进行比较,分析了它们之间的联系与区别。在此基础之上,应用一种改进的TSP问题,对海上补给路径规划进行了数学描述。针对平时和战时对编队海上补给的不同要求,分别建立了海上补给路径规划模型,确定了规划问题的目标函数。构造了蚁群算法,对URRP问题进行求解,并以平时的海上补给路径规划问题为例,得出了海上补给的最优路径。计算结果验证了该模型和算法的可行性。     

基于人工蜂群算法优化的改进高斯过程模型

高斯过程(GP)的非线性特征导致其对大样本的训练时间复杂度过高,而且其超参数的选取是否适当直接影响高斯过程回归模型的预测精度。提出采用人工蜂群(ABC)算法优化改进GP以减小时间复杂度和提高预测精度。改进GP通过选取训练样本的子样本进行模型学习,以降低训练过程的时间复杂度。ABC通过优化改进GP的超参数,提升预测精度。选取训练样本的子样本构建改进GP回归(GPR)模型,采用ABC算法搜寻改进GPR的最优超参数,并用得到的超参数构建最优的改进GPR模型,输入测试样本进行预测并输出预测精度。将该模型应用于解决海上远程精确打击(LPSS)体系作战效能评估问题中,通过MATLAB仿真实验,与常见的多种优化方法相比较,验证了该模型的有效性。