线性分式规划原始单纯形算法有限性问题

本文用一个数值例子说明用[1] 和[2] 中的原始单纯形算法求解退化的线性分式规划(LFP) 可能会出现基循环,从而得不到最优解。于是就此情形引入了Bland规则,并建立了有限性算法。     

最小、最大广义最优停止规则的特征

设(X_n,F_n)_1~∞是适应的报酬序列,(γ_n)是相应的snell 包,(A_n)是(γ_n)的Doob-Meyer 分解中零初值的可料增过程。本文继J.Klass 的研究证明了σ_1=inf{K≥1:X_k≥γ_k}是最小半最优的且是最大严格正则的广义规则,而K_0=sup{n≥0:A_n=0}<∞是最大正则的广义规则,从而得出了广义最优规则唯一性的另一表述。     

红外与可见光图像融合算法性能评估

在研究小波分析的基础上,鉴于不同小波函数和融合规则对融合效果的影响,通过改变小波函数和融合规则对红外与可见光图像进行大量融合实验;首先,研究了不同类型小波函数的性质,分析了不同融合算法的特点;接着,对融合实验结果进行了定量分析和比较,为不同应用目的和场合正确选择合适的小波函数和融合规则进行红外和可见光图像融合提供了理论依据.     

模糊综合评判在雷达接收机等级评定中的应用

为消除技术等级评定中主观因素的影响,将多级模糊综合评判的方法运用于接收机的技术等级评定中。对雷达接收机的技术性能指标进行了层次分类,采用了一种以测试数据为基础的针对每一个因素的单因素评判方法,并以某型雷达接收机为例,给出其技术等级模糊综合评判的详细求解过程。     

基于SD模型的弹药消耗规律研究

传统弹药消耗研究主要将重点放在微观层面对具体的弹药需求量的计算方法上,没有科学回答实际作战中弹药消耗的宏观规律和趋势。在上述计算思路的基础上,建立了系统动力学模型,对从总体上对战时双方兵力因素、武器因素以及各个作战阶段弹药消耗的规律作了有益的探索,从宏观上得出了战时弹药消耗的本质规律,对战略、战役指挥员从宏观层面整体把握弹药消耗的本质规律具有重要意义。     

一种基于估计熵的自适应模糊滤波器及其在箭遥信号处理中的仿真应用

介绍了一种基于估计熵的自适应模糊滤波器 ,并将其应用于宽带噪声中火箭遥测速变信号的数字滤波。讨论了自适应模糊滤波算法 ,给出了应用实验结果。分析和实验表明 ,这种新型滤波器能根据信号的复杂程度自动调节其参数 ,对宽带噪声中非平稳随机信号有较好的滤波效果     

依据部分属性值的空中目标威胁快速排序方法

针对空中目标威胁排序问题,提出了一种依据部分属性值即可对目标威胁进行快速排序的方法.首先选取具有代表性的样本数据作为案例库;然后确定条件属性和决策属性,在利用K-均值聚类算法对决策属性进行离散化后,提出了一种针对连续条件属性值的全局离散化方法,并对离散化后的案例库进行属性约简并得出决策规则;最后将待排序目标各属性值进行...     

证据理论从两维到多维同步融合

D-S证据理论的组合规则是反映两个证据联合作用的法则。为了得到多个证据源的最终目标属性判决,提出了一种推广到多维同步合成计算的D-S组合规则。详细分析了多维同步融合的情况,提出利用多维同步融合的确定性因子来代替D-S组合规则中的不确定性因子进行融合,避免计算大量无实际意义的联合概率乘积项,简化了计算过程,拓展了D-S证据理论的实际应用。并通过仿真验证了推广到多维同步融合的D-S组合规则的正确性和有效性。     

武警基层中队后勤综合保障能力评价研究

针对武警基层后勤综合保障能力评价的主观性问题,探讨了三角模糊数与数据包络分析(DEA)理论在武警基层后勤综合保障能力评价中的应用.采用三角模糊综合评价模型对某支队5个中队的后勤综合保障能力进行评价优选.同时将DEA分析理论应用于武警基层后勤综合保障能力的优选问题研究,构建了合适的DEA模型,分析了5个中队的的相对有效性...     

面向像斑的高分辨率遥感影像自优化迭代分类方法

针对高分辨率遥感影像提出了一种面向像斑的自优化迭代分类算法,基于半监督聚类算法获取训练样本,以支持向量机为核心设计了自优化迭代分类器。使用分型网络演化算法获取像斑,并从中选取少量标记样本;结合标记样本,利用半监督模糊C均值算法对像斑进行聚类,并基于密集度筛选得到训练样本;设计了自优化迭代支持向量机分类算法,对所有像斑进行迭代分类直到满足分类要求,并在分类过程中对近邻分类结果进行统计得到高可信度样本以自主优化训练样本集。基于以上方法分别对武汉市QuickBird和WorldView影像进行分类实验,分类总精度分别达到94.67%与92%,与基于人工选取训练样本情况下进行分类的分类总精度（82%与82.67%）、常规支持向量机分类总精度（87.33%与88%）、最小二乘支持向量机分类总精度（88%与89.33%）相比,精度有明显提升,分类效果较好。