武器系统概率指标的贝叶斯决策评定方法

剖析了武器系统试验工程领域中常用二项分布经典假设检验方法存在的问题,从贝叶斯决策思想和理论出发提出了概率指标评定的新方法,通过实例对比证明了贝叶斯决策评定方法有效解决了二项分布经典假设检验方法中存在的问题。     

二相编码雷达前沿复制干扰的能量效率分析

针对提高干扰的能量利用效率提供一些理论和技术问题,介绍了前沿复制干扰的产生背景。对二相编码雷达、灵巧噪声干扰和前沿复制干扰的基本成分通过匹配滤波器后的输出信号脉冲峰值进行了分析。以在匹配滤波器输出端产生相同数量和相同幅度大小的脉冲为能量利用效率比较基准,给出了这两种干扰方式各自所需的干扰信号能量的计算公式,并进行了典型条件下,这两种干扰方式所需干扰信号能量的数值计算;在一般情况下,对这两种干扰方式的能量利用效率进行了比较。指出若前沿波形宽度为雷达发射信号宽度的1/n,则前沿复制干扰所需能量为灵巧噪声干扰所需能量的n倍,前沿复制干扰的能量利用效率仅为灵巧噪声干扰的能量利用效率的1/n。     

基于神经网络的地形匹配方法研究

提出了基于神经网络实现多特征融合的地形匹配算法,充分利用地形的各种不同的统计特征和几何特征,构造了一种地形匹配网络模型.通过对实时图和基准图的分析,给出了计算网络节点之间的权值函数,建立了网络系统能量方程,通过求系统的最小能量得到最佳匹配位置.由于网络能融合地形的不同统计特征和几何特征,所以算法大大提高了系统的抗干扰能力和定位精度,适合于实时图容易发生畸变的地形匹配领域.实验结果表明,定位精度和抗干扰能力均优于传统的地形匹配方法.     

【专题】编者按

本文结合新体制新任务转型建设的要求和装备论证、研制、试验与评估工作实践及备战训练需求,针对装备作战能力生成、保持、提升和发挥,提出了作战能力图谱概念的定义、用途、分类、特点、数据来源、应用场景、生成和使用流程以及技术应用研究方向;并静态展示了装备能力指标体系、装备作战能力任务满足度、装备组成与作战能力支撑、同类装备作战能力对比、单项能力指标分解、作战能力关系以及作战能力任务需求等可视化的作战能力图谱示例。开展此项研究旨在为从事装备规划、论证、研制及试验的科研人员以及作战指挥员在了解掌握和综合运用并有效发挥装备作战能力等活动时,提供一种描述、传达、汇总以及交付装备作战能力的数据可视化方法。     

任务分配与调度中遗传算子的设计

应用遗传算法等进化方法进行任务分配与调度为越来越多的计算机学者们所关注。基于任务排列的知识表示 ,常规的标准遗传操作算子并不总是有效的。好的遗传算子对算法收敛性及收敛到好点是非常重要的。在列表编码的知识表示基础上 ,设计了三个有针对性的遗传算子 ,即改进的交配算子、内部交配算子和一种作为变异的迁移算子。模拟实验结果与分析表明这些算子对任务分配与调度是有效的。     

基于等方性系数的地形可导航性的方向性研究

地形可导航性分析的研究中 ,当飞行器从不同方向进入特定区域时 ,怎样评价该区域提供的可导航性能力一直是地形匹配中的重要问题。本文建立了地形本质特征的数学过程描述———分数布朗运动 ;基于分形几何理论 ,通过分析地形表面的轮廓谱矩和表面谱矩的特性 ,提出一种地形特征度量值———等方性系数 ;并且分别得出了等方性好与差时 ,适配区域的匹配概率与方向之间的定性关系 ,有助于提高地形可导航性分析的效率。     

基于直线特征的图像－模型匹配算法

提出了一种新的基于直线特征的图像与模型匹配方法。该方法选择那些可以描述目标边界的直线建立模型。识别时 ,分层次地综合使用直线的多种特性 ,从而提高了效率 ,减少了误匹配的可能性。文中给出了用仿真图像和真实图像所做的实验结果。该算法可以用于目标识别、变化检测和视觉导航等多个领域     

基于多子网语言决策图的空管体系绩效评估

为评估空管体系综合绩效水平,制定了关键绩效领域和指标,提出基于多子网语言决策图的群体评估模型。采用多子网策略分析领域及指标间的影响关系,应用语言尺度辅助群体专家建立了领域及指标间的初始判断矩阵和影响连接矩阵。给出了模型的求解方法,在求得各子网内准则的全局权重后,聚合即可得到体系的综合评估值。案例分析表明,相比于不考虑领域及指标间影响的情况,模型结果能更客观、全面地展示各领域及指标的权重,更显著地揭示空管体系间的差距。     

基于语义发布订阅系统的战场态势实时分发技术

随着战争形态的多样化和范围的越来越广,战场态势呈现信息量大、复杂性、无规则性、多变性。针对现有的发布/订阅系统不能支持复杂结构的态势来进行事件发布和订阅的语义匹配,提出了基于语义发布订阅系统的战场态势实时分发技术。采用本体描述战场态势的概念模型,采用RDF图表示需求方订阅条件,基于该战场态势本体设计高效的发布订阅匹配算法。实验结果表明,该技术能够支持复杂战场态势实时分发和具有较高的订阅匹配效率。     

The role of covariate balance in observational studies

Observational data are prevalent in many fields of research, and it is desirable to use this data to make causal inferences. Because this data is nonrandom, additional assumptions are needed in order to construct unbiased estimators for causal effects. The standard assumption is strong ignorability, though it is often impossible to achieve the level of covariate balance that it requires. As such, researchers often settle for lesser balance levels within their datasets. However, these balance levels are generally insufficient to guarantee an unbiased estimate of the treatment effect without further assumptions. This article presents several extensions to the strong ignorability assumption that address this issue. Under these additional assumptions, specific levels of covariate balance are both necessary and sufficient for the treatment effect estimate to be unbiased. There is a trade‐off, however: as balance decreases, stronger assumptions are required to guarantee estimator unbiasedness. These results unify parametric and nonparametric adjustment methods for causal inference and are actualized by the Balance Optimization Subset Selection framework, which identifies the best level of balance that can be achieved within a dataset. © 2017 Wiley Periodicals, Inc. Naval Research Logistics 64: 323–344, 2017