钢结构制药厂房火灾特点及爆炸坍塌情形分析

通过对钢结构制药厂房（车间）的建筑结构、火灾特点的分析以及钢结构建筑发生坍塌和引发爆炸等情形的正确判断,为今后处置该类场所灾害事故的救援行动提供参考依据。     

基于Kalman预测的自适应线性化信号的生成方法

自旋弹体的姿态通常采用单通道控制方法进行控制。该方法中采用线性化信号对控制信号进行调制,而线性化信号采用固定频率随机相位的信号发生器产生,这就会对弹体控制产生不良的影响。提出了一种基于Kalman预测的自适应线性化信号的实现方法。该方法通过弹旋频率测定、频率的Kalman预测和信号发生器实现了线性化信号对弹旋信号的同步、自适应倍频、定步长、定幅度的信号发生功能。仿真实验证明了方的正确性,为更加合理的控制自旋导弹的姿态提供了一种有效的方法。     

基于ANFIS的目标毁伤等级预测模型

分析了神经网络和模糊推理系统的优缺点,研究了自适应神经模糊推理系统（ANFIS）结构模型及后向传播和递归最小二乘算法相结合的混合算法．在分析了目标毁伤等级主要影响因素的基础上,构建了目标毁伤等级预测ANFIS模型,利用毁伤试验样本数据训练该模型,得到了与实际一致的目标毁伤等级,并将预测结果与基于BP神经网络的预测结果进行了仿真对比分析．仿真结果表明,该目标毁伤等级预测模型能够准确地预测出目标的毁伤等级,并且其预测精度较BP神经网络方法高,为目标毁伤等级预测提供了一种有效的方法．     

区间正交小波变换域FLP算法及其在捷联寻北中的应用

针对机抖激光陀螺角随机游走和发动机干扰等影响静态捷联寻北精度的问题,提出了一种新的基于区间正交小波变换的前向线性预测算法。该算法利用前向线性预测技术以及区间正交小波变换抑制边界效应的能力,有效地减小了角随机游走和发动机干扰。车载实验证明该算法的有效性。     

基于改进核极限学习机和集成学习理论的目标机动轨迹预测

为了提高目标轨迹预测的精度以及预测模型的泛化能力,提出基于改进蝙蝠算法优化的核极限学习机(Kernel Extreme Learning Machine,KELM)和集成学习理论目标机动轨迹预测模型。构建KELM模型,并采用改进的蝙蝠算法对KELM的参数进行优化;以优化后的KELM神经网络为弱预测器,结合集成学习算法生成强预测器,通过训练不断优化强预测的结构和参数,得到一种基于集成学习理论的目标机动轨迹预测模型;基于不同规模的样本,将所得预测模型与逆传播神经网络、支持向量机和极限学习机等模型进行对比分析。仿真结果表明:所提目标机动轨迹预测模型具有较好的预测精度和泛化能力。     

情报大数据治理框架研究

本文从情报处理的发展和演变着手,面向当前大数据技术飞速发展和情报数据量呈爆炸式增长的趋势,介绍了大数据治理的概念和本文对于大数据治理的理解,并进一步针对数据治理和数据清洗内涵的不同进行了区别说明。此外,还梳理了当前各国在大数据治理和大数据开发方面的现状,对我国在大数据治理方面的政策环境和技术发展情况进行了概括。本研究针对情报大数据的特点,分析了大数据治理对于情报数据发挥作用的重要性;针对情报大数据在数据治理方面面临的问题,分析了情报大数据治理的需求;在情报大数据治理框架方面,构建了由人员组织机构、治理机制、形成的能力、治理策略等方面组成的情报大数据治理模型;对情报大数据管理生命周期内的治理内容进行了描述;最后对情报大数据治理的前景进行了简单展望。     

基于正交最小二乘估计的非线性时间序列的预测

在对非线性时间序列的短期预测中经常采用局部线性化的预测算法 ,原有的算法使用普通最小二乘法 (LS)估计近似线性模型的参数。对于存在噪声的数据 ,该算法的数值稳定性较差。本文在对非线性空间进行局部线性化的基础上 ,采用正交最小二乘方法 (OLS)对线性模型同时进行结构选择与参数辨识 ,改善了数值的病态特性 ,增强了算法的稳定性     

寿命试验持续时间的预测

工程界中诸多电子元器件的寿命都可以看作或近似看作是服从指数分布的,只有经寿命试验掌握各类电子元器件寿命的分布情况,才能对整个电子系统的可靠度有较充分的认识,从而对整个电子系统中的电子设备进行合理布局,优化控制,使其在实际应用中最大程度地发挥其作用。分别给出服从单参数指数分布的样本在寿命试验的早期结果上预测寿命试验的总持续时间的精确与近似方法的证明,并对两种预测方法在不同情况下的预测结果进行比较。     

C4ISR系统评价框架研究

首先对现有的几种C 4ISR系统评价框架作了介绍,并进行了比较,分析了它们的异同;之后根据基于仿真的系统评价要求,研究评价框架与评价模型、指标体系、仿真模型的关系,并借鉴已有的几种评价框架的优点,提出一种基于仿真的C1ISR系统评价框架.     

复杂网络波动扩展衍射欠定采样预测模型

复杂网络环境中对网络波动的准确预测可以有效监测网络环境,防范网络入侵和拥堵。由于在复杂网络受到干扰的可能性更大,其网络波动具有扩展衍射特征,不可预测性强。传统方法中采用自回归移动平均模型进行复杂网络波形预测算法设计,在波动信号的时频重叠调制过程中未能纳入杂波先验信息,波动序列的扩展衍射特征形成欠定采样,预测效果不好。提出基于空间扩展自回归移动平均模型的复杂网络波动欠定预测算法,采用LTE线性均衡滤波,进行降噪去除杂波干扰,提取波动序列的扩展衍射特征形成欠定采样样本序列,设计网络波动时空序列扩展衍射点阵,准确预测网络波动的参数信息。以病毒入侵,网络监听和拥塞堵塞等波动产生模型为实例,进行仿真实验,结果表明该算法具有较高预测精度,监测点波动误差较小,实现复杂网络波动状态的动态跟踪和评估。