基于粗集的神经网络在目标类型识别中的研究

为克服传统的目标类型识别方法的不足,提出将粗集和神经网络紧耦合建立新的识别模型,即经过识别信息预处理、样本数据粗集方法简化、神经网络学习训练及待识信息网络识别等步骤,充分融合了粗集强大的规则提取能力和神经网络优良的分类能力。实验表明,该模型减少了识别的主观因素,简化了神经网络结构,提高了运算速度。     

验前信息在武器装备试验中的应用研究

针对武器装备定型试验时如何把验前积累大量的先验信息科学合理利用,根据武器装备不同种类的验前信息,确定其分布类型并采用参数和非参数检验方法进行相容性检验,使经过预处理的验前信息能够为试验所用,并通过实例验证了该方法的科学可行性。该方法对验前信息在武器装备试验及结果评定中的应用具有一定意义。     

基于群决策和QFD的型号装备作战需求论证方法

通过研究定性问题的定量化处理方法和2类关键模型,提出了基于群决策和QFD的型号装备作战需求论证方法,阐述了方法的基本流程,构建了方法应用的数学模型,在一定程度上解决了需求论证中＂定量方法不足,需求论证不清＂的难题,为型号装备立项综合论证提供了方法支撑。     

加权主成分TOPSIS法的防空导弹型号论证决策

针对防空导弹型号论证决策问题,讨论了影响型号论证的主要因素,建立了基于加权主成分TOPSIS法的防空导弹型号论证决策模型,实现了对新研制型号方案的综合评价和分析.在此基础上,通过实例验证了方法的实用性与有效性.论文的研究成果为防空导弹型号论证提供了辅助决策方法和智力支持.     

确定性理论在雷达型号识别中的应用

雷达型号识别是雷达对抗情报侦察的首要工作,是近一步分析雷达用途及相关武器系统的基础,也是高层次上的态势评估和威胁估计的主要依据.针对现代战争中电磁信号环境的复杂性,利用单一传感器很难对雷达型号进行准确识别,而基于确定性理论的不确定推理技术能将多个传感器在多个周期的侦察信息进行融合,所以采用确定性理论的数据融合技术,基于确定性理论的组合规则,采用分层式融合算法对雷达型号进行识别.仿真结果表明,该方法的识别结果令人满意,使采用单一传感器可能存在的无法识别或误识别等现象得到了明显的改善.     

基于蚁群算法的试验流程优化研究

水中兵器的海上试验涉及许多人员、兵力、被试产品、测量设备等,试验周期长、消耗大,因此如何缩短试验周期是亟待研究解决的问题.文中首先将试验流程优化问题转化为车间调度问题,建立了相应的数学模型,再应用蚁群算法转移规则得到中间结果并进行排队以对各种资源约束进行处理.最后将结果利用局部搜索算法优化后作为蚁群算法信息素更新的基础.实例计算结果表明,该方法优化效果良好.     

一种基于层次分析法的舰炮武器系统选型综合评价模型

针对舰炮武器系统选型配置决策中众多制约因素难以平衡兼顾的难题,本文基于层次分析法,综合了作战效能、全寿命周期费用、研制周期、适装性、技术可行性和发展潜力等多变量因素,提出并建立了一套综合优化舰炮武器系统选型配置方案的方法和模型,实现了舰炮武器系统选型配置问题的优化决策,最后以大口径主炮武器系统发展选型为例,给出了模型的应用实例。     

兵团音乐的创作机制、题材类型与思想教育功能

"兵团音乐"这一语辞包含区域、主题、风格、功能、情感等多重属性。本论文尝试从兵团音乐的特质、兵团音乐创作机制的类型、兵团音乐创作主题的类型三方面来阐释兵团音乐的思想教育功能。     

面向混部云失败批处理作业的预测算法

为了降低混部云失败批处理作业的风险,使用K-means聚类算法将批处理作业分为四类,在分类的基础上提出了二层嵌套分类模型(two-layer nested classification model, TLNM),实现了基于TLNM的预测算法。基于Ali Trace 2018数据集上的实验结果表明,该算法的接受者操作特性(receiver operating characteristic, ROC)曲线明显优于其他常用分类器,ROC曲线下面积(即AUC)可以达到0.978,表明该算法具有良好的分类性能。同时召回率可以达到0.951,通过混淆矩阵可以看出TLNM算法能够准确预测出执行失败的批处理作业。     

节点实时性能自适应的集群资源分配算法

由于配置和所运行作业的不同,集群各节点的实时性能差异较大。为提高集群性能,提出节点实时性能自适应的集群资源分配算法 (node real-time performance adaptive cluster resource scheduling algorithm,NPARSA)。节点实时性能用其配置(CPU核数及速度、内存容量、磁盘容量)和实时状态参数(CPU、内存和磁盘的剩余数量及磁盘读写速度)表示。NPARSA根据作业类型自主选择节点性能评价指标的权值,实现节点实时性能对于作业类型的自适应。实时性能最优的节点分配给作业。虚拟机实验和物理集群实验表明,与Spark默认资源分配算法、没有考虑作业类型与节点匹配的算法、使用作业和节点匹配差异程度作为资源分配依据的算法相比,NPARSA能更有效地缩短作业执行时间、提高集群性能。