基于信息熵的炮兵射击目标选优分析

针对炮兵射击目标选择的特点,运用信息熵权重和层次分析方法,建立射击目标选择的数学模型,得到炮兵射击目标的合理排序。最后得出利用信息熵和层次分析法对射击目标进行选择,比单纯运用层次分析法收敛速度快,又利于计算机软件实现,为炮兵作战指挥自动化系统辅助决策提供了一种新的方法。     

用局部对比度信息改善图像质量

在图像的摄取和传输中,图像经常降质。为了改善图像质量,将信息熵的概念与图像的局部对比度信息相结合,提出了一种基于熵概念的非线性噪声的滤除方法,并进一步利用局部统计信息对图像进行增强。分别对模拟图像以及红外图像进行了试验,并与中值滤波、Lee滤波、Frost滤波等经典噪声滤波方法进行比较,实验结果验证了该方法的有效性。     

基于符号树信息熵的机械振动瞬态信号特征提取

用简单的二进制划分简要说明了信号符号化问题,给出了二进制划分下符号树结构及其Shannon熵计算方法,叙述了符号序列编码方法和符号序列直方图的作用,提交了符号时间序列分析的计算机流程图,对内燃机机身振动信号和转轴振动信号用符号树信息熵进行了特征提取。     

基于熵权的改进型多指标综合评估方法及应用

提出了一种基于熵权的改进型多指标综合评估方法。在分析目前构建效用函数存在一定缺陷的基础上提出了一种较为理想的效用函数 ,以实现不同类型、不同量纲原始数据的标准化 ,同时较好地体现了“奖优罚劣”的原则。定义了评价指标的熵和熵权的概念 ,并提出了基于熵权的多指标综合评估的基本算法。以某企业为例对其经济效益进行了综合评估和结果分析 ,并讨论了基于熵权的改进型多指标综合评估方法的优点。     

熵权灰色关联分析法的坦克夜间射击目标选择

针对夜间战场上坦克目标威胁评估问题,结合多目标决策问题,将熵权和灰色关联分析法相结合,提出一种基于熵权灰色关联分析的坦克夜间射击目标选择模型,并详细给出了该算法的思想、算法.该方法克服了传统评估算法中主观赋值的缺陷,最后利用实例证明了该方法的有效性.     

三星时差定位系统欺骗干扰效能评估

通过简单复制转发被保护目标信号可对三星时差定位系统进行欺骗干扰.目前对于三星时差定位系统欺骗干扰效能评估的研究鲜有公开资料发表.分析了针对三星时差定位系统的转发式欺骗干扰原理,提出了将假目标数量和虚假目标干扰分布熵2个评估指标结合的干扰评估方法.通过仿真分析对转发式欺骗干扰效能进行了评估,实验结果验证了所提方法的有效性.     

基于灰色模糊综合评价的网络作战能力评估

根据网络作战力量的组成和作战技术特点,深入分析影响网络作战能力的主要因素,科学构建网络作战能力评估指标体系,采用AHP/熵值法确定指标权重,运用灰色模糊综合评判法,构建实用管用的网络作战能力评估模型,有效解决网络作战力量的作战能力评估动态性、模糊性问题。     

基于图熵法的战场抢救抢修方案复杂性量化模型

从战场抢救抢修注重时效的特点出发,提出了战场抢救抢修作业复杂性概念,分析了影响抢救抢修作业复杂性的因素．引入软件工程领域的图熵模型,从微观方面研究战场抢救抢修方案实施过程中的复杂性问题．将抢救抢修方案划分为3个层次,利用petri网对操作过程进行建模,并从中提取信息结构图和动作结构图．以作业的量化为基础,给出了方案的综合量化方法．实例证明该方法可以很好的反映抢救抢修方案的可操作性．     

信息熵和判断矩阵的专家聚类赋权法

为了降低专家聚类赋权过程中由排序向量引起的不确定性和判断矩阵引起的矛盾性,提高权值分配的精确性,提出了基于信息熵和判断矩阵相结合的专家聚类赋权法。该方法采用聚类分析原理,对排序向量进行分类,根据分类结果、信息熵值和一致性比率确定专家权重系数。实例分析表明:基于信息熵和判断矩阵相结合的专家聚类赋权法在具体应用中得到的结果离期望值更近,说明该算法有效可行。     

A novel signal feature extraction technology based on empirical wavelet transform and reverse dispersion entropy

Feature extraction is an important part of signal processing, which is significant for signal detection, classification, and recognition. The nonlinear dynamic analysis method can extract the nonlinear characteristics of signals and is widely used in different fields. Reverse dispersion entropy (RDE) proposed by us recently, as a nonlinear dynamic analysis method, has the advantages of fast computing speed and strong anti-noise ability, which is more suitable for measuring the complexity of signal than traditional permutation entropy (PE) and dispersion entropy (DE). Empirical wavelet transform (EWT), based on the theory of wavelet analysis, can decompose a complex non-stationary signal into a number of empirical wavelet functions (EWFs) with compact support set spectrum, which has better decomposition performance than empirical mode decomposition (EMD) and its improved algorithms. Considering the advantages of RDE and EWT, on the one hand, we introduce EWT into the field of underwater acoustic signal processing and fault diagnosis to improve the signal decomposition accuracy; on the other hand, we use RDE as the features of EWFs to improve the signal separability and stability. Finally, we propose a novel signal feature extraction technology based on EWT and RDE in this paper. Experimental results show that the proposed feature extraction technology can effectively extract the complexity features of actual signals. Moreover, it also has higher distinguishing ability for different types of signals than five latest feature extraction technologies.