小波网络的雷达目标识别方法

研究了小波网络的构造问题,提出了一种根据小波的局部时频特性,删除不包含任何目标识别样本数据的小波,初步确定网络隐层节点数的方法;采用提出的算法构造小波网络,可以减小网络的结构,加快网络的收敛速度.将构造好的小波网络作为雷达目标识别的分类器,获得了较好的识别效果.     

二维隐马氏模型的一种简化算法及其参数估计

针对现有的二维隐马氏模型算法给出了一种简化算法及参数估计方法。该算法与现有的算法相比非常简单。基于此方法给出了相应的识别方法和参数估计,并且该估计与极大似然估计是等同的。     

隐字小议

说到“隐”，自然让人想起历史上隐居不仕的隐士。上古时代的许由，尧要把君位让给他，他逃到箕山下农耕而食。尧又请他做九州长官，他到颍水边洗耳。表示不愿听到。这颍水据说就是安徽巢湖城内的一汪池塘，后人便称之为“洗耳池”。东汉的严光曾与刘秀同学。刘秀即位后，他改名隐居到富春江畔钓鱼去了。刘秀让他当谏议大夫，他怎么也不肯受，甘做钓翁。至今浙江桐庐还有他的钓鱼台。其实像许由、严光这种消极逃避现实的态度并不足取。他们在世人的眼里只不过是奇人、怪人而已，形象也难称高大。你纵有天大的本事，如不愿报效国家、造福人民，又有何用？     

基于隐马尔可夫模型的IDS程序行为异常检测

提出一种新的基于隐马尔可夫模型的程序行为异常检测方法,此方法利用系统调用序列,并基于隐马尔可夫模型来描述程序行为,根据程序行为模式的出现频率对其进行分类,并将行为模式类型同隐马尔可夫模型的状态联系在一起。由于各状态对应的观测值集合互不相交,模型训练中采用了运算量较小的序列匹配方法,与传统的Baum Welch算法相比,训练时间有较大幅度的降低。考虑到模型中状态的特殊含义以及程序行为的特点,将加窗平滑后的状态序列出现概率作为判决依据。实验表明,此方法具有很高的检测准确性,其检测效率也优于同类方法。     

动态贝叶斯网络的无人机炮火校射

动态贝叶斯网络(Dynamic Bayesian Networks-DBNs),是对具有随机过程性质的不确定性问题进行建模和处理的一个有力工具.提出将隐马尔可夫模型(Hidden Markov Models-HMMs)图形模式与贝叶斯网络结合起来构成DBN,将其用于无人机照相侦察情报的推理分析,决定炮火优先打击区域.首先建立动态贝叶斯网络的战场态势变化模型,而后应用HMM的推理算法获得当前隐含序列最优估计,且可预测出未来战场态势.最后应用模糊推理获得优先打击的区域号.仿真结果表明了模型的可行性.该方法有效解决了贝叶斯网络对于瞬间变化战场态势推理的不足的缺陷,为炮兵指挥员更好地运用火力,分出主次奠定了基础.     

装备保障能力的动态评估

进行装备保障能力的评估研究,对于武器装备战斗力的形成和保持有着重要意义.针对评估过程中存在的不确定性因素和动态变化的特征,提出基于集对理论和马尔科夫链的装备保障能力动态评估方法,为装备管理决策者制定装备保障方案提供了科学依据.     

基于改进MCMC的目标和拖曳式诱饵分离方法

在拖曳式诱饵干扰场景下,目标和诱饵同处于雷达的半功率波束之内,导致传统单脉冲体制雷达有效对其进行分离。针对这一问题,从单脉冲体制雷达匹配滤波采样模型入手,建立了同波束内目标和诱饵的联合概率模型。在该模型下,提出了一种改进马尔科夫链蒙特卡洛(MCMC)方法,完成目标和诱饵的参数估计。该方法将传统随机游走和独立抽样方法相结合,具有估计准确的优点。仿真结果表明,方法可有效分离同波束内目标和诱饵。     

基于PSO-Markov联合模型的无人机路径规划

利用PSO算法对无人机在侦查任务中的路径进行实时规划,将算法与地形、飞行角度、油量等约束条件结合起来,有效地缩减了搜索空间;同时为了在任务中能够更好地掌握无人机完成任务与生存的概率以及整个路径的代价,引入了一种可用于计算风险和评估任务威胁的生存性联合模型,该模型使用了八状态马尔科夫链来描述无人机的状态。仿真实验结果表明,该方法可以有效地检测航路中飞机的各种状态的概率,并以此对整个航路进行评估。     

基于小波变换和Feistel密码结构的图像置乱技术

由于图像信息在网络进行传输时,很容易被非法截取.而隐写术能起到保护机密信息免受攻击的作用,因而得到了广泛的研究和应用.置乱技术虽然是隐写术的预处理过程,但它在隐写术中起着非常重要的作用.提出了一种新的基于小波变换和Feistel密码结构的图像置乱方法,其置乱的对象是载体图像中的小波系数,置乱算法基于Feistel密码结构,密钥采用变形约瑟夫遍历产生,属于"一次一密"的密钥生成.将该方法用于油料信息图像隐藏实验取得了良好的效果.     

基于改进烟花算法的ELM分类模型

针对极限学习机(Extreme Learning Machine,ELM)的性能必须依赖于大量隐层节点的问题,提出了基于改进烟花算法(Improved Fireworks Algorithm,IFWA)的ELM分类模型。用改进的烟花算法进行迭代搜索,求得N个最优的烟花;选择ELM测试数据集的RMSE作为改进烟花算法的适应度值函数,来优化ELM每个隐层节点的输入权值和偏置,使得节点的决策水平提高,从而使ELM的决策性能显著提高;采用KDD99数据集验证表明:改进烟花算法的极限学习机(IFWAELM)能够以较少的隐层节点得到更高的测试平均正确率,提高了极限学习机的泛化性能。5种同类算法性能对比实验也表明IFWAELM是效果最优的。