不确定条件下编队协同作战空中目标威胁评估

针对决策环境的不确定性,对不确定条件下舰艇编队协同作战的空中目标威胁评估过程进行了深入研究;在此基础上,根据舰艇编队协同决策的特点,综合运用风险型多属性决策理论,建立了满足不同决策层的舰艇目标威胁评估模型和编队目标威胁评估模型,从而提出了不确定条件下编队协同作战的空中目标威胁评估方法。最后,通过实例说明了所提方法的有效性。     

基于查表的空间填充曲线映射算法

空间填充曲线是进行数据降维处理的典型方法。首先给出对角线空间填充曲线的映射规则,该规则使得在高维情况下存在唯一曲线,并且每一维度上的格点数目不受限制。然后提出等势面的概念,推导出不同等势面上格点数量的递推关系。在此基础上,给出基于查表的对角线空间填充曲线映射算法,该算法执行快、可扩展性好,其时间复杂度随维度的增加呈线性增长。     

高校科研团队科技创新能力评价研究

科技创新能力是体现高校综合办学实力的核心指标。以科研团队为视角对高校科技创新能力的评价问题进行了研究,分析了高校团队科技创新能力的要素构成、结构特征,在此基础上从人员队伍、条件基础、文化环境、科技投入、科技产出5个方面出发定义了一个可扩展的团队科技创新能力评价指标模型;提出了基于多属性决策的科技创新能力评价方法,为科研团队绩效管理提供了方法支撑。     

末段多层反导作战的任务分解

任务分解是末段多层反导任务规划的基础和前提。为有效提高任务的执行效率,界定了作战任务分解的基本概念,改进了任务分解的方法,提出了任务分解的基本原则,建立了作战任务属性数据表,明确了子任务的结构关系、优先顺序和资源需求。任务分解进一步明晰和细化了反导作战任务,可降低决策的复杂性,提高作战资源的利用效率。     

穿浪双体船尾板减阻数值分析

基于RANS方程,采用RNG k-ε湍流模型和VOF两相流模型,研究了尾板长度与安装角度对穿浪双体船总阻力的影响规律.计算结果表明:尾板可以调整穿浪双体船的航态,达到有效降低阻力的目的;减阻在一定速度范围内有效,减阻的效果取决于尾板安装角度和长度,但阻力的减少并不与安装角度和长度成比例,最佳的安装角度约为3°～6°,长度约为1％～2％ LWL.     

TNT生物代谢的可能途径

因具有毒性和三致作用,污染环境介质中TNT去除倍受关注。为了能更有效地去除TNT,在总结大量文献的基础上,主要从TNT反应性质方面探讨其生物代谢途径。TNT的结构决定了TNT难于生物氧化、易于生物还原。TNT还原以硝基基团的序批式还原为主,一些中间代谢产物还会相互作用生成聚合物,产物TAT需在严格厌氧条件下生成;TNT的芳烃环也可实现加氢脱硝还原,以利于下一步反应的进行;此外,TNT可同时发生硝基还原和芳烃环还原,两条途径的中间产物还会相互作用生成一些聚合物。TNT的氧化以间接氧化为主,直接氧化很少。由于TNT本身结构的复杂性、反应条件或介质的不同、中间产物的多样性,使得TNT代谢途径还具有很大的不确定性,故仍需进行深入研究。     

粗糙集理论在装备保障训练效果评估中的应用

装备维修保障训练效果评估中最关键的步骤就是评估指标体系的构建及优化,为了克服传统评价方法中存在指标关联性大和权重确定主观性强的问题,将粗糙集和信息熵理论引入装备维修保障训练效果评估领域。采用信息熵的算法对连续指标离散化,基于粗糙集区分矩阵的方法对指标体系进行属性约简,降低了模型的复杂性;在此基础上提出了粗糙集属性重要度和AHP法相结合确定指标权重的方法,进而通过专家评议应用于训练效果评估实例,得到了较好的评估效果,为装备维修保障训练评估提供了新的参考方法。     

关联维数在齿轮箱振动信号特征提取中的应用

论述了关联维数的基本概念和性质,给出了定量描述分形特征的重要参数———关联维数的计算方法,分析了齿轮箱故障时振动的特点.通过对试验获取的齿轮故障振动信号进行分析计算,确定了关联维数与齿轮箱故障程度之间的联系.结果表明,齿轮箱的不同运行情况对应的关联维数有明显不同.因此,可用关联维数作为区分齿轮箱工作状态的特征参数.     

多模态交叉解耦的少样本学习方法

当前的多模态少样本学习方法忽视了属性间差异对正确识别样本类别的影响。针对这一问题,提出一种利用多模态交叉解耦的方法,通过解耦不同属性语义特征,并经过特征重建学习样本的本质类别特征,缓解类别属性差异对类别判别的影响。在两个属性差异较大的基准少样本数据集MIT-States和C-GQA上进行的大量实验表明,所提方法较现有方法有较大的性能提升,充分验证了方法的有效性,表明多模态交叉解耦的少样本学习方法能够提升识别少量测试样本的分类性能。     

Data‐driven variation source identification for manufacturing process using the eigenspace comparison method

Variation reduction of manufacturing processes is an essential objective of process quality improvement. It is highly desirable to develop a methodology of variation source identification that helps quickly identify the variation sources, hence leading to quality improvement and cost reduction in manufacturing systems. This paper presents a variation source identification method based on the analysis of the covariance matrix of process quality measurements. The identification procedure utilizes the fact that the eigenspace of the quality measurement covariance matrix can be decomposed into a subspace due to variation sources and a subspace purely due to system noise. The former subspaces for different samples will be the same if the same variation sources dominate. A testing procedure is presented, which can determine the closeness of the subspaces under sampling uncertainty. A case study is conducted to illustrate the effectiveness of this methodology. © 2006 Wiley Periodicals, Inc. Naval Research Logistics, 2006.