统计学习理论在磨损量模型参数估计中的应用

讨论了摩擦片磨损量数学模型中未知参数估计的方法统计学习方法和线性方程组方法.利用最小二乘法,对采用线性方程组所估计的模型参数的误差进行了讨论,并得出结论在磨损量测得的情况下,以在(0,1)区间内服从均匀分布的伪随机数构成系数矩阵确定未知参数是可行的.     

利用统计方法进行量化考核

量化考核是现代企业管理中一项十分重要的内容。如何对企业的管理者进行量化考核、评价和激励,是单位领导者非常重视但又难以解决的问题,难就难在如何确定一个科学、合理、有效的量化考核系数。我们认为利用统计学的方法就可以很好地解决这个难题。     

基于证据聚类的多源传感器证据组合研究

在分析D-S证据组合公式所存在问题的基础上,根据聚类分析思想,提出了对证据进行聚类加权的证据组合方法.该方法将较为相似的证据归为一类,根据聚类结果对证据有区别地进行组合,不同类之间的证据根据聚类距离进行加权后组合,同一类证据按一种加权证据组合公式组合.应用到目标识别系统后使其性能在一定程度上得到改善.最后通过计算实例表明算法是有效的.     

地空导弹武器退役的模糊聚类分析

本文对影响武器装备退役的主要因素进行了分析 ,给出了各因素的评估模型 ,运用模糊聚类法对地空导弹武器的退役进行了分析 ,为退役决策提供了一种定量分析方法     

信息化战场中基于智能体聚类的信息处理

研究了信息战条件下信息的处理问题,通过分析信息化战场条件下战场环境和人员的特点,提出了一种基于智能体聚类的信息处理方法,通过该方法来实现战场信息的通信、传输、交换从而协助指挥员决策。该方法的特点是可以根据战场的环境进行聚类,降低了信息的复杂度从而保证及时有效地传递消息。该方法通过智能体平台实现,具有一定智能性并减少了指挥员的决策难度,对指挥自动化而言是一个很好的实例。     

神经形态器件现状与未来

为解决现有冯·诺依曼计算机面临的低智能、高能耗、低容错等问题,"类脑计算"应运而生。"类脑计算"借鉴大脑的体系结构和信息处理方式,基于神经形态器件构建逻辑与存储相融合的计算硬件,旨在实现更为灵活和智能的信息处理与计算模式。在阐述"类脑计算"起源与发展现状的基础上,研究了人脑神经网络信息处理机制,重点介绍了神经形态器件的研发态势。神经形态器件作为类脑计算芯片和系统的基本组成单元,对于类脑智能的实现至关重要,因此研发能够高精度模拟生物突触、神经元信息处理功能的微纳器件是当前的研究热点。     

自组织特征映射网络在目标分类识别中的应用

为了在日趋复杂的空战环境中准确分析出目标的类型,以达到辅助决策之目的,采用自组织特征映射网络来对目标进行分类识别.首先提取影响目标识别的类特征,然后对其预处理.在此基础上建立SOM网络目标识别模型,并利用SOM网络算法实施无监督的自组织学习.在学习的过程中,通过不断调节网络节点间的权向量,来实现目标聚类.最后,通过仿真验证了该方法在目标分类识别中的可行性和实用性.     

基于战争成本—收益计算的国防支出决定模型

国防支出是国防建设的资源投入和基本保障。如何确定国防支出的比例或规模既是国家决策者关心的重大现实问题,也是国防经济学研究的最基本问题之一。与以往研究不同,文章创造性地从战争成本—收益计算的视角出发,构建了一个基于本国武器装备杀伤系数的决定国防支出比例的基础模型;并在此基础上,通过逐步引入抵抗外敌入侵的自毁系数、敌国武器装备对本国进攻与防守能力的抵消作用、敌国武器装备使本国武器装备数量的失效作用、敌国攻击本国的获胜概率等变量对模型进行扩展;最后通过跨期模型加以动态化,说明在长期均衡状态下国防支出的变化趋势。通过这些模型的构建和求解,我们得出:一国国防支出的比例(或规模)主要取决于该国武器装备的杀伤系数、自毁系数、敌国国防支出、敌国获胜概率、本国的国民财富、经济增长率和武器装备折旧率等因素。这为在实践中安排好一国的国防支出提供了十分有益的参考。     

基于粒子滤波的红外小目标跟踪方法

提出了一种基于粒子滤波的红外小目标自适应跟踪方法.首先根据红外小目标的特点,建立灰度统计直方图分布模型对目标进行描述,采用基于Bhattacharyya系数定义的距离进行相似性度量,建立目标观测模型,然后通过这个模型将粒子滤波和均值位移方法结合起来,实现对红外小目标的跟踪.实验证明,该方法能够较好地处理图像序列中由于局部遮挡所带来的影响,准确地对红外小目标进行跟踪.