基于生成模型的人体行为识别

提出了一种基于生成模型的人体行为识别方法。选取关键点轨迹的方向-大小描述符、轨迹形状描述符、外观描述符作为人体行为的特征；为了降低人体行为特征维数，利用信息瓶颈算法进行词表压缩；利用生成模型，结合已标记样本和未标记样本提出了一种人体行为识别的半监督学习方法，解决了行为识别中的小样本问题。在YouTube 数据库、 UCF运动数据库上利用提出的方法与已有的方法进行了对比实验，结果表明该方法具有更高的识别精度。     

空间目标RCS序列的R/S分析

RCS包含了目标丰富的信息.分析了空间目标RCS序列产生混沌的机理,并非线性理论中的功率谱法引入空间目标RCS序列的分析中,用重整标度分析法(R/S)分析了空间目标RCS序列的混沌特性,仿真结果表明,与旋转目标相比,三轴稳定目标RCS序列较复杂和不规则,这与实际分析的情况相符合,证明了该方法的有效性.     

反舰导弹纯方位发射捕捉概率计算方法

反舰导弹的纯方位发射对目标信息要求不高,在目标信息的探测越来越艰难的今天,是反舰导弹较为重要的一种发射方式,也将会成为未来海战场上常用的作战方式.介绍了反舰导弹捕捉概率的计算方法和传统纯方位发射的捕捉概率的计算方法,并从分析反舰导弹捕捉概率的计算模型和影响因素出发,指出传统的反舰导弹纯方位发射的捕捉概率计算模型存在不足,并给出了修正后的计算模型.     

对目标打击概率的数学模型及分析

通过分析识别跟踪攻击目标的过程,建立了攻击目标打击概率的数学模型和基本算法,通过计算机采用蒙特卡罗法模拟计算了不同条件下对目标的打击概率,以此研究影响打击概率的因素.计算结果表明,武器系统的作战半径和威力半径两个因素对打击概率影响较大,误差因素在一定范围内影响较小,各参数之间存在优化匹配的空间.     

基于改进协同遗传算法的有效载荷系统功能序列规划方法

针对传统回溯算法在求解基于知识模型的有效载荷系统功能序列规划问题中搜索效率低的问题,提出一种基于"择劣变异"(Worst Individual Mutation,WIM)策略的协同遗传算法(Co-evolutionary Genetic Algorithm,CGA)的改进算法WIM-CGA。该算法在遗传过程中采用双路线进化方案,即"择优实施标准遗传过程,择劣实施变异操作",达到提高求解精确度及搜索效率的目的。仿真结果表明,同等测试条件下,当功能规模为50,约束密度为1.0时,WIM-CGA算法在限定时间内最优解的平均精确度比优化的回溯算法提高了54.15%,比CGA算法提高了6.18%,且当所得解的精确度大于90%时,WIM-CGA算法比CGA算法的迭代次数减少了65.79%,耗时降低了48.97%,显著提高了功能序列规划的效率。     

适用于北斗混合星座的相对定位随机模型建模策略

为提高模糊度解算成功率和基线解精度,提出适用于北斗的相对定位随机模型建模策略,即混合随机建模策略。采用最小二乘方差分量估计方法对北斗单差观测量方差进行估计。对处于不同高度的三轨道卫星观测量方差分别建模:对地球静止轨道卫星观测量方差采用载噪比模型建模,对倾斜地球同步轨道卫星和中地球轨道卫星观测量方差均采用仰角模型建模。根据不同模型实时组建观测量的随机模型。试验结果表明:相比于采用传统简化模型和单一的仰角或载噪比模型,混合随机模型能更加真实地反映不同卫星观测量的随机噪声特性,模糊度解算成功率和相对定位精度均有提高,总体性能最优,因而能更好地适用于北斗系统。     

装备剩余寿命预测平行仿真中模型动态演化方法

装备平行仿真中的一个重要概念是实时数据驱动的模型动态演化,但是至今仍缺乏具体应用领域的实现方法。以带未知离散冲击的混合退化装备剩余寿命预测为背景,以多态Wiener状态空间模型为演化对象,提出一种装备平行仿真中模型动态演化方法,包括基于交互多模型强跟踪滤波的模型软切换和基于期望最大化算法的模型参数在线估计,并实现了基于平行仿真的装备剩余寿命实时预测。利用某轴承退化数据进行实例研究,结果表明该方法能有效提高仿真逼真度,剩余寿命预测的准确度较高、不确定性较小,具有较高工程应用价值。     

基于ADAMS和Matlab的大口径舰炮发射系统动力学仿真

利用ADAMS和Matlab/Simulink两大软件的信息交互功能,将ADAMS中的全炮动力学仿真模型生成ADAMS_SUB模块,并将其嵌入联合后坐系统仿真模型中;通过ADAMS和 Matlab/Simulink同步运行对全炮进行发射动力学联合仿真,模拟大口径舰炮发射的全过程,分析全炮的动态响应.对全炮发射动力学联合仿真结果进行后处理分析,观察炮口扰动曲线,进行稳定性分析和炮口扰动分析.根据分析结果,对所建模型及仿真模块进行评价,结果表明,仿真结果与靶场试验数据基本吻合,为物理样机的研制提供了重要的理论参考依据.     

Model parameter estimation and residual life prediction for a partially observable failing system

We consider a partially observable degrading system subject to condition monitoring and random failure. The system's condition is categorized into one of three states: a healthy state, a warning state, and a failure state. Only the failure state is observable. While the system is operational, vector data that is stochastically related to the system state is obtained through condition monitoring at regular sampling epochs. The state process evolution follows a hidden semi‐Markov model (HSMM) and Erlang distribution is used for modeling the system's sojourn time in each of its operational states. The Expectation‐maximization (EM) algorithm is applied to estimate the state and observation parameters of the HSMM. Explicit formulas for several important quantities for the system residual life estimation such as the conditional reliability function and the mean residual life are derived in terms of the posterior probability that the system is in the warning state. Numerical examples are presented to demonstrate the applicability of the estimation procedure and failure prediction method. A comparison results with hidden Markov modeling are provided to illustrate the effectiveness of the proposed model. © 2015 Wiley Periodicals, Inc. Naval Research Logistics 62: 190–205, 2015     

面向应急管理计算实验的模型构建和模型管理

基于人工社会的计算实验使应急管理的定量分析与研究成为可能。然而,应急管理模型涉及多个学科与领域,具有多层次、非线性和多粒度等特点,需要一套规范的流程来指导人工社会的模型建立和模型管理。论文梳理了面向应急管理的模型体系,提出了基于领域特定建模的人工社会建模方法,解决了多领域建模问题;研究了模型的形式化描述与编码问题,并实现了模型的有效管理;结合"甲型H1N1"病程模型,详细论述了模型的构建方法与管理问题,为面向应急管理的计算实验提供一体化的模型服务。