适应“四个多样化” 加强部队思想政治建设

在 社会重大转折时期 ,要特别注重针对经济成分和经济利益多样化、社会生活方式多样化、社会组织形式多样化、社会岗位和就业形式多样化 (简称“四个多样化”)的新情况 ,大力加强思想政治建设。这是军委江主席向我们提出的明确要求。发展社会主义市场经济是我国经济体制的根本性转变 ,对整个社会影响的广泛性和深刻性是前所未有的。尤其是“四个多样化”的社会环境 ,必然会对官兵的思想观念、价值取向、行为方式、人际交往等产生很大影响。加强新时期部队思想政治建设 ,首先 ,要认清“四个多样化”给部队思想政治建设注入的新活力 ,在利用和…     

GM(1，1)模型与指数回归模型的比较与研究

GM(1,1)模型与指数回归模型都是对具有指数或近似指数规律的系列数据建立的数学模型。通过对两种模型进行比较与研究,发现一方面,利用数据列的灰指数特性建立指数回归模型,可以简单地实现数据列的预测过程;另一方面,利用指数回归模型可以对灰色理论的GM(1,1)模型进行控制和优化。     

基于卡尔曼滤波的超宽带时变信道估计

在超宽带时变信道估计中,针对状态转移系数估计不准确引起的滤波发散问题,提出一种基于状态转移系数门限修正的卡尔曼滤波信道估计方法。该方法对时变信道采用自回归模型(AR)进行建模,利用导频估计初始信道信息和信道状态转移系数,并对信道转移系数进行门限修正。仿真实验表明:和传统卡尔曼滤波算法相比,提出方法实现简单并能有效抑制滤波发散问题,提高时变信道估计精度。     

基于主成分分析法的代价敏感极限学习机

在入侵检测中,传统的极限学习机(ELM)没有考虑到两方面的问题:一是误分类代价的敏感问题,在网络入侵检测中,需要考虑到误分类代价不同的问题,并以实现期望代价最小化为目标;二是冗余特征的处理问题,当入侵特征维数较多时,会存在着大量的冗余特征的问题,如果直接对高维数据进行分类,不仅入侵模式不能被准确分类,误检率较高,并且大量的冗余数据既耗费了系统的资源,也增大了入侵检测的时间。针对这两方面的问题,提出一种基于主成分分析法的代价敏感极限学习机(ELM)。通过主成分分析法对数据进行降维,确定主要特征;再将预处理后的数据训练极限学习机(ELM),以实现期望代价最小化为目标,从而实现降低入侵检测的检测时间,降低检测误报率,提高检测准确率的目的。实验表明,在入侵检测中,基于主成分析法的代价敏感极限学习机(ELM)与传统的ELM相比,不仅使分类准确率得到提高,降低了分类的误报率,而且在分类速度上也有一定的优越性,提高了网络运行的效率。     

基于CNN-PCA-DT算法的合成孔径雷达目标识别

合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别是SAR图像解译的重要环节,已广泛应用于国防和国民经济领域。在传统的卷积神经网络(Convolutional Neural Network,CNN)的基础上,提出了将CNN,主成分分析(Principle Component Analysis,PCA)和决策树(Decision Tree,DT)相结合的算法,记为CNN-PCA-DT:利用CNN提取出SAR图像的特征向量,再用PCA降维,最后用DT分类器取代CNN中的Softmax分类器实现SAR目标识别。实验结果表明,所提出的算法在MSTAR实测数据集上取得了较高的识别准确率,从而说明了实验的有效性。     

基于迭代退火算法优化的SVR在核动力装置故障诊断中的应用

针对船用核动力装置主蒸汽管道破口大小依照监测参数的变化很难有精确估计的问题,首先使用了支持向量回归(SVR)对破口大小进行了判断,将破口大小作为诊断模型的预测值;然后,使用迭代退火算法对支持向量机的训练参数进行了优化,并与未优化的模型进行了对照。对比结果表明:优化后的诊断模型精度高,泛化能力强。     

中国国防费时间序列预测模型构建

文章综合运用B-J时间序列建模方法,对中国国防费时间序列平稳性进行了判别;采用单位根方法检验了时间序列的单整阶数;利用自相关函数和偏自相关函数判别了时间序列模型的自回归阶数(AR(p))和移动平均阶数(MA(q));构建了中国国防费时间序列模型,并进行了分析和预测。     

基于尺度无关损失优化的无锚图像目标检测

遥感影像中的目标检测是图像分析领域的一个基本而又具有挑战性的问题,特别是针对任意对象的海上目标检测近年来受到广泛关注。针对任意对象的图像目标尺度和形状不规则导致的目标检测参数敏感以及复杂背景和密集排列在非极大值抑制过程中出现假阴性的问题,提出了基于尺度基于尺度无关损失优化的无锚图像目标检测算法。将旋转边界框回归引入到典型的无锚网络全卷积单级目标检测器中,提出了与尺度无关的GIoU (SGIoU)损失用于图像目标检测的边界框回归,可以快速将预测框的形状调整为开始时与真实相似的形状,解决回归损失函数与检测器最终最优目标之间的不相容性的问题,并在回归过程中加快收敛速度。数据集实验表明：本方法在各类别P-R曲线下面积的平均值(mAP),优于现有的广义交并比(GIoU)损失函数和完全交并比(CIoU)损失函数函数。