不平衡数据的软件缺陷预测方法

数据的不平衡问题是数据分类领域中的一个热点问题。当分类算法处理这些数据时,算法将偏向多数类而忽视少数类。在软件缺陷预测领域,它并没有引起足够的重视,在4组NASA不平衡数据上比较和分析了14种分类算法的性能,为了克服数据的不平衡性,采用SMOTE技术对软件缺陷数据进行平衡化,最后在AUC和F-measure评价指标下对算法进行评估。实验结果表明随机森林算法在4组数据上表现最佳,这为软件缺陷预测提供了很好的参考。     

中船工业交付首艘饱和潜水打捞母船

日前,我国第一艘300米饱和潜水母船"深潜号"今天在青岛交付。"深潜号"是目前我国第一艘具备300米饱和潜水作业能力的深潜水母船,它的建造完工填补了我国大深度潜水作业支持船舶的空白,将大大提升我国应对大深度、大吨位应急打捞、大面积溢油及其它应急突发事件的快速处置能力。     

基于弹道预测的脉冲修正弹末段控制方法

针对脉冲修正弹箭的控制方法问题,探讨了一种基于快速弹道预测的弹道末段控制方法.在一定假设下,对三自由度质点弹道方程组进行解析求解,得到一组精度较好的弹道诸元解析模型;基于该解析模型,提出一种通过估算剩余飞行时间进行快速弹道预测的方法;在此基础上,提出了适配的脉冲控制参数(脉冲作用方位、脉冲作用个数)的确定方法.以某脉冲修正弹为研究对象,采用Monte Carlo打靶法,在一组相同扰动源条件下分别对无控和有控弹道进行了数值仿真.仿真结果表明:该控制方法可有效提高脉冲修正弹的落点精度,有控落点圆概率误差比无控落点圆概率误差减小80％以上.     

美军CPGS武器装备动向分析及思考

快速全球打击(PGS)武器是近年来在美俄削减核武器的背景下,美军积极探索发展一种"慑战兼备"的新型战略威慑力量。文章深入分析了美军发展PGS武器装备的技术方案、现实进展和未来趋势,并结合我国实际给出了三点应对策略。     

基于遗传神经网络的装备抢修性预测模型

装备的抢修性是装备设计时赋予装备的一种固有属性,直接影响到战场抢修工作。抢修性模型是抢修性研究的重要内容。针对抢修性量化模型难度大的特点,尝试采用具有自学习能力的神经网络对抢修性进行仿真预测,同时为提高神经网络的性能,运用遗传算法对其优化,从而得到基于遗传神经网络的装备抢修性预测模型。最后仿真结果表明该模型可较好地用于抢修性的仿真预测,能为新研制装备的抢修性设计提供有益参考。     

模拟训练系统中CGF的号手操作技能建模

针对模拟训练系统对CGF真实性的要求,从号手的操作技能入手,建立可以反映真实训练水平的号手操作技能模型。在分析操作技能相关原理和规律的基础上,采用时间序列分析的方法对其进行预测。采用了指数平滑预测模型,详细分析了其原理,并针对其在实际应用中的缺陷进行了改进。最后,通过两个实际案例验证了模型的可用性和可信性。所建模型反映了号手的操作技能,为模拟训练系统中CGF的真实性研究提供新的思路和方法。     

基于区块链环境的军队审计作业平台建设构想

在信息技术高速发展、社会经济水平不断进步的背景下,被审计单位经济活动日益复杂,军队审计要想全面履行监督职责,必须不断丰富手段方式,创新技术方法。区块链技术去中心化的特点有利于提高数据存储的完整性、可靠性,可追溯特点有利于验证信息的真实性,公开透明、不可篡改的特点正与审计对证据安全性的要求不谋而合,利用区块链智能合约可编程的特点还可以根据不同审计场景设计出智能、灵活、实时、全程的审计范式。为探究区块链技术与军队审计作业平台的结合应用,本文结合区块链技术特点和军队审计实际,在分析构建区块链环境下军队审计作业平台必要性和可行性的基础上,提出基于区块链环境的军队审计作业平台建设构想及保障措施,以助力军队审计信息化发展,加速军队审计现代化进程。     

【邀请论文】基于区块链环境的军队审计作业平台建设构想

在信息技术高速发展、社会经济水平不断进步的背景下,被审计单位经济活动日益复杂,军队审计要想全面履行监督职责,必须不断丰富手段方式,创新技术方法。区块链技术去中心化的特点有利于提高数据存储的完整性、可靠性,可追溯特点有利于验证信息的真实性,公开透明、不可篡改的特点正与审计对证据安全性的要求不谋而合,利用区块链智能合约可编程的特点还可以根据不同审计场景设计出智能、灵活、实时、全程的审计范式。为探究区块链技术与军队审计作业平台的结合应用,本文结合区块链技术特点和军队审计实际,在分析构建区块链环境下军队审计作业平台必要性和可行性的基础上,提出基于区块链环境的军队审计作业平台建设构想及保障措施,以助力军队审计信息化发展,加速军队审计现代化进程。     

基于变分模态分解的非稳态备件需求预测方法

备件需求量的预测是备件配置的重要内容,针对当前装备备件需求非稳态的特点,提出一种基于变分模态分解的备件需求预测方法.运用变分模态分解将非稳态备件需求序列分解为若干模态分量,引入模糊熵的概念,将周期性、随机性和长期性特征明显的模态分量进行有效聚合,提高计算效率,进而运用预测效果较好的径向基神经网络预测法对聚合后的模态分量分别进行预测,将各分量预测结果进行整合形成最终的备件需求预测值.通过案例分析与实验对比,结果表明提出的方法能够有效挖掘非稳态备件需求序列的深层次信息,实现非稳态备件需求序列的较好拟合,并与其他非稳态时间序列预测方法对比具有较高的预测精度,为适应新时代实战实训背景下备件需求的特点提供了有效的方法支撑.