战争设计工程中专家思维收敛过程的建模与分析

专家意见能否达成共识是战争设计工程中的一个关键问题.首先从复杂理论视角对专家思维过程的适应性、聚集性、非线性进行分析,接着将专家群体划分为两类并且运用马尔科夫转移矩阵对研讨过程建模,提出并证明了两类专家群体思维收敛的充分必要条件,得到群体思维收敛不仅与研讨过程中专家之间的关系影响矩阵有关,而且与专家的初始意见有关.最后通过计算机仿真进一步探索了群体思维收敛过程的影响因素.     

浅论三维可视化技术应用

三维可视化技术引发了科研分析手段的革命,抢占三维可视化技术研发的制高点是我国学术界的紧迫任务,本文简要叙述了三维可视化技术的数学基础和编程基础,列举了三维可视化技术的应用现状,并结合作者的开发实践介绍了某三维作战仿真场景的研发情况。     

模糊一致矩阵的AHP在装备采购风险评价中的应用

针对传统层次分析法的不足,在装备采购风险评价中引入了基于模糊一致矩阵的层次分析法,提出了装备采购风险评价的模糊层次分析方法,不但解决了传统层次分析法中判断矩阵一致性的检验、调整和判断标准等问题,而且充分集成了多个专家的知识和经验,使决策过程更贴近实际,更便于理解。算例分析结果验证了所提出装备采购风险评价方法的可行性和有效性。     

信息熵和判断矩阵的专家聚类赋权法

为了降低专家聚类赋权过程中由排序向量引起的不确定性和判断矩阵引起的矛盾性,提高权值分配的精确性,提出了基于信息熵和判断矩阵相结合的专家聚类赋权法。该方法采用聚类分析原理,对排序向量进行分类,根据分类结果、信息熵值和一致性比率确定专家权重系数。实例分析表明:基于信息熵和判断矩阵相结合的专家聚类赋权法在具体应用中得到的结果离期望值更近,说明该算法有效可行。     

无约束自由体有限元分析中的准静态法

在对某水下无约束航行体进行有限元静力分析的时候,由于无法限定结构的自由度而使刚度矩阵奇异,从而导致求解失败。为了解决这一问题,采用强迫约束法和准静态法(惯性释放)对此航行体进行了有限元静力对比计算,结果表明:用强迫约束法对水下航行体进行静力分析时,在施加强迫约束的部位出现了严重的应力集中现象,应力最大值为1.25×106Pa,应力集中使得整个结构的应力分布与实验数据相差较大,可认为计算结果错误;采用惯性释放法对其进行静力分析时,应力最大值为3.27×105Pa,整个结构的应力分布合理,与实验数据一致,计算结果正确。     

自动测试系统多层次模糊综合评价方法

针对自动测试系统(ATS)多层次、多指标综合评价问题,提出了一种多层次模糊综合评价方法。首先通过德尔菲法确定系统的评价指标体系,并通过领域专家确定底层指标的隶属度矩阵;然后采用层次分析法确定各层指标的权重,并经过一致性检验;将底层的评价结果作为其上一层的隶属度矩阵,再根据相应层的权重进行评价,得到该层的评价结果。依次类推到最顶层,得到系统的最终评价结论和量化结果。最后以某型ATS为例验证了其有效性。     

舰船成本预测系统中的自变量约简方法

针对舰船成本预测系统中自变量众多且相互关系错综复杂的特点,提出了用模糊粗糙集方法对舰船成本预测系统中的自变量进行约简。在模糊粗糙集方法的框架下,给出了模糊不可分辨关系和相对约简的定义,构建了基于模糊粗糙集的舰船成本预测系统自变量约简模型,并且针对实际的舰船成本预测系统一般是混合数据系统的问题,对广义差别矩阵的定义进行了改进,设计了相应的启发式约简算法。实例分析结果表明:文中所提的方法不仅能使约简的自变量大为减少,而且约简的效果较传统方法更好,且计算过程也更简单。     

色温对HDR图像亮度测量方法的影响

白平衡是数码相机数字图像处理的重要一环。为了研究拍摄色温对基于HDR图像处理技术的亮度测量方法的影响,从色温与M矩阵的关系出发,在使用荧光灯照明的某地下车库进行实验,随机选取6个柱面上15个点,利用该方法测量亮度。将实验结果与文献中采用未修正公式得出的结果进行对比,后者误差远远大于前者。研究表明,利用该方法测量亮度时,有必要根据拍摄环境的色温对M矩阵进行修正;实验相对误差小于10%,满足工程测量应用需要。     

压缩感知新技术专题讲座(二) 第4讲 压缩感知理论中测量矩阵的构造方法

压缩感知(CS)是近年来针对稀疏信号或可压缩信号提出的,在信号采样的同时对其进行高效压缩的一种新理论。在压缩感知理论中,测量矩阵对信号采样方式和重建精度有着重要的影响。文中阐述了测量矩阵的构造对压缩感知性能的影响,介绍了设计测量矩阵时所需满足的约束等距性(R IP)条件,回顾了已有的测量矩阵构造方法,总结了近几年来测量矩阵构造的新方法及所构造矩阵的特点,并指出了测量矩阵研究的发展方向。     

一种基于非负矩阵分解的语音增强算法

文章提出了一种基于非负矩阵分解的语音增强算法。该算法包括两个阶段,训练阶段和增强阶段。训练阶段通过非负矩阵分解算法对纯净的噪声频谱进行训练,得到噪声字典矩阵,保存其作为增强阶段的先验信息。增强阶段首先通过非负矩阵分解算法对带噪语音的频谱进行分解,然后联合噪声字典矩阵和推导得到的相应迭代公式对语音字典矩阵和语音编码矩阵进行估计,重构增强语音。仿真结果表明,文中增强方案在抑制背景噪声,提高信噪比和减少语音失真方面要优于传统的语音增强算法。