利用二次函数图象展示物理问题情景

二次函数y=ax2 bx c,当a＞0时,图象开口向上,顶点坐标为(-b/2a,4ac-b2/4a),如图1所示,表明:y随着x增大,先减小后增大;当a＜0时,图象开口向下,顶点坐标为(-b/2a,4ac-b2/4a)如图2所示,表明:y随x的增加,先增大后减小     

基于神经网络的信息融合算法研究及其在入侵检测中的应用

目前,网络入侵技术越来越先进,许多黑客都具备反检测的能力,他们会有针对性地模仿被入侵系统的正常用户行为;或将自己的入侵时间拉长,使敏感操作分布于很长的时间周期中;还可能通过多台主机联手攻破被入侵系统.对于伪装性入侵行为与正常用户行为来说,仅靠一个传感器的报告提供的信息来识别已经相当困难,必须通过多传感器信息融合的方法来提高对入侵的识别率,降低误警率.应用基于神经网络的主观Bayes方法,经实验,效果良好.     

关于值分布论中一个著名猜测的推广

运用Nevanlinna的亚纯函数理论方法,研究了超越亚纯函数的值分布理论,获得了如下的结论:设f为超越亚纯函数,c为f的不恒等于0的的小函数,则当n≥3时,fnf′-c有无穷多个零点;若附加条件f只有有限多个级≤2的零点,则对一切正整数n,fnf′-c都有无穷多个零点.因而对Chiang Y M的问题作出了部分回答.     

碳钢中夹杂物诱发点蚀的规律和特性研究

选用5种低碳钢,通过浸泡试验、显微腐蚀试验和极化试验,考察了碳钢在3%NaCl(质量分数,下同)溶液中夹杂物诱发点蚀的规律和特点.结果表明:样品刚浸入溶液时其最初电位高于点蚀电位,钢中一些夹杂物活化,先诱发点蚀;局部活化使钢样的电位迅速下降,当降至点蚀电位之下,未发生点蚀或未充分诱发点蚀的夹杂物受到保护,不再活化;在阳极极化试验中,当钢样的电位极化到点蚀电位或点蚀电位以上,钢中的夹杂物几乎都会活化而诱发点蚀.     

激光照射指示器束散角数字化检测方法研究

激光末端制导武器系统中,激光照射指示器出射激光的束散角是一个重要的参数。介绍了一种出射激光束散角的数字化检测方法。区别于传统的套孔法和反射靶板法,该方法通过CCD采集激光光斑,用质心法确定光斑中心,根据激光能量密度分布确定激光光斑半径,进而计算出待测的激光束散角。     

自然场景车标数据集的构建及其应用

车标作为车辆身份的关键特征之一,在车辆的监控与辨识中发挥着重要作用。由于自然场景复杂多变,对其中的车标进行准确识别仍具有很大的挑战性。目前公开数据库很少且存在诸多局限,导致研究缺乏可信度和实用性。本文建立了一个面向自然场景的全新数据集,包含多种采集环境下的10 324幅、67类车辆图像。基于此数据集开展应用研究,提出一个目标检测与深度学习相结合的车标识别方法,包括车标区域定位和车标种类预测两大步骤。实验表明,该方法对复杂背景有较强的适应性,在涉及30种车标的分类任务中达到89.0%的总体识别率。     

基于时间反转声学理论的超声相控阵超分辨率成像方法

在超声相控阵检测领域,常规成像方法遵守瑞利准则,其成像分辨率受到波长限制。研究时间反转多信号分类(Time Reversal-MUltiple SIgnal Classification, TR-MUSIC)方法,在保持超声波工作频率不变且不影响系统探测深度的前提下,可提高成像分辨率,实现超分辨率成像。通过全矩阵采集方法获取被测对象的超声阵列数据;利用平面B扫描和TR-MUSIC方法处理数据,得到二维和三维超声图像;依据图像特征评估被测对象内部状况。实验选取加工不锈钢试块作为被测对象,搭建超声相控阵检测系统,在试块内部加工6个直径为1 mm、可视为点散射体的相邻贯通孔作为缺陷。实验表明,TR-MUSIC方法能够区分并定位这6个相邻点散射体,而平面B扫描方法则不能。因此,基于时间反转声学理论的TR-MUSIC方法可以提高成像分辨率,改善超声图像质量。     

基于兵棋推演的分队战斗行动方案评估

为了解决分队战斗行动方案评估的问题,研究了一种基于兵棋推演的分队战斗行动方案评估方法.根据分队战斗方案的构成要素,基于战斗想定建立评估行动方案的效力函数;针对战斗行动的动态性,采用决策点控制的方法,制定战斗行动方案可能的分支,并利用兵棋对4个具体的战斗行动方案进行动态演化作战过程推演,得到逼真的交战数据,对实验统计数据进行分析,并利用效力函数得到满意的结果.     

基于机器学习的CSE-CIC-IDS2018入侵检测数据集优化降维分析

测试数据集的质量对入侵检测系统的性能起着至关重要的作用,在保证质量的前提下对入侵检测数据集优化降维,是提高入侵检测系统高效准确运转的重要措施.使用K近邻、决策树、随机森林和Softmax分类算法,对CSE-CIC-IDS2018入侵检测数据集进行特征维数探究,按照特征重要性评分对分类器进行特征递减式训练,分析机器学习分类器对该数据集的特征维数依赖关系.结果表明,数据集的特征数量由83个减少至最低7～9个时,分类器仍可以保持较高的分类性能,且检测时间显著减少,计算效率更高.     

结合自适应时间权重的改进STRCF目标跟踪

针对STRCF算法时间权重因子固定,且常因长时遮挡等原因造成跟踪漂移的问题,提出了一种自适应时间权重学习的目标跟踪算法.利用峰值旁瓣比在线动态更新时间权重因子以提升跟踪器的准确性.在跟踪器中嵌入遮挡判断模块,设定条件判断是否发生遮挡,以决定是否停止对目标位置的更新.实验结果表明:该算法的精确度与成功率分别为0.880和0.814,相比STRCF算法分别提升了2.6％和2.0％,且跟踪速度达到28.61帧/s,在CPU上可以达到实时.