军队期刊编辑强化责任意识消除“文字性错误”摭谈

军队期刊编辑人员必须强化责任意识,努力消除“文字性错误”。其意义在于：可以有效提高学术稿件的质量,提高期刊的质量,能够折射出编辑人员的事业心和责任心。界定了“文字性错误”的定义及内涵;分析了它在期刊中的主要表现形式为文字错误、词语错误、语法错误、标点符号用法错误、数字错误和计量单位错误;提出了“文字性错误”的判断标准。     

伊拉克战争让美日关系很受伤

冲绳争议早在伊拉克战争前就已经存在了．而且建立更平等的同盟关系这一呼吁也是不可避免的。但是．美国的单边主义和其傲慢且笨拙的外交让日本深深地担心和失望。特别是在伊拉克战争的催化下,日本的这些情绪表现得更为明显和激烈。     

无线传感器网络中基于统计异常的入侵检测

无线传感器网络与传统网络存在较大差异,传统入侵检测技术不能有效地应用于无线传感器网络.结合无线传感器网络的特点,提出一种基于统计异常的入侵检测.入侵检测为传感器节点在正常工作状态下的某些系统特征建立行为模式,并通过统计观测值对正常行为模式的偏离程度来判断是否存在入侵.理论分析及仿真实验表明,提出的入侵检测技术可有效检测入侵,检测算法简洁高效,利于节能,适用于供能紧张的无线传感器网络.     

中老年人如何防治“中风”

中风,又称脑血管意外、脑卒中,是指由于脑部血管发生病变.从而引起颅内血液循环障碍、脑组织受损,多发于中、老年人的急性脑血管病。临床上常以突然昏迷,或伴有口眼歪斜、言语不利、偏瘫等主要表现。中风可大致分为两大类:一类是缺血性脑血管病,包括短暂性脑缺血发作、脑血栓、脑栓塞等,占80%。另一类是出血性脑血管病,包括脑出血和蛛网膜下腔出血等,约占20%。中风的特点是发病率高、死亡率高、致残率高、复发率高、     

面对不足 下工夫固强补弱

当前,民兵预备役政治工作存在的不足主要表现在基层单位的基础设施不配套、不完善,与时俱进的意识不强,专武干部和民兵预备役骨干队伍的能力素质有欠缺。笔者认为加强民兵预备役政治工作要从以下几个方面着手去抓:一要从基层单位抓好民兵预备役政治工作上落实上下工夫。要解决民兵预备役部队基层思想政治工作薄弱的问题,必须从源头抓起,解决活动有场所、有资料、有制度、有     

舰艇感应磁场补偿多目标优化设计方法研究

针对现有单一目标优化存在的多目标无法兼顾导致非优化目标劣化的问题,提出了基于差异进化算法的多目标优化设计方法。首先,建立了以上方峰值最小、下方峰值最小、下方磁场梯度最小为目标的消磁绕组来调整多目标函数;然后,分别完成了以上、下方峰值同时最小,上、下方峰值及下方磁场均方根值同时最小为控制目标的设计验证。结果表明:该方法能快速得到满足不同战术指标的消磁绕组电流配置,供决策者按照自己的意图从中选择适合实际需要的满意方案。     

一种顾及像元邻域信息的高光谱影像异常目标探测方法

现有的高光谱遥感影像异常目标探测方法仅利用光谱特征信息探测场景内可能存在的异常目标,然而伴随着高光谱遥感传感器空间分辨率的提高,像元间的相关性信息逐渐不可忽略,为此提出了一种顾及像元邻域信息的高光谱遥感影像局域异常目标探测方法。该方法首先利用随机场模型可有效描述像元的邻域相关性信息的特点,建立适应高光谱遥感影像高谱段特点的多阶邻域相关性随机场模型。然后,在该模型基础上定义势能函数,缩小待探测区域。最后,使用该模型将邻域信息引入到背景统计特征信息中,根据目标与背景统计特征的差异建立异常探测算子。实验证明:该方法克服了传统异常探测方法仅利用光谱信息的不足,与现有方法相比,不但可以有效和快速地探测单像元目标,而且探测大异常目标的效果也更好。     

基于规则的域间路由系统异常检测

随着Internet的爆炸性增长,域间路由系统变得越来越复杂并难以控制,许多与域间路由安全相关的事件广泛引起了人们的关注。提出一个基于规则的域间路由监测框架,其中的规则可分为常规异常检测规则和特殊异常检测规则,它们能有效用于检测异常路由和可能的攻击行为,这两种规则的不同在于特殊异常检测规则是由大量路由得到的Internet模型来定义。研究了Internet层次模型与ISP商业关系模型的构造,基于这个框架实现了一个原型系统———ISP-Health,最后给出了检测能力结果。     

基于GRU-VAE的无监督航迹异常检测方法

针对海量无行为模式标签航迹数据的目标行为异常检测问题,提出一种基于门控循环单元的变分自编码器模型(Gate Recurrent Unit-Variational Autoencoder, GRU-VAE)无监督航迹异常检测方法。该方法通过检测航迹异常发现目标的行为异常,分为模型训练阶段和异常检测阶段两步实施：在模型训练阶段,构建了以GRU和VAE为主要结构元素的基于门控循环单元的变分自编码器模型,利用无异常信息标签的历史航迹数据对GRU-VAE模型进行训练,根据训练集的航迹点重构损失分布情况,采用正态分布法或百分位数法划定置信区间为航迹点重构损失门限;在异常检测阶段,该模型对实时航迹数据集进行检测,将重构损失超出航迹点重构损失门限的航迹点视为异常航迹点,当航迹序列中的异常航迹点占比超出占比阈值时,判定为异常航迹序列,结合数据异常情况向一线人员发送目标的异常行为信息。AIS数据实验结果表明,模型最高F₁分数达86.36%,查全率达95%。本方法对异常航迹的检测具有高灵敏度和低漏警率,可满足战场态势认知需求。