关于Tu-Deng函数的一个注记

2009年,Tu和Deng在一个组合猜想成立的基础上,构造了同时具有最优代数免疫性、最优代数次数和高非线性度的一类偶数元布尔函数.这类函数被称为Tu-Deng函数.基于同一猜想,Tu和Deng又构造了同时具有次最优代数免疫性、最优代数次数和较高非线性度的一类偶数元的l -阶弹性函数.通过研究由Tu-Deng函数导出的两个布尔函数的级联的密码学性质,在Tu-Deng猜想成立的基础上,给出一类奇数元的1 -阶弹性布尔函数.这类函数同时具有次最优代数免疫性、最优代数次数和较高非线性度.     

基于PMC模型的神经网络

在计算机系统中有许多诊断算法,其中针对PMC模型有0-1规划的诊断算法,这个诊断算法是NP完全的,是在多项式时间内不可解的。然而利用神经网络的高度并行性这个特点,就可以在很短的时间内解出结果。主要分析了系统诊断模型PMC的症候特征,得到其充要条件,提出了新的算法,该算法具有高度的并行性,神经网络的发展为此提供了用模拟电路来实现算法的可能性,并进行了模拟验证。     

一种高超声速飞行器在线反馈滤波算法

高超声速飞行器是近年来各国大力发展的新概念飞行器,针对其飞行运动轨迹难以进行高精度跟踪这一问题,结合神经网络强大的自适应和自学习能力,提出了一种高超声速飞行器在线反馈滤波算法.其核心是在当前统计模型的基础上,利用BP神经网络与卡尔曼滤波相结合进行滤波器设计,实现对高超声速飞行器高精度跟踪.最后通过仿真试验进行比较,验证...     

针对过载控制的神经网络制导律研究

针对高机动高突防能力目标的拦截问题,通过对比例导引律导引过程中过载与比例系数、视线角速率关系的分析,建立基于视线坐标系的三维弹-目相对运动模型,研究在该坐标系下的比例导引律加速度表现形式,据此设计实现K值自适应调整的RBF神经网络模型。通过与纯比例导引律的法向过载以及攻击时间对比,验证了RBF神经网络导引律在降低制导性能的前提下抑制视线角速率抖振、过载控制方面的有效性。     

基于WOA-Elman快速推测火炮射击高空风参数研究

为了缩短高空气象数据获取时间,提高战时火炮射击时弹道诸元解算速度和精度,利用地表气象数据推测高空气象数据是目前重点研究方向之一,采用鲸鱼优化算法(WOA)优化Elman神经网络法的权值,对高空气象风按照气压层进行递推,以获得更好的推测精度。通过气象误差标准分析和基于实验实测弹道数据的仿真分析2种方法,对所获高空气象数据精度进行评估分析,分析结果表明利用WOA-Elman神经网络法可快速有效地对高空气象进行递推预测。     

基于卷积神经网络与滤波融合算法的某惯导系统剩余寿命预测模型建立

在对产品中具备大量运行观测性能数据的关键系统部件进行剩余寿命预测的过程中,因寿命数据稀少难以建立寿命分布模型。而对产品性能观测数据进行退化建模,传统退化过程分析模型对于产品性能观测数据适应性差导致产品寿命预测精度低、有效性弱的问题,充分挖掘部件退化数据信息,依据相关退化分析技术,基于统计模型中的滤波预测方法与机器学习技术中的回归卷积神经网络（regressive convolutional neural networks, RCNN）预测方法建立产品剩余寿命预测融合模型。融合模型结合了滤波预测模型对产品退化状态的挖掘能力、不确定表达能力与RCNN网络模型良好的数据适应性、预测的准确性,提高了产品退化数据分析的准确性及有效性,可对产品关键部件的寿命进行有效预测,为产品中具备大量运行观测数据的关键系统部件健康管理提供辅助参考。     

基于多标签学习的探索性仿真实验因素筛选方法

探索性仿真实验是一种认识、研究战争的重要手段,但往往面临想定样本空间复杂程度高,空间维度爆炸等问题。针对上述问题,提出一种定性定量相结合的基于多标签学习的实验因素筛选方法。首先,基于定性分析设计并实施仿真预实验,采集处理实验数据,解决机器学习样本数据缺失问题;随后,引入输入控制层搭建深度神经网络,引入稀疏正则化,在多标签模型训练过程中实现特征选择;然后,回归定性分析,补充完善实验因素;最后,以某作战样式下立体投送行动仿真推演为背景进行实验验证。实验结果表明,筛选的实验因素与作战行动现实情况吻合。     

基于EEMD降噪和模糊函数奇异值向量的雷达辐射源信号识别算法

针对目前基于模糊函数提取的几何学特征,在低信噪比时表征能力弱,导致识别准确率不高的问题,提出了一种基于EEMD降噪和模糊函数奇异值向量的识别方法.选取合适的EEMD参数,对时域信号进行降噪,提取模糊函数矩阵奇异值向量,求解其交叉熵作为特征,实现雷达辐射源信号识别.仿真实验表明,信噪比大于-5 dB时,所提方法对于BPS...