基于XML的装备作战需求建模数据抽取

武器装备作战需求建模数据是作战需求分析的基础。针对当前武器装备作战需求建模缺乏对建模数据有效管理的现状,提出了基于XML的作战需求建模数据抽取方法。充分利用XSLT在解决文档转换问题上的优势,使其与XPath相结合生成抽取规则,生成结构良好的建模数据文档。     

党务问答

预备党员被取消资格后,其《入党志愿书》应如何处理?问:我单位的一名预备党员在考察期满后,因不符合党员条件,被党支部取消了预备党员资格,请问他的《入党志愿书》应怎样保存?(张华)答:预备党员因不具备党员条件,经支部大会讨论通过和上级党组织批准,被取消预备党员资格后,应将有关情况在本人的《入党志愿书》中填写清楚,然后存入本人档案。未建立档案的,可由其所在单位党委保存。预备党员的《入党志愿书》不慎遗失,应如何处理?问:我的《入党志愿书》在预备期间     

数字

正6366公里今年,我国将有6366公里新铁路投入运营。今年将成为我国历史上铁路新增里程最多的一年。8.9万亿元财政部2月14日发布的数据显示,2011年全国税收总     

面向SDR应用的向量存储器的设计与优化

针对面向SDR应用的SIMD数字信号处理器高带宽数据访存需求,提出并实现了一种新型的向量存储结构.该向量存储器由16路向量存储块构成,每路采用两组多体低位地址交叉编址存储结构,减少了访存体冲突,充分利用多存储体带宽,以较小的功耗代价实现并行访问多个向量数据.在此基础上,还设计了一种向量访存重整理单元,使向量存储器可灵活支持多路SIMD结构向量处理单元的非对齐访问,实现了其对向量存储器的共享.测试结果表明,该向量存储器能有效减少或消除向量处理单元之间的数据混洗操作,加速相关应用算法.     

一种面向语义正确性的关系数据库访问方法

从异构关系数据源中获取语义正确的信息是当前利用数据资产辅助决策所面临的一大难题.为解决这一问题,提出了一种研究面向语义正确性的关系数据库访问方法(SCORDA).SCORDA方法采用DL -LiteNOWL本体作为支持数据访问任务的概念视图,在本体的表达能力和推理复杂度之间做了一定折中;SCORDA方法通过LAV+ GAV的映射方式建立本体与关系数据源之间的语义关联,兼顾了模式异构和阻抗失配问题;此外,SCORDA方法采用了一种动态ABox结构,即时从异构关系数据源中恢复虚拟对象,并且利用动态ABox进行实例检测推理任务,通过本体的模型语义来保证数据访问的正确性.通过原型系统验证了该方法的可行性.     

信息化武器装备系统中的软件思维

在信息化条件下,重视软件成为共识,但是重视装备软件不仅是在功能技术层面上,还应在思维层面上审视其对武器装备系统的思想内涵和发展思路的深刻影响.从武器装备系统中软硬件的逻辑关系出发,研究软件如何从思维层面影响现代武器装备系统,可以更好地从软件的视角上去理解和把握武器装备系统,真正认识到软件的“灵魂”作用.     

神经网络和DEA方法的炮兵火力毁伤先验评估模型

提出运用BP神经网络理论和数据包络分析(DEA)方法,对炮兵火力毁伤先验评估问题进行研究。利用以往经验数据建立样本集,通过BP神经网络预测模型,对待评估的炮兵火力毁伤计划进行分析,预测其毁伤效益,再建立带有偏好锥结构的DEA评估模型,分析火力计划的可行性和合理性;最后以某部17组炮兵火力毁伤数据进行实例分析。结果表明,该模型能给出科学、明确、可靠的先验评估结果。     

空地协同反干扰目标交叉定位融合算法

传统双站交叉定位精度较高,但在基线及其延长线无法定位且在基线附近定位误差迅速增大;预警机测高交叉定位可实现全空域定位,但定位精度不高.针对这两种定位方法的优缺点,提出了基于传统交叉定位和预警机测高交叉定位的距离解算加权融合算法,并进行了仿真分析比较,证实了算法的有效性.     

改进的前向信息修补算法及其应用

前向信息修补算法可以对离散动态贝叶斯网络的缺失数据进行预测,该算法只适用于所有观测节点是相互独立的网络,却不能处理观测节点有依赖关系网络的缺失数据。针对该算法的这一缺陷,提出了改进的前向信息修补算法,在分析离散动态贝叶斯网络的缺失数据具有二种基本形式的基础上,推导出了每种形式的相应预测公式。继而构建了用于识别威胁源离散动态贝叶斯网络的模型。仿真实验验证了改进的前向信息修补算法的有效性。     

屏蔽数据在新型截尾样本下系统的可靠性分析

当系统含有屏蔽数据时,在具有随机移走逐步增加型截尾模型下,讨论了部件寿命服从双参数指数分布的串联系统可靠性估计问题。设随机移走系统数服从二项分布,利用极大似然方法,Bayes理论及方法,推导出双参数指数部件参数、系统可靠性函数、失效率函数及移走概率的极大似然估计和Bayes估计。并利用Monte Carlo方法对两种估计结果进行了比较,表明Bayes估计较极大似然估计效果更优。