基于小样本学习的军事装备识别技术

针对军事装备样本稀缺昂贵、目标识别研究进展缓慢等问题,从人类认知科学出发,提出利用民用装备数据完成深度学习训练,实现大样本知识积累;采用模式识别算法提取装备武器特征,实现样本目标识别。通过分析2种样本属性空间距离,利用卷积神经网络作为前端,采用SIFT算法作为后端,构建递进学习模型,实现对多种军事装备的高效识别。实验测试模型识别坦克、战机和军舰平均置信度分别为87%、92%和91%,军事装备武器样本数量决定目标识别精度,样本泛化可提高目标识别率。提出的递进学习模型充分利用深度学习和模式识别算法优势,实现军事领域武器装备小样本目标识别。     

基于复杂度特征的干扰识别算法

复杂度可以用来刻画信号的波形变化特征。文中使用了L-Z复杂度和分形维数这两种复杂度作为干扰识别的特征参数并结合支持向量机对干扰进行分类。仿真结果表明L-Z复杂度和分形维数计算复杂度低,且具有较好的类别差异度,同时文中提出的算法具有较高的识别准确率。     

预备犯的刑事责任之比较--从大陆法系刑法与我国刑法的角度

大陆法系国家刑法和我国刑法典中都存在预备犯。但是 ,关于预备犯的构成特征、刑事责任的根据、刑事责任的基础与立法模式都有着显著的差异。其原因在于大陆法系国家和我国在刑法理论的着重点、法律文化本位、乃至整个社会传统文化渊源上都迥然不同。借鉴大陆法系国家的立法模式 ,改善立法技术 ,完善我国预备犯的相关立法 ,是适应世界刑罚宽缓化的潮流 ,加大人权保护力度的必然要求。     

基于神经网络的柴油机特征参数评价与选择

在设备故障诊断中,正确地提取与选择特征参数对于诊断结果的有效性和准确性具有关键性的意义,在提出评价判据时样本的概率分布往往难以确定,针对模式识别中特征量的选择方法,结合人工神经网络原理,提出了利用人工神经网络进行故障特征量评价与选择的方法,实现了对柴油机特征参数的提取及选择,有效地解决了柴油机状态监测与故障诊断中测试参数多而难以优化的问题。     

旋启止回阀水击分析与计算

在管道输送系统中,止回阀是重要的阀门之一,其中,旋启止回阀最为常用。众所周知,由于泵机组故障停机或断电,止回阀的突然关闭可能会引起严重的水击。正确分析、预估和计算其关阀水击压力升值对管道系统的安全十分重要。首先。建立了旋启止回阀阀瓣的运动微分方程,根据管流瞬变理论,利用特征线法进行了数值求解;其次,利用旋启止回阀的动态特性曲线,提出了一种简单适用的关阀水击压力近似计算法。对止回阀的正确选择和工程设计均具有一定的参考价值。     

入侵检测系统通用特征库的研究

针对网络攻击特征库是各个网络安全系统不可或缺的重点模块,提出依据各种应用的需求,研究开发一个通用、高效的网络攻击特征库系统。并采用了当前使用的最普遍的snort规则格式,为实现网络入侵检测通用特征库进行了有益的探索。     

基于时序超网的作战体系效能指标动态测量方法

由于作战体系具有整体涌现性、动态演化性以及能力相对性等复杂系统特征,传统树状指标体系与加权求和的静态评估方法已不再适用。提出一种基于时序超网的作战体系效能指标动态测量方法。以复杂网络理论为基础,利用网络模型特征参数对部分作战体系效能指标进行映射;采用超网络与时序网络相结合的方式,构建作战体系时序超网模型;通过分析体系超网络中各层网络的特点,分类选取网络特征参数。基于兵棋推演数据对作战体系中交战网的特征参数进行了动态测量,验证了方法的有效性。