灰色层次分析法在指挥自动化系统中的应用

指挥自动化系统是一个十分复杂的系统,涉及因素多,而且部分因素存在信息不完全和不确定的问题.而灰色系统理论是处理这类问题的有力工具.在建立的基于层次结构指标体系的基础上,将灰色系统相关理论和改进的层次分析法相结合,提出灰色层次分析法,通过例证表明该方法为确定指标权重的行之有效的方法.     

系统分析法在军事卫星需求分析中的应用

本文对军事卫星需求分析阶段要做的工作做了初步探讨,认为在由作战人员、军事专家、情报专家、工程技术人员提出需求的基础上,必须由分析人员按照系统的观点对所提出的需求进行表示、分析、评价、确认,提出系统方案及系统的目标,并利用多属性决策、集值统计法等方法对方案进行评价。通过评价对发展军事卫星系统实施有效的控制。     

集值条件期望收敛定理

在给出了Hausdorff收敛的等价条件的基础上,得到了集值条件期望在Haus-dorff收敛意义下的单调收敛定理及在Kuratowski收敛意义下的控制收敛定理.     

S—饱和集的性质及其应用

在一般拓扑空间(x,τ)的非标准扩张(“x,”τ)中引入S—饱和集的概念.在一定条件下,S_t映射对于S—饱和集保持集的基本运算.基于这一事实,证明了标准Souslin集与Loeb可测集的关系定理,得到μ_L一零集在S_t映射下是μ—零集的一个充分条件.     

关于广义KKM定理的几点注记

本文在 H-空间中引入伪紧闭集的概念,得到一个广义 KKM 定理,从而获得了 KyFan 匹配定理以及极大极小不等式的一些新结果.     

基于改进模糊综合评判法的告警器能力评估

针对模糊综合评判法在告警器评估时的有效评估问题,对评估过程的指标赋权、隶属度、信息集合算子进行了研究,提出了一种改进的适合告警器的模糊综合评判方法。该方法根据最小二乘原理和离差函数,把目标规划方法应用到组合赋权之中,充分考虑了权重的主客观因素;建立了基于隶属云的评估模型,用隶属云代替隶属函数,保留了隶属度的随机特性;提出了将密度加权平均(Density Weighted Average,DWA)算子用到信息集结中,充分利用了所有的评估信息。通过对某型机载雷达告警器的有效评估,表明了该方法的合理性。     

基于GM(1,1)预测与改进Vague集距离的装甲分队目标威胁评估

针对装甲分队目标威胁评估动态指标的变化特性,运用灰色模型(Grey Model,GM(1,1))对装甲分队目标威胁评估动态指标进行了预测;针对现有vague集距离度量法缺失信息较多、违背直觉等不足,通过理论推导提出了vague集新的距离度量公式,然后将其应用到TOPSIS(Technique for Order Preference by Simularity to Ideal Solution)算法中,对装甲分队目标威胁进行了评估与排序,并与非预测方法的评估结果进行了对比,结果表明:采用本文提出的评估算法得出的评估结果更加合理有效,研究成果可为装甲分队火力优化分配提供科学参考。     

直觉模糊物元及其在权重信息未知多属性群决策中的应用

针对传统物元分析理论无法应用于决策信息为直觉模糊数的多属性决策问题,提出直觉模糊物元分析模型以及用相对相似度代替传统方法中的关联函数来解决直觉模糊物元分析问题,进而完整阐述了直觉模糊物元多属性决策的方法步骤,并通过实例验证了该方法的有效性。特别是针对权重信息未知这一类较为复杂的多属性群决策问题,采用投影法和直觉模糊熵确定权重信息,并运用直觉模糊物元多属性决策方法进行了实例分析,证明了方法的实用性,为直觉模糊多属性群决策提供了一种新的思路。     

融合图嵌入的光滑主成分分析网络图像识别算法

主成分分析网络(principal component analysis network, PCANet)是一种简单的深度学习算法,在图像识别领域具有优秀的性能。将图嵌入思想融入PCANet,提出一种新的图像识别算法光滑主成分分析网络(Smooth-PCANet)。为了验证Smooth-PCANet算法的有效性,在人脸、手写体字符以及图片等不同数据集上构建实验,并将Smooth-PCANet与多种基于深度学习的图像识别算法作了对比。实验结果证明,Smooth-PCANet算法比PCANet获得了更高的识别性能,并且更有效地避免了过拟合,在小样本训练时具有显著优势。     

分布式异构集群中节点优先级调优算法

节点优先级常用于评价异构集群中节点的性能,因此节点优先级评价指标权重的选择非常重要。采用层次分析法(analytic hierarchy process, AHP)建立了节点优先级评价指标体系,计算得到各指标的初始权重,并使用BP神经网络对初始权重进行优化。训练时,BP网络输入为集群运行中采集的节点实时资源数据,输出为节点的优先级。分析网络训练完成后得到的权重矩阵可以获得各优先级评价指标的优化权重。实验表明,基于AHP和BP的节点优先级评价模型可以更加准确地分析节点性能。相比于Spark默认算法和权重未优化的对照算法,使用调优后的节点优先级可以有效提高集群性能。运行不同工作量的相同负载时,集群平均性能分别提高了16.64%和9.76%;处理相同工作量的不同负载时,集群的平均性能分别提高了12.49%和6.54%。