基于六边形主域积分双谱的通信辐射源识别方法

在分析目前辐射源识别系统中常用的积分双谱参数的基础上,文章提出一种六边形主域积分双谱(HPIB)特征参数提取方法,利用双谱参数的对称性,简化积分双谱的计算,摒弃双谱矩阵中的无定义项,有效提高了积分双谱特征的计算效率。采用同型号同工作参数的10部通信电台进行识别实验,识别分类器采用概率神经网络。实验结果表明,相比传统积分双谱特征,采用HPIB特征参数可提高特征提取效率24.7%,同时由于去掉了双谱矩阵中无定义项的干扰,提高了识别系统的正确识别率。     

基于神经网络集成方法预测膜蛋白类型

由Chou等人提出的预测膜蛋白分类的机器学习算法在近年来不断改进,使得预测膜蛋白类型的准确率越来越高。但是由于膜蛋白类分布不均衡而导致少数类的预测准确率非常低,使用神经网络集成方法能解决此问题。该方法中Bagging算法通过对多数类欠采样和少数类过采样来解决膜蛋白训练数据集不均衡问题。此外,用神经网络集成方法对已训练数据集和独立数据集进行分类测试,得出神经网络集成方法预测效果优于单个最好神经网络。该方法为解决蛋白质分类预测问题提供了一种新的策略,特别是训练数据集不均衡时,该方法的优势更加明显。     

深入贯彻习主席重要指示精神 积极推进军民融合式发展创新实践

中央军委习近平主席指出:"要统筹经济建设和国防建设,努力实现富国和强军的统一,进一步做好军民融合式发展这篇大文章,坚持需求牵引、国家主导,努力形成基础设施和重要领域军民深度融合的发展格局。"这一重要指示,深刻揭示了经济建设和国防建设、富国与强军的辩证关系,进一步明确了要把军民融合式发展作为国防和军队现代化建设的指导方针,为我们拓展深化军民融合式发展的实践指明了方向。     

基于RNN汉语语言模型自适应算法研究

深度学习在自然语言处理中的应用越来越广泛。相比于传统的n-gram统计语言模型,循环神经网络(Recurrent Neural Network,RNN)建模技术在语言模型建模方面表现出了极大的优越性,逐渐在语音识别、机器翻译等领域中得到应用。然而,目前RNN语言模型的训练大多是离线的,对于不同的语音识别任务,训练语料与识别任务之间存在着语言差异,使语音识别系统的识别率受到影响。在采用RNN建模技术训练汉语语言模型的同时,提出一种在线RNN模型自适应(self-adaption)算法,将语音信号初步识别结果作为语料继续训练模型,使自适应后的RNN模型与识别任务之间获得最大程度的匹配。实验结果表明:自适应模型有效地减少了语言模型与识别任务之间的语言差异,对汉语词混淆网络进行重打分后,系统识别率得到进一步提升,并在实际汉语语音识别系统中得到了验证。     

神经网络技术在智能BIT故障诊断系统中的应用

论述了智能BIT的智能设计、智能检测、智能诊断和智能决策,构建了基于神经网络的某高炮装备随动系统的智能BIT故障诊断系统。用Multisim进行电路仿真,提取输出信号的均值、峭度、偏斜度构成三维向量,以它作为特征向量利用神经网络进行模拟电路的故障诊断。通过比较BP神经网络、SOM神经网络和小波神经网络的诊断结果,得知利用均值、峭度和偏斜度作为特征,BP神经网络和SOM神经网络能够有效识别故障状态模式。     

把握时代机遇发挥区位优势扎实推进军民深度融合发展

军民融合发展既是国家战略,又是我们长期探索经济建设和国防建设协调发展规律的重大成果.要加快形成全要素、多领域、高效益的军民深度融合发展格局,不断丰富融合形式,拓展融合范围,提升融合层次.     

推进军民融合深度发展"六要"

军民融合深度发展,其核心是融为一体,要义是互利共赢,特征是国家行为,关键是机制推动,方法是统筹兼顾.新形势下,推进军民融合深度发展应注重在六个方面下工夫.     

基于时序特征编码的目标战术意图识别算法?

对战场目标战术意图的快速、准确和自动识别,是智能决策的前提和基础。目标战术意图通常由多个战术动作组合完成,因而目标状态呈现动态、时序变化特征。本文针对目标意图识别问题的特点,提出一种基于栈式自编码器（ SAE）的智能识别模型,设计智能识别模型的基本框架,提出一种基于时序特征的输入信号编码方法及相应的模式解析机制,通过将目标状态在多个时刻的时序特征和战场环境、目标属性等信息统一编码为输入信号,将军事专家的知识经验封装为模式标签,模拟人的推理模式与认知经验,实现对目标战术意图的智能识别。最后通过实验,分析预训练过程和网络深度对算法性能的影响,并通过与多层感知机（MLP）和逻辑回归分类器（LRC）识别准确率的比较,验证所提SAE算法的有效性。     

基于ARM+FPGA的永磁无刷直流电机控制智能方法

永磁无刷直流电机具有效率高、易维护等特点,目前广泛应用于电动汽车、航空、船舶等行业。由于该种电机存在着转矩波动大等不足,为提升其控制性能,从控制平台改进与控制算法优化两个方向开展研究。首先,研究并设计了基于ARM+FPGA的电机控制硬件平台,使用AXI高速数据交互协议,解决了传统电机控制平台中延时较大、算法能力有限的问题;然后,使用基于径向基神经网络的磁场定向控制智能算法实现了对电机的精确控制;最后,通过仿真和实验与磁场定向控制方案进行了对比,结果表明：采用基于ARM+FPGA的永磁无刷直流电机控制智能方法,其调节时间平均缩短了3.22 ms,超调量平均降低了4.35%,提高了BLDC控制精度和运行性能。     

基于深度强化学习的分布式UUV集群任务分配算法

任务分配问题是智能体集群研究的基础关键问题之一,UUV集群在任务分配问题方面受到水下探测和通信能力的限制,UUV个体只能获得周围局部信息,常规的全局算法无法得到很好的应用。提出了一种基于深度强化学习和分布式UUV集群组织架构的任务分配算法,算法首先实现每个UUV个体的局部任务分配,其次相邻的个体之间进行信息一致协调,从而实现UUV集群的最优化任务分配。仿真实验结果表明,所提算法相较遗传算法收敛更快,相较合同网算法通信量小,任务分配效率高,且分布式架构不依赖“指挥中心”,UUV集群系统的鲁棒性更高,任务分配可靠性更高。