改进的聚类算法在入侵检测系统中的应用

K-中心点聚类算法是几种经典的聚类算法之一。但传统的K-中心点聚类算法的效率以及稳定性较低,聚类的过程缓慢,容易陷入局部最优解,使得聚类最终结果的准确性不能得到保证。为此,提出了一种基于数据的"密度"信息有效地改进K-中心点聚类算法并应用于入侵检测模型。该算法很好地克服了传统的K-中心点聚类算法过分依赖初始中心点选择的弊端,并且用实验分别验证,以这种方法来进行数据的聚类相比于传统的K-中心点聚类算法,显著提高了数据集聚类的效果,在入侵检测系统的应用中也有效地提高了检测率和降低了误检率,具备一定的实用价值。     

基于多尺度特征聚类算法的不确定目标检测

提出一种基于无样本的SAR图像目标检测分类方法。针对空战过程中难以获得大量SAR图像目标样本问题,采用基于全局CFAR的多尺度SIFT特征进行目标纹理描述,并针对特征维度较高及特征描述之间存在的冗余问题,通过PCA算法对其进行降维处理后,采用DBSCAN算法对潜在目标区域的多尺度SIFT特征进行分类实现目标检测。通过单一目标和多类目标图像进行实验验证,实验结果表明该方法具有一定的有效性和可行性。     

枪械可靠性试验统计方案与参数估计研究

为了提高对枪械可靠性指标试验考核的系统性,对枪械故障分布规律进行了建模研究和特征分析,说明在使用寿命内可以用指数分布来近似;以指数分布为基础,运用可靠性工程理论和数学方法,开展了枪械定时截尾和序贯截尾两类试验统计方案的研究,举例说明了各试验要素的量化确定方法;对于定时截尾试验提出了枪械可靠性要求常用特征量故障率的点估计与区间估计公式,以便于定量地把握枪械的可靠性特征;通过实例应用验证了枪械可靠性试验统计方案与参数估计方法的可行性和有效性。     

基于DBSCAN聚类的异构多智能体分层任务分配方法

针对多约束条件下大规模探测/通信智能体集群协同探测任务分配问题,从全局与局部相结合的角度,提出了一种分层任务分配求解方法。首先,根据通信距离约束对所有任务节点进行聚类预分组,将集群任务分配问题划分为上层全局任务分配和底层局部任务分配。然后,根据聚类结果采用启发式算法求解探测/通信智能体组间全局任务分配结果。随后,根据探测智能体的全局任务分配结果,采用遗传算法对探测智能体组内任务进行分配。最后,通信智能体根据探测智能体的组内任务分配结果,采用基于虚拟节点的方法进行组内任务分配。实验结果表明,相较于直接求解方法,分层任务分配方法不仅解决了大规模集群协同任务分配问题,还可以在保证优化目标值相近的情况下,缩短70%以上的求解时间,较快得到相对最优的任务分配结果。     

异速跳频互扰下跳频信号的参数估计

针对在跳频互扰情况下对多跳频信号参数盲估计困难的问题,提出了一种异速跳频互扰下跳频信号的参数估计方法。该方法利用异速跳频信号周期的差异,通过二值连通域标记处理、连通域时长聚类,将互扰跳频信号从时频谱上分离后分别进行估计参数。仿真结果表明,该方法能够实现在异速跳频信号互扰下对分量跳频参数的估计,且在高信噪比下能保证高的跳周期估计成功率与低的跳周期估计相对误差和起跳时刻估计相对均方误差。但互扰存在时的整体估计性能比仅单一跳频信号存在时会有所降低,同时该方法在SNR过低时会失效。