元任务插入的多星成像侦察任务聚类启发式算法

在多颗卫星协同执行侦察任务时,多星成像侦察任务聚类能够提高多颗卫星的整体侦察效率。根据卫星成像侦察元任务之间的聚类关系及约束条件,建立了数学规划模型,并提出了模型求解的基于元任务插入的启发式聚类算法,最后结合实例验证了算法的有效性。     

S-四嗪类高氮含能化合物的合成及性能

以3,6-对(3,5-二甲基吡唑)-S-四嗪(BT)为起始物,研究了S-四嗪类高氮含能化合物3-氨基-6-(3,5-二甲基吡唑)-S-四嗪(ADMPT)、3-肼基-6-(3,5-二甲基吡唑)-S-四嗪(HDMPT)、3,6-二氨基-S-四嗪(DATz)、3,6-二肼基-S-四嗪(DHTz)与3,3’-偶氮-(6-氨基-S-四嗪)(DAAT)的合成,经IR、元素分析、1HNMR、13CNMR等对其结构进行了表征和确认。对DHTz和DAAT的热分解性能进行了研究,由不同升温速率下的DSC实验获得了其热分解动力学参数。结果表明DAAT热稳定性好、能量高,在10℃/min升温速率下,DAAT在280℃开始分解,放热峰值330℃,放热峰的分解焓为1974.33J/g;DHTz在120℃开始分解,放热峰值159℃,放热峰的分解焓为1843.23J/g。同时,采用高温高压爆轰产物状态方程(VLW EOS)对DHTz和DAAT的爆轰性能进行了理论计算。     

结合峰值检测的高噪声图像快速聚类分割方法

针对高噪声污染图像,提出一种结合峰值检测算法的快速聚类分割方法(FC-ImSeg)。根据平行线投影分割算法将二维直方图映射到一维空间,利用峰值检测算法检测图像像素点的聚类结果,调整映射模型的平行线宽度,使直方图符合双峰分布特性,最后利用加权模糊c均值聚类算法实现图像的分割。实验结果证明了该方法是快速有效的。     

自组织特征映射网络在目标分类识别中的应用

为了在日趋复杂的空战环境中准确分析出目标的类型,以达到辅助决策之目的,采用自组织特征映射网络来对目标进行分类识别.首先提取影响目标识别的类特征,然后对其预处理.在此基础上建立SOM网络目标识别模型,并利用SOM网络算法实施无监督的自组织学习.在学习的过程中,通过不断调节网络节点间的权向量,来实现目标聚类.最后,通过仿真验证了该方法在目标分类识别中的可行性和实用性.     

基于模糊聚类分析在炮兵战场目标打击排序中的应用

炮兵战场上经侦察得到的目标情况往往比较复杂,利用模糊聚类分析法确定目标区域内各种目标的先后打击次序,建立模糊相似关系矩阵,最后在给定阈值的基础上计算出目标的优先打击次序,为战场指挥员提供比较合理的火力分配,从而最大限度地发挥炮兵火力效能。     

测向交叉定位中基于最小距离的二次聚类算法

针对现有测向交叉定位系统中聚类算法存在的计算量大、求解最优解困难等问题,提出了一种基于最小距离的二次聚类算法.即先通过最小距离法对每条测向线上的交点进行聚类分析,得到几个聚类程度较高的交点集合,再对这些交点集合通过取交集的方法进行二次聚类,得到少数的几个交点集合,最后再对这几个少数的交点集合进行选优,从而消除虚假交点集合,得到真实交点集合.通过交点回归计算,保证了真实交点集合具有很高的关联正确率.计算机仿真结果表明,该算法具有很高的关联正确率,且计算量较小,实时程度较高,并且适应于多传感器存在漏测的情形.     

基于灰色聚类的多机种保障装备保障能力评估

随着多机种作战成为空军作战的主要方式,对地面保障装备的保障能力提出了更高的要求,保障能力的好坏直接关系到作战任务的完成与否。通过对多机种保障任务进行分析,建立了多机种保障装备保障能力评估指标体系,采用层次分析法确定了各指标的权重,运用灰色聚类的评估方法对多机种保障装备的保障能力进行了评估,并结合实例,验证了该方法的有效性,为保障能力的提升提供了参考依据。     

VNS和SA相结合的指挥控制资源部署

针对指挥控制资源部署问题,引入任务复杂度来定义决策实体的工作负载,并建立以最小化决策实体工作负载的均方根为目标的优化模型。针对传统的层次聚类法容易陷入局部最优,提出了一种变邻域搜索(Variable Neighborhood Search,VNS)和模拟退火(Simulated Annealing,SA)相结合的具有全局性的求解方法,使用VNS进行全局寻优,使用SA对VNS中的邻域进行局部寻优。最后通过一个联合作战案例的平台调度方案,验证了所提方法的优越性。     

增量式神经网络聚类算法

神经网络模型具有强大的问题建模能力,但是传统的反向传播算法只能进行批量监督学习,并且训练开销很大。针对传统算法的不足,提出全新的增量式神经网络模型及其聚类算法。该模型基于生物神经学实验证据,引入新的神经元激励函数和突触调节函数,赋予模型以坚实的统计理论基础。在此基础上,提出一种自适应的增量式神经网络聚类算法。算法中引入"胜者得全"式竞争等学习机制,在增量聚类过程中成功避免了"遗忘灾难"问题。在经典数据集上的实验结果表明:该聚类算法与K-means等传统聚类算法效果相当,特别是在增量学习任务的时空开销方面具有较大优势。     

一种支持向量回归的局部邻域稀疏化方法

调整高斯核函数参数可以改变其VC维,通过密度聚类算法发现并分离全局中非线性复杂度不同的局部特征,以支持向量比率为优化指标确定满足局部稀疏条件的核函数,从而达到优化核函数选择以提高整体回归稀疏性的目的。