组织设计方法研究：组织协作与效能

介绍了A2C2系列实验,并通过对A2C2实验1到实验5所采用组织结构、结构设计算法以及实验所获取的数据分析,重点研究了组织协作与组织效能的关系,在其实验结论(组织协作与效能关系的不确定性结论)的基础上对组织结构设计优化算法提出了改进思想。     

聚钛碳硅烷的新合成法及其研究

从聚硅烷(PS)与钛酸丁酯。(Ti(OBu)_4)出发,不采用任何反应促进剂直接合成了含钛碳化硅纤维的先驱体聚钛碳硅烷(PTC)。在这一反应中,PS 首先裂解成含Si—C 骨架与Si—H 键的低分子聚硅烷(LPS)。然后,由LPS 中的Si—H 键与Ti(OBu)_4的反应以及LPS 的Si—Si 骨架裂解转化为Si—C 骨架的反应制得了PTC.本文对这种新合成法所涉及的反应过程进行了研究,并比较了新旧两法得到的PTC—1与PTC—Ⅱ的结构异同,报告了以新法制得的PTC—Ⅱ为先驱体得到的含钛碳化硅纤维的优良性能。     

基于决策图的轨迹运动趋势提取

在军事应用中,为了提取群体目标的整体运动趋势,提出了一种基于决策图的轨迹聚类来提取轨迹运动趋势的方法。该方法不需要预设参数,且聚类中心的个数既可以通过决策图人工确定,又可以通过数值检测策略自动确定,由此减轻了算法对领域知识的依赖,增强了算法的适用性。仿真实验表明:该方法能正确确定轨迹聚类簇,且对轨迹噪声有一定的抑制作用。     

相似分布特性准则下的高斯混合项聚类-合并算法

针对高斯混合模型估计非高斯系统时高斯混合项呈指数级增长问题,提出一种基于相似分布特性准则的聚类-合并方法。通过分析高斯混合项的分布特性,基于扩展积分均方误差代价函数搜索最优置信范围,并对混合项进行高斯聚类,进而获得具有不同分布特性的高斯簇。为防止高斯簇间对高斯子项的重复利用,引入局部最近邻思想对交叉高斯项进行重新分配。采用并行多元素合并方法对高斯簇中的混合项进行合并,在保证无偏性基础上减少下一时刻混合项数量。仿真结果表明,改进算法在保证跟踪精度的同时还可有效提高算法效率。     

基于半监督谱聚类的通信网台识别方法

针对通信网台识别准确率较低的问题,提出了一种基于半监督谱聚类的通信网台识别方法。通过密度峰值的方法构造决策图,得到通信网的数目;在谱聚类算法的基础上,利用侦察方掌握的先验知识,通过成对约束信息更新谱聚类算法的相似度矩阵,提升聚类算法性能,得到最终的网台识别结果。实验结果表明,该方法可以有效地利用知识库中已有的成对约束信息,较好地完成通信网台识别。     

基于活动环路的作战网络节点重要度评估方法

在原有研究的基础上,将作战活动和作战活动间的关联关系抽象成作战网络模型,对复杂作战网络节点重要度进行更细化的评估。在利用环介数指标评估的基础上分析了节点间的依赖关系,考量了作战活动环路的大小,定义了影响作战活动效能的影响因子。还分析了OODA环的节点重要度,证明考虑依赖关系和影响因子的作战网络节点重要度评估更为精确。通过与其他的评估方法比较分析,证明了该方法具有更高的区分度,适用于评价作战网络。     

一种迷彩伪装效果评价指标权重分配算法

迷彩伪装效果评价的多指标权重分配多为平均分配或专家评判,难以客观、科学地评价伪装效果。提出了基于模糊聚类方法、结合信息熵和统计特征的多指标权重分配算法。该算法通过模糊聚类得到样本的分类结果,应用信息熵和统计理论计算各指标的权重分配。对以结构、纹理、颜色、二阶矩特征等为指标的迷彩伪装样本进行了权重分配实验,分析比较了专家评判法、熵权法和该算法确定的权重之间的差异,并通过实验验证了算法的有效性和科学性。     

基于记忆提炼的对比度量增强在线类增量学习图像分类方法

图像分类中类增量学习具有知识灾难性遗忘现象,现有的基于经验回放方法着重考虑的是记忆库的更新和采样方式,忽略了新旧样本之间的特征关系。为此,提出了一种基于记忆提炼的对比度量增强在线类增量学习图像分类方法(cME²),设计了两种新的正负样本对,对旧样本信息进行了加强重复再利用,强化了模型对冗余特征和共性特征的表达能力,基于最近邻均值分类器改善了嵌入空间中的样本分布合理性。最后,通过对比实验和消融实验验证了所提方法的有效性和高效性。     

Si(Al)C纤维先驱体聚铝碳硅烷的合成

采用低分子量固态聚碳硅烷和乙酰丙酮铝为原料,利用Si-H与乙酰丙酮铝之间的交联反应合成适于熔融纺丝的聚铝碳硅烷。研究了反应条件对产物数均分子量、软化点和组成结构的影响及交联反应程度与可纺性之间的关系。实验结果表明:随着反应温度的升高和反应时间的延长,反应程度提高,残余乙酰丙酮基减少,Si-O-Al交联支化结构增多,分子量和软化点增大,可纺性随之下降。当乙酰丙酮铝投料比为8%时,在370℃下反应4~6 h,可得到软化点为206~221℃,Al wt%=0.68%,具有良好可纺性的聚铝碳硅烷。     

基于高斯数据增广的小样本数据无人机编队类型抗扰识别

近年来,随着无人机的应用越来越广泛,对无人机编队类型进行准确识别具有重要意义。基于此,对小样本数据下无人机编队类型识别问题进行了研究。首先,对目前常用的各种无人机编队类型识别方法进行了介绍,针对小样本数据无人机编队类型抗扰识别面临的主要问题进行了分析;其次,对所提方法涉及的理论背景进行了研究;然后,对所提无人机编队类型抗扰识别算法进行了详细阐述;最后以带有噪声的菱形无人机编队的位置坐标作为输入数据,使用所提方法进行仿真实验,仿真实验结果表明,以参数均方误差作为队形识别的准确度指标,所提方法可将均方误差由45.1降低至0.46,显著提高了无人机机群特征聚类的精度与鲁棒性,证明了所提方法在小样本数据无人机编队类型抗扰识别问题上的有效性。