基于熵权多目标决策的雷达网战损装备抢修排序方法

分析了熵权的理论基础,给出了一种基于熵权多目标决策的雷达网战损装备抢修排序方法。其中,采用熵权与决策者的主观权重相结合的方法确定综合权重,使权重的确定更加合理。最后通过实例对该方法的可行性和实用性进行了说明。     

基于频谱分析的飞行模拟器飞行性能验证

介绍频谱分析用于仿真系统模型验证的原理和方法,提出一种应用频谱分析进行飞行模拟器飞行性能验证的方案。结合飞行试验和仿真模型的输出数据,分别采用窗谱估计和最大熵谱估计方法对某型飞行模拟器的飞行性能进行验证,并对验证结果进行分析。结果表明,频谱分析法用于飞行模拟器飞行性能的验证是有效的,可为其他训练模拟器的性能验证提供参考。     

基于熵权的舰炮武器系统维修保障能力模糊综合评判

针对现有装备维修保障体制的特点,建立起舰炮武器系统维修保障指标体系,综合运用熵权和模糊综合评判法对某型舰炮武器系统维修保障能力进行评估。该方法用熵权确定权重,加重了评价体系本身的重要程度,充分利用了被评判指标的信息量,并且根据模糊评判的需要构造了评分隶属函数,使定性分析和定量分析很好的相互融合。仿真结果表明该方法可行,对科学、客观地评估舰炮武器系统维修保障能力有一定的应用价值。     

基于熵权与灰色关联法的研究生科研能力评价模型

研究生是新时代下创新型国家的重要支撑力量,科研能力的评价成为研究生培养质量的关键指标.为研究评价研究生科研能力的方法,在综合比较相关评价方法基础上,构建研究生科研能力评价指标体系,采用灰色关联度评价方法和熵权法相结合的方法建立了研究生科研能力评价模型,通过对某高校研究生的科研能力问卷实例分析,获得了该校研究生的科研能力状况.结果表明:研究生的科研能力在社会实践领域表现最优,通过实例分析验证了该模型的有效性,该模型为研究生的培养提供了参考.     

基于灰色理论的有人/无人机协同作战效能评估

在人工智能等高新技术推动下,有人/无人机集群协同作战将是未来战争的新常态,如何有效评估其作战效能是当前亟须研究解决的重点难点问题。从有人/无人机集群典型作战任务下的作战运用能力需求入手,重点对评估指标体系构建、评估指标权重的确立与修正、评估模型构建等进行研究,实例验证了评估模型的可行性。研究成果可为评估有人/无人机集群协同作战效能提供有效方法手段,同时为有人/无人机集群协同作战运用提供理论支撑和决策参考。     

准则权重信息不完全的证据推理多属性决策算法

针对准则权重信息不完全情况下的多属性决策问题,提出了一种新的证据推理多属性决策算法,它通过建立基于证据信息熵的决策模型来求解准则的最优权重系数,利用求解得到的权重系数和递归ER算法求出各方案的效用值,进而得到各方案的优劣次序。最后,通过算例分析验证了该方法的有效性和合理性。     

基于模糊物元分析法的坦克作战效能评估

鉴于坦克作战效能评估中客观存在的不确定性和模糊性,提出了基于改进模糊物元分析方法的坦克作战效能评估模型。该模型在构建坦克作战效能评估指标体系基础上,将层次分析法和熵权法计算出的权重有机组合实现综合赋权,并据此建立坦克作战效能的模糊物元分析评估模型。实例分析表明,所提出的模型便于理解,易于实现,兼顾了主客观因素的影响,评估结果总体反映了坦克作战效能的真实水平,也为其他装甲武器作战效能的科学评估提供新思路。     

日常交互中朋友关系强度度量方法

针对如何度量日常生活中人们之间的关系强度问题展开研究,提出一个从日常轨迹、语义位置以及语义标签三个层次度量朋友之间关系强度的层级模型FRSHV。采用动态时间规整模型通过计算朋友之间的空间距离来度量其日常轨迹之间的相似度,进而使用轨迹序列熵值对用户每天轨迹的相似度进行加权处理,将其作为朋友之间的关系强度;采用主题模型隐含狄利克雷分布分别计算朋友之间的基于语义位置和语义标签的行为模式的相似性,将其作为朋友之间的关系强度;采用集成学习的思想对三个层次的度量结果进行投票,以投票结果作为最终的朋友之间的关系强度。在公开数据集上对FRSHV模型的有效性进行实验验证,结果表明该模型能够有效地度量朋友之间的关系强度。     

基于“综合赋权”模糊物元模型的机场运行安全评价

为了保证机场运行安全,防止事故的发生,依据模糊物元分析理论,结合机场运行安全评价指标体系,构建了基于综合赋权的机场系统模糊物元安全评价模型。在该模型中,通过层次分析法和熵值法主客观综合所确定的权重,为指标体系进行线性加权,实现综合赋权,从而将计算得到的综合权重用于模糊物元建模与评价。实例分析结果表明,该模型步骤简单,过程科学合理,并兼顾了主客观因素的影响,评价结果总体反映了机场的真实安全水平,也为机场安全的科学评价提供了新思路。     

基于不稳定性采样的主动学习方法

传统的主动学习方法往往仅基于当前的目标模型来挑选样本,而忽略了历史模型所蕴含的对未标注样本预测稳定性的信息。因此,提出基于不稳定性采样的主动学习方法,依据历史模型的预测差异来估计每个未标注样本对提高模型性能的潜在效用。该方法基于历史模型对样本的预测后验概率之间的差异来衡量无标注样本的不稳定性,并挑选最不稳定的样本进行查询。在多个数据集上的大量实验结果验证了方法的有效性。