水面舰艇编队编成多目标模糊优选模型及应用

本文克服以往优选决策只是定性比较的缺点,探讨了对编队总体作战能力和武器系统性能相互影响关系进行定量评估的方法,通过编队作战能力层次分析模型的建立,建立了编队编成多目标模糊优选模型。     

基于区间超效率DEA的工程伪装方案评估模型

在建立工程伪装方案评估指标体系的基础上,利用区间超效率DEA模型对其进行评估.在传统C2R模型的基础上将其超效率化,从而对同为有效的DMU进行区分;由于DMU模糊性输入和输出指标为区间数,将超效率DEA模型进行区间扩展.建立超效率值区间数大小的可能度矩阵,并基于模糊互补矩阵将DMU充分排序.算例表明该方法实现了对DMU的充分排序,是一种有效的工程伪装方案评估方法.     

活性粉末混凝土200(RPC200)的配制试验研究

进行了活性粉末混凝土(RPC)的配制试验,通过5批试件分别探讨砂灰比、石英粉、硅灰、水胶比和钢纤维等因素单值变化时对RPC流动度以及抗折强度、抗压强度的影响.研究表明:在常规制作工艺条件下,配制出抗压强度和抗折强度分别为145.6 MPa和26.68MPa的无纤维RPC;当钢纤维含量为6%时,RPC的抗压强度和抗折强度分别达到了201.3MPa和73.67 MPa.     

基于模糊模式识别的战场目标识别

分析战场目标的结构、材料、征候、特征及辐射原理等存在的差异,运用模糊模式识别方法,建立了战场目标识别的数学模型,给出了目标识别的详细步骤和方法:选取目标特征量、构造标准模糊集合、构造待识别模糊集合、应用择近原则进行目标识别,并通过算例,得到一些有价值的结论。模型和方法可供C3I系统快速准确的识别战场目标。     

作战协同关系超图模型

在分析超图和作战协同相关概念基础上,采用形式化方式对抽象化的作战协同关系进行了描述,定义了协同关系矩阵,创新性地根据超图相关概念构建了作战协同超图模型,并根据模型定义了顶点度和关联系数等支持作战协同关系分析的特征参数。通过实验建立了某想定数据中的火力协同关系超图模型,并进行了度和关联系数的分析,实验结果证明了作战协同关系超图模型的可用性。     

基于改进型投影算法的装甲分队目标威胁评估

针对传统多属性决策投影算法不能有效评估投影值相近方案的不足之处,提出了一种基于相近方案在理想方案和负理想方案上投影值的相对贴近度改进型方法,并给出了算法的具体步骤。仿真实例表明,改进算法可有效地对投影值相近方案进行二次评估,评估结果合理。     

基于QFD及粗糙集的保障能力需求满足度评价方法

针对传统能力评价中指标及其权重的确定具有不一致性和不确定性特点,提出了一种以保障能力需求满足度为依据的评价方法。利用由保障能力-保障性能-保障特性映射的质量屋信息,按照构建质量屋的反方向将保障特性满足度转化为保障能力满足度。为了有效处理模糊和不确定的保障特性评价信息,采用粗糙集理论将评价数据表达为粗糙数形式。最后举例验证了方法的有效性。     

KL散度多模块滑动窗口慢特征分析的故障诊断方法

针对传统分块方法根据经验划分子块导致变量特征信息无法充分利用,其单一的建模方式忽略局部信息以及离线模型无法适应时变特性的问题,提出了一种KL (Kullback-Leibler)散度多模块滑动窗口慢特征分析方法。在正常工况数据集中,利用KL散度来度量变量间的距离,同时引入最小误差平方和准则进行聚类,分成两个距离最小的子模块;在此基础上利用慢特征分析方法对每个子模块进行建模,结合滑动窗口对每次采样的数据进行更新,得到最优模型,分别计算监测统计信息,利用支持向量数据描述对故障监测结果进行融合,实现故障诊断。并将该方法应用于田纳西伊斯曼过程的监控中,得到了较高的故障检测率和较低的虚警率,验证了该方法的可行性和有效性。     

维修性试验验前信息融合方法

针对小子样维修性试验因数据异总体而导致验前信息融合精度低的问题,提出了基于信息可用度的验前信息折合模型,解决了因数据异总体无法融合的问题;利用随机加权法对验前分布参数进行了拟合,准确地表述了验前分布;提出了基于支持度的融合权值确定方法,提高了各验前分布融合权值分配的合理性;最后,通过某装备维修性试验验前信息融合实例,表明了该方法具有一定的工程应用价值。     

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。