邻域灰度差加权的模糊C均值聚类图像分割算法

模糊C均值(FCM)算法用于灰度图像分割是一种非监督模糊聚类后再标定的过程,适合灰度图像中存在着模糊和不确定性的特点.但是这种算法没有考虑到样本空间中不同的样本点对分类的贡献不同,因此分割效果不理想.提出了邻域灰度差加权的模糊C均值聚类算法,实验结果表明,该算法不仅取得了很好的分割效果,而且加快了算法的收敛速度,从而满足了图像分割的有效性、实时性的要求.     

模糊聚类分析在多目标跟踪中的应用

为了解决在密集的环境中多目标跟踪的难题,本文提出了基于模糊聚类跟踪算法,主要是将人的模糊判断的特点引入到目标跟踪系统中,得以简单程序完成复杂的相关判别。利用模糊聚类方法的特点解决噪声背景下跟踪相关问题。仿真实验的结果表明,在杂波密度高的情况下,模糊聚类算法有它一定的优越性。     

基于GIS的战场电磁环境可视化研究

针对当前战场电磁环境不可见特征,部队指挥员对其认知的模糊性,运用地理信息系统GIS(Graphic Information System)探索战场电磁环境可视化问题。提出用空间聚类分析模型解决分析处理电磁辐射源空间分布上的一种或几种特征问题,并对系统数据库设计、功能模板设计、逻辑结构设计进行详细阐述。得到可视化系统设计方案,将为指挥员进行电磁态势分析、指挥作战提供有效的辅助决策工具。     

基于改进YOLOv3模型的侧扫声纳沉船目标检测

针对使用Faster R-CNN模型进行侧扫声纳图像沉船目标检测存在耗时长、效率低以及小目标漏警率高等问题,引入YOLOv3模型并结合侧扫声纳沉船图像数据集特点对模型进行了改进。首先,进行浅层特征融合的多尺度训练,从而增加沉船目标浅层特征在检测中所占比重;然后,使用K-means聚类算法重新设置先验框参数及大小,提高小目标检测精度;最后,采用二分类交叉熵函数改进YOLOv3算法中的损失函数,提高模型的收敛速度和泛化能力。实验结果表明：相比Faster R-CNN模型和传统YOLOv3模型,改进YOLOv3模型的AP值达到89.18%,分别提高了1.46%和0.57%;调和平均值F1达到89.08%,分别提高了2.33%和1.04%;检测图片耗时时间为Faster R-CNN模型的3/50,极大地提高了检测效率。该研究结果验证了改进的YOLOv3模型具有更高的检测精度和效率,对海底沉船搜救具有一定的实际指导意义。     

对数正态型备件随舰配置方案评估及优化

针对舰船装备任务期间对数正态型备件随舰配置方案满足率评估及优化问题,首先采用部件寿命等效原理,将对数正态型部件消耗过程等效为伽玛冲击过程,给出了寿命等效的参数计算方法,建立了对数正态型部件随舰备件满足率模型;然后,结合备件满足率指标约束,给出了对数正态型备件配置方案优化方法,并结合算例进行了仿真分析.结果表明:所建立的...     

数字化坦克营作战能力灰色聚类评估

评估数字化坦克营的作战能力对推动数字化装甲部队建设、提高部队战斗力具有一定的现实意义。以灰色系统理论为基础,将层次分析法和灰色评估法相结合,建立了数字化坦克营的灰色聚类评估模型,论述了利用该模型进行评估的基本步骤,结合实例对数字化坦克营作战能力进行了聚类评估,提出了提高数字化坦克营作战能力的方法。评估结果比较符合实际情况,证明了该模型的正确性。     

多通道图注意力解耦社交推荐方法

提出具有解耦能力的多通道图注意力社交推荐模型,该模型主要包括深度聚类模块、多通道图注意力聚合模块和评分预测模块。其中,深度聚类模块用于对用户和项目进行分组,并利用聚类结果将用户社交图和用户项目图拆分成多个用户社交子图及用户项目子图,以学习用户兴趣分组及用户对不同类项目的兴趣；多通道图注意力聚合模块学习不同子图对预测结果的注意力；评分预测模块将学习到的用户表示向量和项目表示向量输入多层感知机进行评分预测。在多个真实数据集上的实验结果表明:提出的方法优于其他社交推荐算法。与最新的用于社交推荐的图神经网络方法相比,在Ciao和Epinions数据集上,均方根误差分别降低了2.26%和2.07%,平均绝对误差分别降低了2.58%和3.06%。     

基于数学形态学的三维空间聚类

分析了各种空间聚类的方法,研究了炮阵地地形分析和选取原则,实现了炮阵地选取决策支持系统,提出了基于数学形态学的三维空间聚类新算法,并将该算法运用到开发的炮阵地选取决策支持系统中,实验结果表明,该算法效果较好.     

元器件类军工科研项目管理研究

元器件类军工科研单位作为国防工业重要组成部分，是贯彻履行强军首责、科技兴军，保障国防建设和推动科技创新的重要力量，如何运用现代化项目管理理念，提高军工元器件类科研项目的管理水平，实现“短平快”的项目管理目标，对国防军工科研任务的高质量完成具有重要现实意义。     

一种新的k-means聚类雷达信号分选算法北大核心

针对传统k-means聚类算法在雷达信号分选中应用存在的不足,提出了一种基于数据场和灰关联分析的k-means聚类雷达信号分选算法。该算法首先根据数据场理论计算所有数据样本的势值,寻找局域势值最大值,选取距最大值最近的样本数据作为初始聚类中心,局域势值最大值个数作为聚类数目;然后用灰关联度代替欧式距离来判断数据样本间相似性。该算法能够自动获取初始聚类中心和聚类数目,对频率捷变雷达具有较好的分选效果。仿真结果验证了算法的可行性。