《军事运筹与系统工程》稿约

1《军事运筹与系统工程》是总参谋部、总政治部首批建设的军事学重点学术期刊之一,是军事学核心期刊,由军事科学院军事运筹分析研究所主办,军事系统工程专业委员会协办,是军事科学院系列刊物之一,也是军事系统工程专业委员会会刊。     

数据挖掘在图像信息隐写分析中的应用

提出数据挖掘在图像信息隐写分析中的应用。首先计算原始图像和隐写图像在通用图像质量指标下的失真测度,然后利用数据挖掘技术建立一个预测模型,完成失真测度到已知隐写概率的映射,模型的输出即为预测隐写概率。实验结果表明,使用该方法得到的预测隐写概率和已知隐写概率的相关度,当使用训练样本时达到0.951以上,使用测试样本时达到0.943以上,达到了很好的预测效果。     

一种面向频域的通信信号盲干扰检测算法

针对低干信比和复杂动态情况下传统的干扰检测算法效率不高的问题,提出一种基于盲通信信号频域处理的未知干扰自动检测算法。该方法首先借助快速独立成份分析(FICA)从频谱差分数据中分离干扰和通信信号成份分量,然后利用各分量的峰度作为干扰与通信信号的识别特征检测干扰。实验结果表明,此算法能有效地在干信比小于5 dB的情况下从盲通信信号背景中自动提取未知干扰的信息,实现高精度地盲干扰检测。     

基于S变换的跳频信号参数估计

对跳频信号的时频域进行分析和参数估计是识别、跟踪及干扰跳频信号的重要基础。针对接收到的未知任何先验参数的跳频信号,提出了一种基于S变换(S-transform)的跳频信号参数估计算法,通过S变换,能正确估计出跳频信号的跳频周期、跳变时刻及跳频图案。仿真结果表明,与平滑伪Wigner-Ville分布(SPWVD)进行比较,该算法能够在低信噪比条件下,在时频域中有较好的解析能力,提高了跳频信号参数估计的准确性。     

不可能差分分析时间复杂度通用计算公式的改进

研究Boura等和Derbez分别提出的不可能差分分析时间复杂度计算公式,根据实际攻击过程优化密钥排除的步骤,给出不可能差分分析实际攻击的时间复杂度计算的改进公式,进而利用两个分组密码算法模型将改进后公式计算的实际结果分别与Boura等的公式和Derbez的公式的计算结果进行对比,结果表明Boura等的公式计算结果既可能高于优化公式的实际分析计算的结果,也可能低于优化公式的实际分析计算的结果,而在轮子密钥独立时改进后公式的实际计算结果是Derbez公式的计算结果的2-1.2倍。     

装备极限边界条件试验考核现状及对策研究

针对目前国内常规武器装备在极限与边界条件考核中缺乏标准和规范、考核存在局限性等问题,结合我军信息化建设及实战化的要求,分析了国外及我国常规武器装备极限与边界考核现状,剖析了我国常规武器装备极限与边界条件试验考核存在的问题和差距。     

基于DEA-Tobit的上市军工企业融资效率研究

为评估上市军工企业的融资效率,找出影响其融资效率的关键因素,建立将数据包络分析法和Tobit回归分析法有机结合的计量模型。文章依据上市军工企业融资效率的特点,构建评估指标体系,利用DEA方法测算出相对效率值,并选用Tobit模型对可能影响融资效率的因素进行实证研究。结果表明,目前我国上市军工企业的融资效率普遍不高,企业治理结构、资金利用率、偿债能力的提升对改进企业的融资效率有促进作用,但股权融资会抑制企业融资效率的提高。     

小学课堂师生互动研究---基于课堂视频分析方法的探讨

学生和教师相互交流、共同发展的过程是学校教育情境中师生互动的最基本的形式.注重师生之间的关系,构建有效的师生互动方式,能够促进学生和教师的共同成长.研究以石河子市Y小学作为研究对象,采用访谈和视频录像分析相结合的方法,分析小学课堂师生互动的成效.从研究收集到的18节语文、数学课录像发现:教师提问与学生回答频次相当;数学课教师提问频次多于语文课教师;学生回答问题的积极性高;新手教师以讲述为主,专家型教师多进行课堂互动;小学课堂互动以师个互动为主,并且随年级的升高呈现递减趋势.由此提出增强教师的研究意识、改善教学环境、评价方式多样化等提高课堂师生互动有效性的建议,为小学课堂师生互动的理论研究与实践提供参考.     

基于方位角和多普勒的机动目标无源定位跟踪可观测条件

可观测性分析是无源定位与跟踪系统的前提和基础,只有满足可观测条件才能对系统进行正确求解。应用线性系统理论,以目标方位角和多普勒频率为观测量,对匀加速和匀转弯这两类最常见的机动目标进行了可观测分析,为进一步研究机动目标的无源定位与跟踪提供了理论前提。最后给出了仿真实例,验证了理论分析的正确性。     

基于自训练EM算法的半监督文本分类

为了提高计算效率,提出基于自训练的改进EM算法STEM。在每步迭代的E-step中,将中间分类器最有把握对其类别进行预测的未标注样本转移至标注样本集,并应用到M-step中进行下一个中间分类器的训练,从而引入了利用中间结果的自训练机制。文本分类实验表明STEM算法在大部分情况下的分类准确性都高于EM,并通过减少迭代提高了分类器学习的计算效率。