基于贝叶斯网络分类器的雷达辐射源识别方法

雷达辐射源识别是电子对抗中的重要组成部分.贝叶斯网络分类器建立在坚实的理论基础之上,具有较为优秀的分类性能,而且能够有效地处理不确定性问题,重点研究了如何利用贝叶斯网络分类器进行雷达辐射源识别,并通过仿真实验对朴素贝叶斯分类器及其扩展方法进行了分析比较.实验结果表明,与基于概率近似准则的方法相比,基于分类准确率提高准则的扩展树生成方法具有更为优秀的分类性能.     

一种基于虚拟阵元的超波束形成方法

针对超波束形成方法(Hyper Beam-forming,HBF)在实际应用中的不稳定问题,依据阵元间协方差矩阵同一斜对角线上不同元素具有相同相位差的特点,提出了一种基于虚拟阵元的超波束形成方法(Hyper Beam-forming Based on Virtual Array Element,VAEHBF)。该方法按互相关法对接收阵进行虚拟扩展;按HBF思想分子阵分裂波束形成;对分裂波束形成结果进行合成,得到改善的超波束形成结果。数值仿真和实测数据处理结果表明,相比HBF方法,该方法通过对接收阵进行虚拟扩展,在保持分辨力不变的情况下,可进一步提高合成波束增益,对信噪比的适应能力得到了3 dB提高,提高了HBF的目标检测性能及方位估计能力。     

一种大规模数字I/O通道的扩展方法

针对控制系统中普通数字I/O卡的通道数无法满足大规模数字I/O要求的问题,提出一种数字I/O通道扩展方案,并设计了一种32路光电隔离多通道数字I/O板,通过一个简单实例说明了这种扩展方案的具体实施,并证实其有效性.     

稀疏贝叶斯学习框架下的扩展目标雷达关联成像

传统的关联成像方法未考虑复杂扩展目标的结构信息,在高分辨成像时的应用受到限制,为此提出一种自适应结构配对稀疏贝叶斯学习方法。该方法在稀疏贝叶斯学习的框架内针对扩展目标建立一种结构配对层次化高斯先验模型,然后采用变分贝叶斯期望-最大化算法交替进行目标重构和参数优化。该方法将某一信号分量的重构与周围信号分量联系起来,并能在迭代过程中自适应地调整表征各信号分量相关性的参数。实验结果表明,该方法针对扩展目标可以有效地进行高分辨成像。     

作战计划本体的类层次体系创建方法

作战计划本体的类层次体系缺乏有效创建方法,将大大增加本体构建迭代修正的工作量,并容易导致作战计划本体不规范、不统一,难以满足指挥信息系统的应用需求。从剖析创建策略与机理入手,在通用创建方法基础上,提出了基于概念逻辑的作战计划本体类层次体系的创建方法,包括创建规则、要求、步骤。实例应用表明,所提方法对于有效创建作战计划本体的类层次体系具有较强的指导意义和参考价值。     

基于Protg OWL API的本体一致性维护

分析了各种OWL本体修改操作可能导致的本体冲突,以Prot·g·OWL API为本体推理机,介绍了其中主要本体操作函数的功能和一致性设计,并针对其不能解决的本体冲突,提出了本体修改的一致性维护方案。此方案不仅有效利用了Prot·g·OWL API本身具有的一致性维护功能,而且其中所有规则都能采用Prot·g·OWL API中的函数实现,具有良好的实用性。     

基于SSM的装备指挥业务建模体系框架研究

在研究软系统方法论(SSM)的基础上,提出了"基于实体、面向过程、围绕活动、搞清机理"的装备指挥业务建模思路,构建了装备指挥业务建模体系结构、业务建模方法框架和业务建模过程框架。基于软系统方法论的装备指挥业务建模体系框架,能够有效促进业务模型对业务系统描述的完整性、一致性,具有重要的研究和应用价值。     

“大规模杀伤性武器”界说

本文沿循"大规模杀伤性武器"诞生、扩展、演变的路径,正本清源,将云谲波诡的"大规模杀伤性武器"一语纷繁杂陈、数目众多的定义归纳诠释为"核武说"、"自然灾难规模说"、"核、生、化武说"、"大规模杀伤/毁灭说"、"大规模颠覆性效果说"、"全数武器说"、"常规武器说"和"敌方武器/恐怖主义武器说"等8类界说,并对各类界说做一简要述评.     

机动目标跟踪的非线性算法

卡尔曼滤波器对线性高斯滤波问题能提供最优解, 而对目标运动模型、观测方程等要求的非线性就不再适合,提出了一种机动目标自适应非线性粒子滤波算法-" 粒子滤波器"(Particle Filters PF)法, 这种方法不受线性化误差和高斯噪声假定的限制,适用于任何状态转换或测量模型, 分析比较了粒子滤波(PF)与扩展卡尔曼滤波算法(EKF) 的滤波精度、运算量等方面指标.给出了基于典型非线性模型的算法仿真, 仿真结果表明粒子滤波新方法优于EKF对机动目标跟踪.     

结合非负张量表示与扩展隐Dirichlet分配模型的图像标注

由于"语义鸿沟"的存在,自动图像标注是一项极具挑战性的工作。考虑到图像低层视觉特征与高层语义概念的差异,分别从图像表示与语义建模两个方面来实现自动图像标注。在图像表示方面,提出了一种正则化约束下的非负张量表示方法,用以提取符合人眼视觉直观理解的图像高阶结构特征。在语义建模方面,提出了一种三层贝叶斯模型——扩展隐Dirichlet分配。该模型利用隐变量来实现图像与标注词的关联,并通过一种基于变分推理的期望最大值方法来估计参数。实验结果表明,ELDA模型在大规模数据库NUS-WIDE上的标注结果相较于现有方法有了显著的提高。