Adaptive importance sampling for extreme quantile estimation with stochastic black box computer models

Quantile is an important quantity in reliability analysis, as it is related to the resistance level for defining failure events. This study develops a computationally efficient sampling method for estimating extreme quantiles using stochastic black box computer models. Importance sampling has been widely employed as a powerful variance reduction technique to reduce estimation uncertainty and improve computational efficiency in many reliability studies. However, when applied to quantile estimation, importance sampling faces challenges, because a good choice of the importance sampling density relies on information about the unknown quantile. We propose an adaptive method that refines the importance sampling density parameter toward the unknown target quantile value along the iterations. The proposed adaptive scheme allows us to use the simulation outcomes obtained in previous iterations for steering the simulation process to focus on important input areas. We prove some convergence properties of the proposed method and show that our approach can achieve variance reduction over crude Monte Carlo sampling. We demonstrate its estimation efficiency through numerical examples and wind turbine case study.     

GSVM:一种支持Gather/Scatter的向量存储器

宽单指令多数据流(Single Instruction Multiple Data, SIMD)架构数字信号处理器一般都能高效支持地址连续或等距跨步等规则应用的向量访存,但对于科学与工程计算中广泛存在的不规则应用的数据访存则带宽利用率往往较低,从而大幅降低了其整体运算能效。为了提高不规则应用的向量访存性能,基于某SIMD数字信号处理器的体系结构,设计了一种支持Gather/Scatter访存的向量存储器GSVM。通过设计与SIMD宽度相匹配的向量地址计算单元和合适深度的冲突缓冲器阵列,实现了Gather/Scatter指令向量地址计算、仲裁与缓存的全流水访存操作。实验结果表明,相比以前不支持Gather/Scatter访存的存储器,GSVM在增加22%的硬件代价基础上,基于稀疏矩阵向量乘的测试程序集获得了2～8的性能加速比。     

基于灰色模型的电磁轨道发射装置温度研究

在电磁发射过程中导轨温度受众多因素影响,而其中部分因素很难进行精确分析,为此运用灰色系统的分析方法对电磁轨道发射装置温度进行研究。为获取模型所需实验数据,搭建电磁轨道发射装置测试系统,并借此测量发射过程中的电流、导轨温度、出口速度等数据。由于测量仪器限制,借助ANSYS有限元仿真对测得的导轨温度数据进行修正,以获得导轨内表面温度。基于经典GM(1,N)模型与Simpson公式,提出一种改进型灰色模型,并以此方法对导轨温度展开研究,进一步选取同能级试验,对不同位置处各因素温升贡献度进行讨论。结论为进一步深入研究导轨温度提供参考和依据。     

采用S-Tag的M-DSP片上存储DMA访问优化

针对自主设计的M-DSP,提出并设计实现了一种基于Tag副本(S-Tag)的片上SRAM DMA访问数据相关性维护机制,该机制以流水化方式实现,在基本对CPU无打扰的前提下,有效支撑了DMA数据的无阻塞传递。仿真和芯片实测结果表明,该机制硬件开销较小,并在有效带宽和带宽利用率上均优于已有典型同类芯片。     

失效概率函数求解的高效算法

结合基于分数矩约束的极大熵方法和替代模型法,发展了一种失效概率函数求解的高效算法。所提算法的基本思路是利用自主学习的迭代Kriging方法来构造失效概率函数,即采用较少的训练样本来构造粗糙的失效概率函数,在此基础上通过添加新的违反学习函数约束的样本来更新失效概率函数,直到达到精度要求。对于每一个分布参数的训练样本点,所提方法采用分数矩约束的极大熵法来求解相应的失效概率样本。由于分数矩的计算采用了高效的降维积分,并且由于分数矩约束下极大熵法中优化策略高效地逼近了响应的概率密度函数,从而使得失效概率样本能够被高效高精度地估计出来。为了检验所提方法的精度及效率,给出了两个算例,对比了所提方法与已有的失效概率函数求解的Bayes公式法及Monte Carlo法等,结果表明,所提方法适用于求解复杂的功能函数问题,且在满足精度要求的基础上大大降低了计算量。     

稳定特征选择的多目标蚁群优化

为了提高进化算法特征选择稳定性,提出一种面向稳定特征选择的多目标蚁群优化方法。通过抽样策略集成三种特征排序法的输出作为多目标蚁群优化的稳定性指导信息,聚合特征的费舍尔分值和最大信息系数值作为多目标蚁群优化的启发式信息,以分类正确率和扩展昆彻瓦指标值作为两个优化目标,兼顾算法的分类性能与特征选择稳定性。在四个标准数据集上进行对比实验,结果表明,所提方法能够在分类性能与稳定性方面达到较好的平衡。     

面向军事定向越野训练的数据挖掘思路

军事地形学是军队院校本科必修课程。按图行进的军事定向越野,是军事地形学野外教学的重点和难点。本文借鉴了当前流行的"大数据"思想,针对当前军事定向越野教学训练的特点,研究提出了若干数据挖掘思路,能够从大量训练数据中提取可辅助教员组织教学、制定训练计划的有价值知识,而且具有较好的实用价值和军队院校推广价值。     

基于大数据的态势感知运用分析

善用数据者制人,不善用者制于人。围绕国家安全和军队建设的需求,通过对大数据的分析进行态势感知,日趋具有重要的价值和意义。深入研究大数据技术在态势感知中的作用机理及存在问题,有效利用其优长,解决存在的问题,充分发挥大数据的作用,有益于更好地支撑国家和军队的决策和行动。     

装备“互联网+”平台化综合保障的技术应用

“互联网+”的一个特点是从数据出发,挖掘数据中隐含的本质规律,提升信息的利用率,向用户有针对性地开展业务。在数字化装备时代,装备的研制数据与使用数据信息都是海量的。这些数据资源中隐含的规律信息正是研制部门服务用户的重要资源,也是改进设计、提升装备性能的宝贵财富。综合保障信息系统的核心,是利用数据信息与信息技术为装备的保障工作服务,正符合“互联网+”的理念。本文从“互联网+”技术的理念与途径出发,根据装备保障数据信息资源应用的特点,结合在综合保障信息系统应用中的实践,探索信息化装备保障的技术发展方向。     

强军新时代军队作战数据建设

在信息化战争时代,作战数据已成为战争的重要资源和有效武器,夺取"数据主动权"已成为新一轮军事竞争的重要内容。针对现阶段军队作战数据资源建设中存在的现实问题,基于对作战数据定义和本质内涵的认识与思考,从组织领导、岗位设计、业务定位、责任划分、管理模式、模型体系、协作共享、人才培养等方面,提出了强军新时代加速推进我军作战数据正规化、标准化、实用化建设与发展的几点建议。