弹道目标微多普勒特性基于逆Radon变换的稀疏表示

作为识别空间弹道目标的有效方法,微多普勒特性提取对于雷达系统的时频分辨率提出了很高的要求,因此,要求雷达系统具有更高的采样频率。作为近年来新兴的技术手段,在远低于奈奎斯特采样定理的采样频率下,压缩感知技术可以对具有稀疏特性的信号实现高精度还原。对空间弹道目标时频分布进行逆Radon变换,在变换后的IRT域内获得时频分布的稀疏表示,从而可以借助压缩感知技术有效降低采样频率的要求。     

基于多特征模糊融合的疲劳状态判决

在基于视觉的疲劳驾驶识别过程中,使用单个特征进行疲劳驾驶判断,常常会受到非普遍适用性、噪声等因素的影响,从而导致识别率降低。为了解决眼部特征参数或者是嘴巴特征参数单个特征识别率低甚至特使环境无法识别的问题,提出一种基于多特征融合的判决方法,利用了各种特征之间的优势互补,可以降低噪声和类内类间差异的影响,从而提高系统的性能,并且能增强适用性。最后通过实验结果证明,使用眼部和嘴巴特征融合的方法比单一的判决方法准确率更高。     

基于谱分析的卫星通信调制识别算法

通过分析典型卫星通信信号功率谱、平方谱、四次方谱以及包络平方谱特性,针对卫星通信随参信道造成信号噪声谱均值与方差随频率变化这一问题,采用最小二乘法对信号谱图进行预处理,定义偏离比作为单频分量检测值,在无任何先验知识条件下提取一组鲁棒性强的特征参数,实现信号自动调制识别。实验证明,改进后的算法复杂度较低、过程简单易实现,所提取参数对数字信号的调制指数与滚降系数不敏感,具有较好的可分性与稳健性,并同样适用于随参信道的信号调制识别,具有一定的实用意义。     

基于参数优化的SVM联合作战战场建设方案优选

联合作战战场建设方案优选可最大可能降低建设工程的损耗、提高整体建设效益。针对联合作战战场建设方案优选问题进行研究,首先梳理联合作战战场建设方案优选流程,然后构建包括作战保障工程、后勤保障工程、装备保障工程和战场基础信息数据库的指标体系,并提出基于网格搜索和交叉验证优化的改进SVM方法实施方案优选,仿真结果表明优化后参数的性能明显优于默认参数,更加适用于联合作战战场建设方案优选问题。     

词典在英语写作和口语中的应用

作为一个重要的学习工具 ,词典不但是学习者的良师 ,而且也是益友。在英语学习和应用中 ,它能帮助解决许多疑难问题 ,而且也能提供很多对英文写作和口语表达有价值的信息。但是 ,很多英语学习者迄今还没有认识到这一点 ,他们不能在英文写作和口语学习中充分利用词典的应用价值。因此 ,了解和掌握词典的简史 ,编写特点 ,及其所包含的丰富信息是非常有必要的。再者 ,尽管我国有许多不同类型和版本的词典 ,但它们的使用率却是非常低的。这的确是一个值得注意和亟待解决的问题     

装甲车辆使用与保障费用的指数回归模型

运用逐步回归和主成分分析的方法,选取了装甲车辆诸多战技性能指标集合中的自变量子集,建立了该子集与使用与保障费用之间指数回归方程组.该模型也可推广应用于装甲车辆综合性能的评估.     

物元理论在优选对地打击目标中的应用

优选对地打击目标是现代信息化战争条件下联合作战对地火力协调中心在计划火力时的首要任务。旨在从目标的重要性、可靠性、射击紧迫性及对其射击时自身被发现的机会四个因素入手,举例证明如何构造物元模型,做到定性与定量相结合,对于编制炮兵C4I系统计划火力软件具有一定的参考价值。     

A worst‐case formulation for constrained ranking and selection with input uncertainty

In this research, we consider robust simulation optimization with stochastic constraints. In particular, we focus on the ranking and selection problem in which the computing time is sufficient to evaluate all the designs (solutions) under consideration. Given a fixed simulation budget, we aim at maximizing the probability of correct selection (PCS) for the best feasible design, where the objective and constraint measures are assessed by their worst‐case performances. To simplify the complexity of PCS, we develop an approximated probability measure and derive the asymptotic optimality condition (optimality condition as the simulation budget goes to infinity) of the resulting problem. A sequential selection procedure is then designed within the optimal computing budget allocation framework. The high efficiency of the proposed procedure is tested via a number of numerical examples. In addition, we provide some useful insights into the efficiency of a budget allocation procedure.     

Information theory for ranking and selection

We study the classical ranking and selection problem, where the ultimate goal is to find the unknown best alternative in terms of the probability of correct selection or expected opportunity cost. However, this paper adopts an alternative sampling approach to achieve this goal, where sampling decisions are made with the objective of maximizing information about the unknown best alternative, or equivalently, minimizing its Shannon entropy. This adaptive learning is formulated via a Bayesian stochastic dynamic programming problem, by which several properties of the learning problem are presented, including the monotonicity of the optimal value function in an information-seeking setting. Since the state space of the stochastic dynamic program is unbounded in the Gaussian setting, a one-step look-ahead approach is used to develop a policy. The proposed policy seeks to maximize the one-step information gain about the unknown best alternative, and therefore, it is called information gradient (IG). It is also proved that the IG policy is consistent, that is, as the sampling budget grows to infinity, the IG policy finds the true best alternative almost surely. Later, a computationally efficient estimate of the proposed policy, called approximated information gradient (AIG), is introduced and in the numerical experiments its performance is tested against recent benchmarks alongside several sensitivity analyses. Results show that AIG performs competitively against other algorithms from the literature.     

基于深度森林的网络流量分类方法

随着网络应用的迅猛发展,流量分类在网络资源分配、流量调度和网络安全等诸多研究领域受到广泛关注。现有的机器学习流量分类方法对流量数据特征的选取和分布要求苛刻,导致在实际应用中的复杂流量场景下分类精确度和稳定度难以提高。为了解决样本特征属性的复杂性给分类性能带来的不利影响,引入了基于深度森林的流量分类方法。该算法通过级联森林和多粒度扫描机制,能够在样本数量规模和特征属性选取规模有限的情况下,有效地提高流量整体分类性能。通过网络流量公开数据集Moore对支持向量机、随机森林和深度森林机器学习算法进行训练和测试,结果表明基于深度森林的网络流量分类器的分类准确率能够达到96. 36%,性能优于其他机器学习模型。