武器装备敏感性分析方法综述

武器装备敏感性分析是武器装备发展论证的重要内容,其方法的选用对结论的合理性,分析的可行性极为重要,为此需对已有方法进行对比分析.阐述了敏感性分析方法的分类,给出了筛选方法、局部敏感性方法和全局敏感性方法的适用范围;研究了全局敏感性分析方法中回归分析法、傅立叶振幅敏感性检验法、响应曲面法,互信息指数法和Sobol指数法等的思想、原理,并对其优缺点进行详细的对比分析;提出由于Sobol指数法对效能评估模型的线性、单调性以及输入的分布特性没有专门要求,并且能分析单个输入的主效应、全效应及多个输入的交互效应对模型输出的影响,以及分析成组输入因素对输出的影响,因而相对其它方法而言更加适用于武器装备敏感性分析.     

二维片上网络局部均匀随机通信性能分析

作为对全局均匀随机通信二维片上网络性能分析的延续和深入,首先描述了全局均匀随机通信模式和局部均匀随机通信模式的数学模型,分析了二者的关系;然后用链路数表示通信成本,基于作者独立设计的片上网络路由与通信协议,分析了不同结构和规模各结构网络性能随局部通信概率变化而变化的规律,并依据几种结构的性能相互关系及结构特点对它们进行了简单分类.结果表明,全局均匀随机通信模式其实是局部均匀随机通信模式的特例,随着局部通信概率的增大,各种结构的网络性能逐步提高;相比较而言,四边形、三角形网眼Mesh网络及其变形结构更适合于在本地通信概率较小或者通信密集型的应用,而当本地通信概率较大或者通信强度较低的情况下应用六边形网眼Mesh及其变形结构、多环相切及其回绕结构可能会取得更好的综合性能.     

基于注意力机制的LSTM的语义关系抽取*

目前关系抽取方法中,传统深度学习方法存在长距离依赖问题,并且未考虑模型输入与输出的相关性。针对以上问题,提出了一种将LSTM模型(Long Short-term memory)与注意力机制(Attention Mechanism)相结合的关系抽取方法。首先将文本信息向量化,提取文本局部特征;然后将文本局部特征导入双向LSTM模型中,通过注意力机制对LSTM模型的输入与输出之间的相关性进行重要度计算,根据重要度获取文本整体特征;最后将局部特征和整体特征进行特征融合,通过分类器输出分类结果。在SemEval-2010 Task 8语料库上的实验结果表明,该方法的准确率和稳定性较传统深度学习方法有进一步提高,为自动问答、信息检索以及本体学习等领域提供了方法支持。     

基于tlPSO-SVM模型的肿瘤进展预测

为研究患者肿瘤进展情况与各项指标之间的关系,以支持向量机(SVM)作为分类模型,根据各项检查指标预测肿瘤进展情况。设计三层粒子群优化算法(tlPSO)对SVM模型进行参数寻优,使用训练集建立分类模型,利用测试集评估模型性能,得到tlPSO-SVM模型。tlPSO算法能有效降低陷入局部最优解的机率,获取全局最优参数,从而使模型具有最优的分类性能。将血常规、中医症候、FACT评分等指标作为输入,肿瘤进展情况作为分类输出,建立分类模型并进行预测。实验结果表明,tlPSO-SVM模型准确率较高,具有较好的分类性能。     

面向肺炎CT图像识别的DL-CTNet模型

肺炎常缺乏明显呼吸系症状,症状多不典型,易发生漏诊、错诊.利用深度学习技术辅助医务人员安全、高效地检测感染者是一种有效途径.针对COVID-19感染者CT图像的磨玻璃影、铺路石征、血管扩张等特点,提出一种可有效地提取CT图像中的局部与全局特征的轻量级模型——DL-CTNet.输入预处理的CT图像后,首先采用空洞卷积和动态双路径多尺度特征融合(D-DMFF)模块的2个支路提取浅层特征;然后使用局部与全局特征拼接模块(LGFC)中的D-DMFF模块提取局部特征、Swin Transformer提取全局特征,并通过拼接获得深层特征;最后经过全连接层输出分类标签.实验结果表明,在2个CT图像数据集上,验证了LGFC模块以及DL-CTNet的低复杂度与有效性; DL-CTNet的分类准确率高达98.613%,与其他方法相比,其能更准确地识别肺炎的CT图像.     

面向人体动作识别的局部特征融合时间卷积网络

针对3D人体骨架序列动作识别这一问题,提出了一种结合了局部特征融合的时间卷积网络方法.首先,对一个动作中整个骨架序列的所有关节点的空间位置变化进行建模,提取其骨架序列的全局空间特征;然后,根据人体关节点及连接关系的拓扑结构将全局空间特征划分为人体局部空间特征,并将得到的局部空间特征分别作为对应TCN的输入,进而学习各关节内部的特征关系;最后,对输出的各部分特征向量进行融合,学习各部分关节之间的协作关系,从而完成对动作的识别.运用该方法在当前最具挑战性的数据集NTU-RGB+D进行了分类识别实验,结果表明,与已有的基于CNN,LSTM以及TCN的方法相比,其在对象交叉(cross-subject)和视图交叉(cross-view)的分类准确率上分别提高到了79.5%和84.6%.     

一种基于极点配置稳定的新型局部递归神经网络

针对局部全局前馈递归动态神经网络的稳定性问题提出了一种新的采用极点配置稳定方法的局部递归全局前馈(Locally recurrent global forward, LRGF)神经网络. 由于动态神经元的极点有存在于实轴上和一对共轭复数极点两种情况, 为了避免神经元无限脉冲响应滤波器(Infinite impulse response filter, IIR)的系数投影到稳定区域的复杂性, 构造的神经网络将动态神经元分成实数极点IIR和共轭复数极点IIR两部分, 通过函数权值的方法将这两部分加权输出.同时针对这种新的神经网络采用了梯度下降的学习算法. 通过仿真对本文提出的神经网络的可靠性和有效性进行验证,并分析这种新的神经网络在稳定投影计算上的复杂度.     

基于宽度和词向量特征的文本分类模型

针对词向量文本分类模型记忆能力弱,缺少全局词特征信息等问题,提出基于宽度和词向量特征的文本分类模型(WideText):首先对文本进行清洗、分词、词元编码和定义词典等,计算全局词元的词频-逆文档频度(TFIDF)指标并将每条文本向量化,将输入文本中的词通过编码映射到词嵌入矩阵中,词向量特征经嵌入和平均叠加后,和基于TF-IDF的文本向量特征进行拼接,传入到输出层后计算属于每个分类的概率.该模型在低维词向量的基础上结合了文本向量特征的表达能力,具有良好的泛化和记忆能力.实验结果表明,在引入宽度特征后,WideText分类性能不仅较词向量文本分类模型有明显提升,且略优于前馈神经网络分类器.     

基于局部多片段的轻量级行为识别网络MLNet

针对传统3D卷积神经网络(CNN)对医学和自然场景视频中的动作识别存在输入片段帧数少、正向推理速度慢、网络层数浅、参数量和计算量大的问题,基于2D深度卷积和1D卷积设计了局部时空深度分离卷积模块(LSDW)和时序卷积模块(TCM),进而提出了轻量级局部多片段网络MLNet.首先,MLNet的输入是视频中的多个局部片段,这些片段通过间隔采样得到;其次,将输入中的多个局部片段通过LSDW提取相应的时空特征;最后,通过TCM对LSDW输出特征在时序维度进行融合,得到视频动作的全局表示.实验结果表明,利用该方法在公开数据集UCF101和HX上测试,其识别精度分别达到了76％和94.23％,与时序3D卷积网络方法(T3D)相比,识别率分别至少提升了4.89和4.6个百分点,在拥有低的参数量和计算量的同时提高了识别精度和网络的正向推理速度.     

基于多值分类SVM的电梯交通模式识别

针对电梯群控系统中的交通模式识别问题,提出一种基于多值分类支持向量机(SVM)的电梯交通模式识别方法。采用直接多值分类SVM对采集的电梯交通流数据进行分析,得到交通模式分类器,从而解决电梯交通流模式识别中多输入、多输出的非线性系统辨识问题。实验结果表明,该方法可实现全局最优且分类误差较小,能满足群控系统的要求。     

两层级神经网络及在中医智能诊断中的应用 *

通过分析中医临床数据的特性 ,将临床数据分为低层级数据和高层级数据 ,每个层级数据又分为全局输入参数和局部输入参数。基于这些概念 ,建立了一种两层级神经网络 ,低层级子神经网络局部处理低层级数据,高层级子神经网络综合处理高层级数据和低层级子神经网络的输出结果。这样的结构不仅能有效地刻画中医辨证问题 ,而且简化了计算 ,提高了学习收敛速度。实验结果表明 ,这种两级神经网络可以较好地应用于具有复杂数据关系的中医辨证智能计算。     

多维贝叶斯网络分类器加速学习算法

作为概率图模型,无限制多维贝叶斯网络分类器(GMBNC)是贝叶斯网络(BN)应用在多维分类应用时的精简模型,只包含对预测有效的局部结构.为了获得GMBNC,传统方法是先学习全局BN;为了避免全局搜索,提出了仅执行局部搜索的结构学习算法DOS-GMBNC.该算法继承了之前提出的IPC-GMBNC算法的主体框架,基于进一步挖掘的结构拓扑信息来动态调整搜索次序,以避免执行无效用的计算.实验研究验证了DOS-GMBNC算法的效果和效率:(1)该算法输出的网络质量与IPC-GMBNC一致,优于经典的PC算法;(2)在一个包含100个节点的问题中,该算法相对于PC和IPC-GMBNC算法分别节省了近89％和45％的计算量.     

双层分类策略及其实现算法*

针对常见分类算法在全局和局部区域性能不一致的问题,提出了双层分类策略及其实现算法。双层分类策略的思想是离线地建立全局分类器,当全局分类器决策信用度低于指定阈值时,在线生成局部分类器进行决策修正。实现算法以支持向量机(support vector machine,SVM)和模糊分类器(fuzzy classifier)作为全局与局部分类器,命名为SFC。为全局分类器定义了SVM决策信用度的评估机制,并以此给出局部分类器的启动条件。为局部分类器设计了基于新测度的模糊隶属度函数完成决策修正。实验结果表明,SFC     

决策粗糙集与代价敏感分类

将决策粗糙集与代价敏感学习相结合,提出了一种基于决策粗糙集的代价敏感分类方法。依据决策粗糙集理论和属性约简方法,对待预测样本分别计算最优测试属性集,使得样本在最优测试属性集上计算的分类结果具有最小误分类代价和测试代价,依此给出样本的最小总代价分类结果。针对全局最优测试属性集求解过程中计算复杂度高的问题,提出了局部最优测试属性集的启发式搜索算法。该算法以单个属性对降低总分类代价的贡献率为启发函数,搜索各样本的局部最优测试属性集,并输出在局部最优测试属性集上样本的代价敏感分类结果。在UCI数据上的实验分析显示,所提算法有效地降低了分类结果的总代价和测试属性个数,使得样本分类结果同时具有较小的误分类代价和较小的测试代价。     

一种多输入多输出变换域通信系统的设计与仿真

传统的变换域通信系统TDCS(Transform Domain Communication System)在获得强抗干扰能力的同时,存在传输有效性差的问题,这已成为制约其广泛应用的技术瓶颈。通过引入多输入多输出MIMO(Multiple-input Multiple-output)技术改进收发端天线,提出了一种多输入多输出变换域通信系统(MIMO-TDCS)。对其基本原理和收发信机模型作了简要介绍,并进行了信道容量的分析和仿真,结果表明,MIMO-TDCS是一种兼具传输有效性和可靠性的通信手段。     

基于最优控制的ANN驾驶员模型与仿真分析

在分析驾驶员行为特性和行为操纵的基础上 ,根据预测跟随理论 ,建立了驾驶员预测控制神经网络 (ANN)模型 ;提出了用最优控制方法确定ANN模型参数的计算方法 ,采用遗传算法 (GA)进行全局优化保证参数的收敛 .对飞机俯仰角操纵进行仿真计算 .结果表明 ,所建立的驾驶员模型考虑了系统的非线性因素 ,实现了多输入多输出功能 ,具有智能特点 .     

基于支持向量数据描述的分布式数据流挖掘

针对传统分布式数据流挖掘算法的通信开销较大、分类精度较低的问题,提出一种基于支持向量数据描述的分布式数据流挖掘算法。利用局部站点快速更新数据流信息,采用支持向量机算法学习元级数据并传递到中心站点。中心站点负责接收及合并元级数据,形成全局分类结果。实验结果表明,该算法能在降低局部站点和中心站点网络通信量的同时,获得较高精度的全局分类结果。     

基于微控制器的现场智能控制系统设计

随着计算机技术、通信技术、控制技术(3C技术)的发展,控制领域正在发生深刻的技术变革,控制系统将向信号数字化、控制智能化、通信网络化的开放性系统方向发展.本文完成了一种基于微控制器的新型现场智能控制系统设计,其功能模块包括了数字量输入(DI)、数字量输出(DO)、模拟量输入(AI)、模拟量输出(AO)、毫伏级模拟量输入、协议转换桥等模块.在论文中,主要以数字量输入模块和模拟量输入模块为例子,介绍了功能模块的设计过程.     

Microchip新推四款64及80引脚PIC闪存单片机

2004年7月6日, Microchip Technology(美国微芯科技公司)推出四款64及80引脚PIC闪存单片机。新器件针对成本有限且需要额外输入/输出的应用设计,如工业、计算、通信及消费类等应用领域。这批质优价廉的闪存单片机具有8KB或16KB程序存储器及纳瓦 (nanoWatt) 技术,能充分发挥电源     

基于实例与目标相关性的多目标稀疏回归算法

针对传统多目标回归算法无法处理输入与多输出间的非线性关系,且忽视了数据点在输入与输出之间的结构信息,导致算法泛化性能受限、缺乏稳健性等问题,提出一种基于实例与目标相关性的多目标稀疏回归(multi-target sparse regression with instances and targets correlations,MTR-ITC)算法.首先,通过嵌入潜变量空间来对复杂的输入与输出以及输出间的关联结构解耦,并利用核技巧和稀疏回归学习输入输出间的非线性关系和输出间的相关结构;然后,引入流形正则化项探索不同实例在输入与输出变量间的相关性,确保模型输出与真实结果在局部和全局结构的一致性,以提升模型泛化性能;最后,提出一种交替优化算法来对目标函数进行求解,使其能快速收敛至全局最优.在基准测试数据集上的实验表明,所提算法在不同MTR数据集上均具有较好的测试性能.