基于改进粒子群优化和极限学习机的网络安全态势预测

针对网络安全态势预测模型预测精度不高、收敛较慢等问题,提出了一种基于改进粒子群优化极限学习机（IPSO-ELM）算法的预测方法。首先,通过改进粒子群优化（PSO）算法中的惯性权重和学习因子来实现两种参数随着迭代次数增加的自适应调整,使PSO初期搜索范围大、速度高,后期收敛能力强、稳定。其次,针对PSO易陷入局部最优的问题,提出一种粒子停滞扰动策略,将陷入局部最优的粒子重新引导至全局最优飞行。改进粒子群优化（IPSO）算法既保证了全局寻优的能力,又对局部搜索能力有所增强。最后,将IPSO与极限学习机（ELM）结合来优化ELM的初始权值及阈值。与ELM相比,结合IPSO的ELM的预测精度提高了44.25%。实验结果表明,与PSO-ELM相比,IPSO-ELM的预测结果拟合度可达到0.99,收敛速度提升了47.43%。所提算法在预测精度和收敛速度等指标上明显优于对比算法。     

混沌精英哈里斯鹰优化算法

针对哈里斯鹰优化（HHO）算法存在的收敛精度低、收敛速度慢、易于陷入局部最优的不足,提出了一种混沌精英哈里斯鹰优化（CEHHO）算法。首先,引入精英等级制度策略,以充分利用优势种群来增强种群多样性以及提升算法收敛速度和精度;其次,利用Tent混沌映射调整算法关键参数;然后,使用一种非线性能量因子调节策略来平衡算法的开发与探索;最后,使用高斯随机游走策略对最优个体施加扰动,并在算法停滞时,利用随机游走策略使算法有效跳出局部最优。通过对20个基准测试函数在不同维度下进行仿真实验,来评估算法的寻优能力。实验结果表明,改进算法的表现优于鲸鱼优化算法（WOA）、灰狼优化（GWO）算法、粒子群优化（PSO）算法和生物地理优化（BBO）算法,性能较原始HHO算法有明显提升,验证了改进算法的有效性。     

基于Lab Windows/CVI的某型涡扇发动机调整训练系统设计

本文以某型涡扇发动机已有的数据和曲线为基础,借助Lab Windows/CVI虚拟仪器软件开发平台设计了调整训练系统的软件平台,建立起该发动机及其控制系统的简化数学模型,以及相关调整点的数学模型。并在此基础上,建立起发动机的调整训练系统模型,同时,对发动机及其控制系统的简化模型和各调整点的调整效果进行验证分析。验证结果表明:验证结果与已存在的数据对比吻合较好,证明该调整训练系统模型是可信的,软件平台的设计是成功的,满足发动机调整和训练的使用要求,可以推广应用。     

基于自适应背景选择和多检测区域的相关滤波算法

为了进一步提高相关滤波算法的判别力和对快速运动、遮挡等复杂场景的应对能力,该文提出一种基于自适应背景选择和多检测区域的跟踪框架。首先对检测后的响应图进行峰值分析,当响应为单峰的时候,提取目标上下左右的4块区域作为负样本对模型进行训练,当响应为多峰的时候,采用峰值提取技术和阈值选择方法提取较大几个峰值区域作为负样本。为了进一步提高算法对遮挡的应对能力,该文提出了一种多检测区域的搜索策略。将该框架和传统的相关滤波算法进行结合,实验结果表明,相对于基准算法,该算法在精度上提高了6.9%,在成功率上提高了6.3%。     

认知无人机网络中次级链路吞吐量优化研究

无人机(UAV)的便携性和高机动性使其与认知无线电(CR)结合的应用场景更加实用。在构建的无人机认知无线网络(CRN)模型中,该文提出UAV单弧度吞吐量优化方案,在确保检测概率的前提下优化感知弧度最大化UAV平均吞吐量。考虑在信道条件不理想情况下进一步改善感知性能,提出基于协作频谱感知(CSS)的多弧度吞吐量优化方案,利用交替迭代优化(AIO)算法对感知弧度和弧度数量进行联合优化以最大化吞吐量。仿真结果表明,该文提出的多弧度协作频谱感知方案在信道衰落严重时,对于主用户(PU)服务质量(QoS)和UAV吞吐量有明显提升。     

深度学习在单图像三维模型重建的应用

针对基于单图像重建的三维模型具有高度不确定性问题,提出了一种基于深度图像估计、球面投影映射、三维对抗生成网络相结合的网络模型算法。首先,通过深度估计器得到输入图像的深度图像,这有利于对图像进一步的分析;其次,将得到的深度图像通过球面投影映射转换为三维模型;最后,利用三维对抗生成网络对重建的三维模型的真实性进行判断,建立更逼真的三维模型。理论分析和仿真实验表明,与学习先验知识生成三维模型的算法LVP相比,所提模型在真实三维模型与重建三维模型的交并比（IoU）上提高了20.1%,倒角距离（CD）缩小了13.2%。实验结果表明,所提模型在单视图三维模型重建中具有良好的泛化能力。     

基于注意力机制改进的LSTM空战目标意图识别方法

空战对抗过程中的目标状态数据呈现时序性、多维性等特征,为进一步提升目标意图识别的准确率,提出了一种基于改进注意力机制的长短期记忆网络(LSTM)目标识别方法,将空战可能出现的目标意图识别当成一个多分类问题处理。该方法首先通过目标实时的状态数据,生成特征序列;接着采用注意力机制提升目标的特征学习能力,增强空战过程中的主要目标状态特征表示,得到具有权值分配的特征向量;最后利用LSTM网络对目标特征向量进行训练,通过softmax层实现目标意图的识别。仿真实验表明,该方法利用注意力机制有效增强目标的特征学习,进一步提升了LSTM网络的识别精度,具有一定的科学性和有效性。     

基于有限时间小超调预设性能控制的三维滑模末制导律设计

为了实现对高速机动目标的特定攻击角拦截,本文结合控制领域的新型控制方法——有限时间小超调预设性能控制设计了新型三维滑模末制导律。为了确保视线角和视线角速率能够在有限时间内收敛至期望值,通过视线角偏差和视线角速率偏差构建了线性滑模面;在趋近律设计上,基于有限时间小超调预设性能控制分别设计了视线偏航平面和视线俯仰平面的制导指令,保证跟踪误差可以按预设的收敛时间收敛,并且超调量约束在较小范围内,同时引入非线性有限时间观测器对制导指令中包含的目标加速度项进行估计,进一步提高了制导精度。通过仿真可知,本文制导律可以实现不同拦截条件下对目标的特定攻击角拦截,与现有的快速终端滑模制导律相比,可以保证滑模变量在有限时间内小超调收敛,同时实现特定角度打击,拦截机动目标时脱靶量可以控制在1 m以下,提升了系统的稳态性能和瞬态性能。     

基于超构表面的高效宽带交叉极化转换器设计

基于近年来利用超构表面在调控电磁波极化状态方面的热度,应用超构表面设计了一种适用于微波频段的新型极化转换器,可以在比较宽的带宽内,将入射的线极化波高效地转换为其交叉极化的反射波,在四个频点附近转换效率甚至达到100%。在整个工作频带内,仿真和测试结果基本吻合,仿真得到极化转换效率高于90%,频带宽度为7. 88-20. 70 GHz,相对带宽达到了89. 7%。理论上给出了极化转换器的设计原理,仿真确定了转换器谐振点的位置,分析了极化转换器工作的物理原理,实验验证了极化转换器的效果。所设计的极化转换超构表面在极化选择控制方面有重要应用。     

基于距离和权重改进的K-means算法

K-means聚类算法简单高效,应用广泛。针对传统K-means算法初始聚类中心点的选择随机性导致算法易陷入局部最优以及K值需要人工确定的问题,为了得到最合适的初始聚类中心,提出一种基于距离和样本权重改进的K-means算法。该聚类算法采用维度加权的欧氏距离来度量样本点之间的远近,计算出所有样本的密度和权重后,令密度最大的点作为第一个初始聚类中心,并剔除该簇内所有样本,然后依次根据上一个聚类中心和数据集中剩下样本点的权重并通过引入的参数[τi]找出下一个初始聚类中心,不断重复此过程直至数据集为空,最后自动得到[k]个初始聚类中心。在UCI数据集上进行测试,对比经典K-means算法、WK-means算法、ZK-means算法和DCK-means算法,基于距离和权重改进的K-means算法的聚类效果更好。