基于灰狼算法与小波神经网络的目标威胁评估

为了提高目标威胁度评估的精确度,建立反向学习灰狼算法（OGWO）优化小波神经网络的目标威胁评估模型（OGWO-WNN）,提出基于该模型的算法.该模型使用反向学习策略（OBL）优化灰狼算法（GWO）,通过改进后的灰狼算法优化小波神经网络的各权值和小波基函数的平移因子与伸缩因子,使优化后的小波神经网络能够对威胁度测试样本集作更好的预测.实验结果显示,采用反向学习灰狼算法能够更好地优化小波神经网络的权值与平移、伸缩因子,使建立的小波神经网络目标威胁评估模型具有更高的预测精度和更强的泛化能力,能够精准、有效地实现目标威胁评估.     

基于改进结构熵权法的目标威胁灰色综合评估

针对防空反导目标威胁评估指标权重很难确定、威胁评估信息存在不确定性的问题,提出了一种基于改进的结构熵权法和区间数灰色聚类的目标威胁评估方法。首先选取威胁评估指标,给出指标值的处理方法;然后通过重新定义“平均认识度”和“认识盲度”,提出一种用于防空反导目标威胁评估指标权重确定的改进结构熵权法;接着根据威胁评估信息不确定的特点,给出一种基于区间数灰色聚类的目标威胁评估方法;最后通过实例分析,验证了方法的可行性。     

未来网络与工业互联网发展综述

针对废旧手机回收过程中难以精准定价的问题,提出了一种基于模糊神经网络（fuzzy neural network,FNN）的价值评估方法.首先,设计了一种基于主成分分析（principal component analysis,PCA）的特征提取方法,获得了影响废旧手机回收价值的关键特征变量.其次,建立了基于FNN的价值评估模型,实现了回收价值与关键特征变量之间的非线性关系描述.最后,提出了一种自适应二阶参数学习算法（adaptive second-order parameter learning algorithm,ASOPLA）,实现了价值评估模型自适应调整.将提出的价值评估方法应用于实际交易过程,结果表明,基于FNN的价值评估方法能够实现对废旧手机的准确定价.

     

威胁条件下机载纯方位定位的观测器优化轨迹

提出了约束条件下(目标防御系统的威胁)对运动目标纯方位定位的观测器轨迹优化问题;建立了该条件下观测器轨迹优化模型,性能指标函数的选取是基于Fisher信息矩阵(Fisher Information Matrix,FIM)行列式的最大化,运用遗传算法解该优化问题得到优化轨迹;最后采用高斯粒子滤波估计目标状态.为了说明优化轨迹对定位效果的影响,分别给定直线运动和蛇行机动两类轨迹,并在无威胁约束和有威胁约束的情况下,同优化轨迹定位效果作比较.Monte-Carlo仿真结果表明:优化轨迹的定位精度优于蛇行机动和直线运动;对于不同威胁度下的优化轨迹,威胁越小对应的定位精度越高.     

基于DBN的空间战场目标威胁评估

空间战场目标威胁评估对未来空间作战指挥决策具有重要的意义,探讨了空间战场的特点及空间战场威胁目标的特点。针对静态贝叶斯网络(Bayesian network,BN)无法有效地解决动态空间战场中目标的威胁评估问题,提出利用动态贝叶斯网络(dynamic Bayesian network,DBN)来解决空间战场目标威胁评估,建立了基于DBN的空间战场目标威胁评估模型,利用所建立的模型进行了仿真计算。研究结果证明,基于DBN的空间战场目标威胁评估模型能够适应战场形势的变化,可应用于未来空间战场目标威胁评估专家系统的开发,并且比利用静态BN得出的威胁程度更准确,可靠性更高。     

基于不确定性信息的空战威胁评估方法

针对专家先验知识和空战态势信息的不确定性,以证据网络为基本框架,建立了基于敌我双方几何位置关系和运动状态的敌方战机威胁评估模型,首先给出了动态态势信息的信度等级转换及信度值的分配方法,然后针对专家不一致且带有不确定性的属性偏好提出了证据间权重优化方法,最后输入数据,通过网络推理实现敌机威胁等级评估。实例仿真表明,威胁评估模型在不确定性态势信息下能够合理估计敌方单机对已方单机的威胁,证实了模型和方法的有效性。     

基于中枢模式发生器的步态控制策略的研究

针对基于仿生学原理的足式机器人步态控制方法,探讨了基于细胞神经网络（CNN）的中枢模式发生器（CPG）实现机器人运动控制的基本思想及不足.提出了基于模糊神经网络（FNN）和CNN的CPG步态控制模型,给出了CNN中自动波稳定性的数值判别方法.FNN与遗传算法（GA）相结合形成的调整机制的引入,增强了系统的抗干扰能力.仿真结果表明,此控制策略具有较理想的效果,并且原理简单,易于实现.     

基于改进的FNN的无线信道模型研究

根据多层前馈类神经网络(FNN)的机制,提出了一种基于多层前馈神经网络和改进的BP算法的无线通信信道的模型和仿真方法。仿真结果表明,FNN模型可以很好地追踪无线信道不稳定的时变特性,反映了无线通信信道中用多层FNN系统建模的优越性。     

基于灰色聚类的空袭目标威胁评估与排序

为了对空袭目标威胁进行有效评估与排序,以便合理地分配防空火力,提出了一种基于灰色聚类理论的空袭目标威胁评估与排序方法.首先分析空袭目标参数与目标威胁的关系,建立目标威胁评估指标体系,并确定指标量化处理的方法.然后通过灰色聚类理论中的灰色变权聚类方法,建立空袭目标威胁评估与排序模型.最后以一组具体空情数据为例,运用该模型实现了对空袭目标威胁的评估与排序.通过计算表明该模型具有一定的有效性和实用性.     

基于贝叶斯网络的无人机对地作战威胁评估

针对无人机对地作战过程中地面威胁评估面临的信息不确定性和实时性等问题,分析了现有威胁评估方法的局限性,提出了一种基于改进贝叶斯网络的威胁评估方法,采用威胁数据与专家知识混合驱动的方法提高威胁评估模型的合理性。构建了分层威胁评估架构,基于载机与威胁包线的关系、威胁辐射等划分威胁等级。建立了地面威胁通视概率计算模型,并将通视概率作为贝叶斯网络威胁评估模型的输入。仿真结果表明,该模型计算量小,算法实时性好,引入威胁通视概率提高了地面威胁评估的合理性。     

基于MADM组合赋权的空中目标威胁评估方法

根据空中目标威胁评估问题不确定多属性决策的特点,提出一种基于MADM组合赋权的空中目标威胁评估方法。针对专家对指标权重评价的不一致问题,给出了权重不相容情况下如何寻找并剔除疵点权重的方法。在此基础上,建立了一种基于区间估计空中目标威胁评估问题的数学模型。最后通过实例分析验证,该方法评估结果准确,能有效减小误差,对指挥员科学决策具有一定的参考价值。     

一种简化的模糊神经网络优化学习算法

提出一种用最速下降-单纯形法,先优化确定FNN的结构和参数．然后在优化确定的网络基础上用最速下降法再进一步学习的简化的优化学习算法．该算法学习效率高,泛化能力好．仿真结果证实了算法的有效性．     

直觉模糊集Choquet积分在目标威胁估计中的应用

针对威胁估计过程具有一定的不确定性,威胁因素往往又具有一定的相关性问题,将直觉模糊集和模糊积分引入信息融合领域中,提出了基于直觉模糊集Choquet积分的威胁估计方法.首先,利用直觉模糊集理论构建了基于不同威胁因素的直觉模糊估计器,利用隶属度函数和非隶属度函数表示每个威胁估计器的不确定性.其次,利用模糊测度对威胁因素和因素集的重要程度进行建模.再通过Choquet模糊积分完成不同威胁估计器结果的集成,完成对目标威胁程度的估计.最后,以20批空中目标的威胁评估实例,验证了方法的有效性.     

基于信息融合的网络流量监控研究

鉴于现有的网络流量监控系统向用户展现过多的网络信息往往无助于安全事件和网络故障的发现和解决,提出一种基于信息融合的网络流量监控框架。基于该框架可有效评估由网络负载状态、安全状态和故障状况构成的网络综合态势,给出了一种信息融合的网络流量监控系统设计,重点讨论了该系统中的数据预处理、关联分析和态势评估三个关键问题。该系统把海量数据融合成信息和知识,直观反映了网络的宏观态势、威胁,能精确定位网络故障。     

强化学习无人机通信系统中的信息年龄优化

针对6G移动通信系统中信息新鲜度表征和优化问题,提出基于信息年龄的信息新鲜度表征方法,并形成无人机能耗约束下的最小化信息年龄优化问题.而离散的信息年龄优化目标和复杂能耗约束使得非凸优化问题难以求解,因此提出基于强化学习(RL)的无人机轨迹方法.该方法构建与信息年龄相关的奖励函数以快速实现智能化的无人机轨迹决策,从而降低...     

基于CNN的突发事件预警系统的设计与实现

为提高城市恐怖威胁突发事件的监测预警效率,设计了一套基于改进型卷积神经网络（CNN）的恐怖威胁预警系统。系统对采集的恐怖威胁突发事件进行威胁度评估。相对于现有文本评估方法,提出结合改进型词频-逆文本频率的卷积神经网络用于评估威胁和监测预警。并通过对研判期间内事件的威胁度分析,划分了恐怖威胁等级。通过数据的可视化实现为相关部门提供监测预警信息。模型对比测试和实际运行结果表明,该系统相比于已有的CNN模型及区域型卷积神经网络（RCNN）模型,综合评估的精确度分别提升了5.4%和3%。     

基于遗传算法DDBN参数学习的UUV威胁评估

针对复杂海洋环境下存在不确定事件对无人水下航行器自主作业和安全性所带来的威胁。本文设计了基于动态贝叶斯网络的威胁评估模型和决策推理模型,采用遗传算法实现了离散动态贝叶斯网络参数学习,最终得到最优的模型参数,进而增强了推理模型对海洋环境的快速反应能力。仿真实验结果证明:提出的算法可以得到真实的离散动态贝叶斯网络参数,能够有效地解决复杂海洋环境下UUV威胁评估问题,为UUV的自主任务决策提供有效的参数保障。     

基于变权理论的TOPSIS弹道目标威胁评估研究

针对常权TOPSIS算法在目标威胁评估过程中各指标权重计算方面存在的不足，提出了一种基于惩罚与激励的变权TOPSIS弹道目标威胁评估模型。该模型通过引入变权理论的惩罚与激励机制，对常权TOPSIS算法的权重计算方法进行了改进，改进后的模型能够根据目标状态参数随时间变化动态地对各项指标权重进行惩罚或激励，实现了权重的动态调整，最后通过具体案例验证了模型的可靠性。威胁评估结果表明，改进后的模型更加注重目标各指标间的相关性，而且克服了常权决策带来的偏差，有效提升了弹道目标威胁评估的可靠性、准确性。     

基于粗糙集的预警卫星系统综合评估

针对指标体系中存在的冗余信息以及指标权重确定过程中存在的主观因素,根据粗糙集中的知识约简和知识依赖度概念,采用启发式的知识约简算法简化指标体系,计算各指标属性重要度,并转化为指标权重系数。以某一特定预警卫星系统为例,评估其对指定区域威胁程度并排序。评估结果表明覆盖能力是最重要的指标。可见基于粗糙集的威胁评估方法具有客观性和简约性,可得出最核心的威胁因素,从而迅速有效地实现评估。     

一种基于神经网络的学习控制方法

提出一种新的基于神经网络的增强式学习控制方法．学习控制器包括系统性能的评估部分及由性能评估提供的增强信号引导下进行学习的神经网络部分．模拟及物理实验结果表明，此方法具有学习速度快，适应性强，通用性好等特点．