密集观测场景下的敏捷成像卫星任务规划方法

针对密集观测场景下敏捷成像卫星任务规划问题求解空间大、输入任务序列较长的特点,综合考虑时间窗口约束、任务转移时卫星姿态调整时间、存储约束和电量约束,对敏捷成像卫星任务规划问题进行建模. 提出融合IndRNN和Pointer Networks的算法模型（Ind-PN）对敏捷成像卫星任务规划问题进行求解,使用多层的IndRNN结构作为算法模型的解码器. 基于Pointer Networks机制对输入任务序列进行选择,使用Mask向量考虑敏捷成像卫星任务规划问题中的各类约束. 基于Actor Critic强化学习算法对算法模型进行训练,以获得最大的观测收益率. 实验结果表明,对于密集观测场景下的任务规划,Ind-PN算法的收敛速度更快,可以获得更高的观测收益率.     

采用混合遗传算法的敏捷卫星自主观测任务规划

为改进敏捷卫星观测大规模地面目标点时传统的遗传算法求解效率低下的问题,提高智能优化算法的求解效率,改进了传统的遗传算法,提出了禁忌退火遗传混合算法。首先,考虑到航天器在观测地面目标点的过程中所面临的时间约束、姿态轨道动力学约束等多种约束条件,建立了相应的适应度函数。所提出的适应度函数能够兼顾高观测收益与低观测能耗,反应了实际工程问题的观测需求。随后,为改进传统遗传算法的变异过程,提出了禁忌退火变异方法。这一变异方法在个体变异寻优的过程中,引入了禁忌搜索方法与Metropolis法则,提高了算法搜寻到全局最优解的概率,加快了算法的收敛速度。研究结果表明,与传统的遗传算法相比,禁忌退火遗传混合算法节省了约40%的算法运行时间,该算法的运行效率也高于退火遗传算法、禁忌遗传算法等其他种类改进的遗传算法,从而验证了禁忌退火遗传混合算法求解敏捷观测卫星任务规划问题的高效性。     

面向移动目标连续侦察的电子侦察卫星任务规划方法研究

针对移动目标连续侦察电子侦察卫星任务规划问题,基于电子侦察卫星系统任务需求分析,首先对问题进行了合理的假设与简化,分析了电子侦察组网卫星对移动目标进行连续侦察的基本过程,建立了面向移动目标连续侦察的电子侦察卫星任务规划约束满足问题(constraint satisfy problem,CSP)模型,设计了求解模型的基于分群机制的改进粒子群优化(particle swarm optimization,PSO)算法。仿真案例的实验结果表明:该模型和算法能有效解决电子侦察卫星对移动目标连续侦察的任务规划问题。     

基于模拟退火算法的电子侦察卫星任务规划问题研究

在分析电子侦察卫星的工作原理及其所担负的使命任务的基础上,首先给出了电子侦察卫星任务规划的基本过程;然后在明确电子侦察卫星任务规划问题的基本输入输出和一些基本假定的基础上,建立电子侦察卫星静态任务规划的混合整数规划模型;最后提出了一种解决电子侦察卫星任务规划问题的模拟退火算法（simulated annealing,SA）。实验结果表明：该算法有效地解决了针对固定目标的电子侦察卫星任务规划问题。     

基于Cycle-GAN和改进DPN网络的乳腺癌病理图像分类

针对病理图像染色不均匀及良恶性难以鉴别的问题,提出基于Cycle-GAN和改进的双路径网络（DPN）的算法框架. 利用Cycle-GAN进行颜色归一化处理,解决因病理图像染色不均匀导致的检测模型精度偏低问题,通过对图像进行重叠切片,基于DPN网络采用增加小卷积、反卷积和注意力机制,增强模型对病理图像纹理特征的分类能力. 在BreaKHis数据集上的实验结果表明,所提算法有效提高了乳腺癌病理图像良恶性分类的准确性.     

一种招投标机制的多星自主协同任务规划方法

针对多星自主协同遥感背景下非预期任务的快速响应问题,考虑到星上计算资源有限、计算能力较弱等特点,为寻找一种满足星上自主任务规划能力需求的优化算法,提升遥感卫星星群在非预期情况下的快速响应能力,通过多星自主协同规划问题建模、算法设计和仿真分析等模型及算法研究,提出了一种基于招投标机制的自主任务规划方法.该方法首先针对多星自主协同任务规划问题,构建了星上自主任务规划的数学模型,进而在问题求解过程中将一次完整的任务规划合理分解为招标、投标和评标3个过程,并详细设计了求解流程及相应的约束检验规则,由此得到基于招投标机制的多星自主协同任务规划求解算法.该方法与常用智能优化方法相比,能够显著降低计算量,更加适应星上紧张的计算资源约束.通过仿真算例结果表明,针对典型的非预期任务,算法平均仿真运行时间约为1 s,能够在40 s内完成对非预期任务的响应,并且充分保证了原规划任务的完成率,基于此验证了该方法的有效性与正确性.     

基于深度学习的网络恶意登录异常检测方法研究

针对网络恶意登录异常检测过程中对用户操作日志的特征提取准确率低、泛化性差所导致的网络攻击识别率低、网络管理员反馈不及时等问题,结合注意力机制以及循环神经网络,提出一种基于深度学习的网络恶意登录异常检测方法.该方法针对不同类型的用户操作日志,使用了word-level和char-level两种编码方式;使用LSTM模型提取用户操作日志中所蕴含的特征信息,以识别用户操作日志中的正常行为;通过注意力机制使模型更加关注操作正常的特征信息,同时过滤冗余操作,得到用户操作评分;设定阈值判断该日志流是否为恶意登陆,并同时反馈给网络管理员.实验结果表明,本文所提方法可针对不同用户日志进行编码,特征提取准确率高,网络恶意登陆异常检测的F1-Score达到了0.976.     

基于改进生成对抗网络的书法字生成算法

针对生成对抗网络生成字体存在笔画缺失、字形结构错乱、图像模糊与质量差的问题,提出改进zi2zi生成对抗网络的书法字生成算法.在编码器中引入卷积核为1的残差块,提高生成器提取书法字体细节特征的能力,通过增加上下文感知注意力结构提取书法字体的风格特征.在判别器中利用谱归一化增强模型的稳定性,避免因模型训练不稳定而带来的模式崩塌.采用最小绝对误差L1范数约束生成字体边缘特征,使得字体轮廓更加清晰,最终生成2种风格的书法字.颜真卿楷书与赵孟頫行书目标风格数据集的测试结果表明,提出算法的主观客观评价结果均优于对比算法,与zi2zi相比,峰值信噪比分别提高了1.58、1.76 dB,结构相似性分别提高了5.66%、6.91%,感知相似性分别降低了4.21%、6.20%.     

基于图神经网络的P2P僵尸网络检测方法

P2P僵尸网络因具有较高的隐蔽性和健壮性,已经成为新型的网络攻击平台,对网络空间安全造成的威胁越来越大,但现有基于规则分析或流量分析的检测方法不能有效检测.为了解决P2P僵尸网络隐蔽性强、难以识别等问题,提出了一种基于图神经网络(graph neural network,GNN)的P2P僵尸网络检测方法.该方法不依赖流...     

基于深度强化学习的超密集网络中多用户上行功率控制方法

针对超密集网络中由于用户数量多、相互距离近,通信过程中彼此之间干扰大,导致频谱利用率不高的问题,建立了通过优化控制发射功率同时提升系统信息容量和满足服务质量的用户数量的优化问题. 由于该问题非凸且功率控制为离散变量,将其建模为马尔科夫决策过程. 在此基础上,提出了基于深度强化学习的功率控制算法,并设计了相应的动作空间、状态空间及奖励函数. 仿真结果表明,所提算法与最大发射功率策略和随机发射功率策略相比,分别提高了至少15.9%的信息容量和至少10.7%的用户服务质量满足率. 与不考虑用户服务质量满足率提升的算法相比,所提算法通过适当降低信息容量,提升了用户服务质量满足率.