排序方式: 共有30条查询结果,搜索用时 15 毫秒
21.
基于不同信息获取方式的敌我识别系统 总被引:1,自引:1,他引:0
本文从宏观的角度出发,通过对目标敌我属性信息特点的分析,提出了多种针对不同敌我识别系统所采用的识别信息获取方式,并分析了不同系统体制的特点,指出了各自存在的问题及局限性,澄清了在敌我识别系统研究领域中的若干模糊概念,最后就不同的作战使用环境,讨论了各种识别系统的适用范围。 相似文献
22.
针对DBSCAN聚类算法随着数据量增大,耗时越发非常严重的问题,提出一种基于KD树改进的DBSCAN算法(以下简称KD-DBSCAN).通过KD树对数据集进行划分,构造邻域对象集,提前区分出噪声点和核心点,避免聚类过程中对噪声的邻域集计算以及加快了核心点对象的邻域集查询速度.文中以浮动车GPS数据为实验数据,对比传统D... 相似文献
23.
为了解决飞行流量持续快速增长导致的飞行安全问题,给出一种基于ADS-B信息的冲突告警算法。该算法的目的在于发现终端区或机场附近可能存在的飞行冲突,为飞行员采取避让措施提供足够的时间。算法主要由2个模型构成:第1个模型是飞行冲突区域划分模型,该模型包含保护空域(PAZ)和冲突空域(CAZ)2个区域;第2个模型是飞行冲突探测模型,该模型首先对冲突目标初选,然后对有可能发生飞行冲突的飞机从竖直和水平2个方向进行冲突探测并根据探测结果发出相应的告警信息。经大量的Monte-Carlo仿真实验表明该算法性能良好,能及时有效地发现飞行冲突,对确保终端区或者机场附近的安全有着重要意义。 相似文献
24.
25.
从建筑企业工程造价信息化建设的必要性入手,对信息化建设存在的问题及原因进行了分析,通过建立新的造价信息化管理模式,提出了工程造价信息化建设相关问题的对策,以期进一步实现企业的管理目标,跟上建筑市场快速发展的形势。 相似文献
26.
本文从联合战术信息分配系统(JTID)技术特征出发,分析了其识别功能的实现方法和性能,并与专用敌我识别器相比较后指出了它在战争环境中的先天不足,得出了一些初步结论,而且为此探讨了一些补救措施。 相似文献
27.
广播式自动相关监视(ADS-B)是民航新一代空中交通管理系统的重要组成部分,由于协议没有数据加密和认证,导致容易受到数据攻击.为了准确检测ADS-B数据攻击,基于ADS-B数据的时序性,提出了一种基于注意力机制的卷积神经网络-长短期记忆网络(convolutional neural networks-long short-term memory, CNN-LSTM)异常数据检测模型.首先,利用CNN提取ADS-B数据的特征,然后以时序形式将特征向量输入到LSTM中,最后使用注意力机制进行网络参数优化,实现对ADS-B数据的预测,通过计算预测误差,来进行异常检测.实验表明,该模型能够很好地检测出模拟的4种类型的异常数据,与其他机器学习方法相比,具有更高的准确率和F1分数. 相似文献
28.
飞行数据记录仪(FDR)在每一次飞行中都记录了大量的航空观测数据,航空数据属于多元时间序列,具有高维和异构的特点。为了检测出其中的异常飞行记录,提出了一种异构航空数据的异常检测模型HDAD(Anomaly Detection for Heterogeneous Data)。HDAD模型分别使用基于局部趋势的向量表示法SMV(Slope-Mean Vector)和基于变化点的方法分别对连续特征的时间序列和离散特征的时间序列进行压缩表示。经过验证试验表明SMV表示法与SAX,PCA相比,能够更加精确的表示时间序列的信息。通过仿真,使用HDAD模型对合成航空数据集与真实航空数据集进行异常检测,实验结果表明,所提出的HDAD模型能够检测出FDR数据中可能存在的潜在异常,有助于航空公司对FDR数据进行进一步的分析。 相似文献
29.
在线评论的有用性预测任务在当前的电子商务领域中发挥着重要的作用, 该任务的目标是判断在线评论的有用性, 进而重点展示对未来消费者更有帮助的评论, 提高消费者获取信息的效率. 在本文中, 我们重点关注近年来在各大在线平台兴起的一种新的评分系统——多维评分系统, 尝试研究用户在该系统中给出的方面评分对在线评论有用性的影响. 本文提出了一个综合考虑了评论文本、用户总体评分和方面评分3种元素及其交互的多层次神经网络模型HORA来完成有用性预测任务. 通过在两个真实世界的数据集上进行的实验结果表明, 与当前的基线模型相比, HORA在MAE和RMSE两个指标上展示了更好的结果, 同时在实验中也表现出了良好的鲁棒性, 表明了方面评分对用户的在线评论有用性感知的重要意义. 相似文献
30.
针对传统的聚类算法无法捕获高维轨迹数据在低维空间中的隐含关系,且难以定义适当的相似性度量以同时考虑轨迹的局部和全局特征的问题,提出了一种基于深度神经网络的多变量轨迹深度聚类框架(MTDC)并将其用于航空交通流识别与异常检测。该框架主要包含一个非对称的自编码器和一个自定义的轨迹聚类层。自编码器由一维卷积神经网络和双向长短时记忆网络堆叠而成,用于学习原始输入在低维隐空间中的特征表示。轨迹聚类层则通过计算隐空间中样本的Q分布实现聚类。结合自编码器的重建损失和轨迹聚类Q分布定义了一个新的异常分数,用于检测异常轨迹。使用基于广播式自动相关监视(ADS-B)的真实轨迹数据进行实验,结果表明,所提框架能有效地进行航空交通流识别,并能检测出具有实际意义且可解释的异常轨迹。 相似文献