国际人工鱼礁研究现状与态势分析

人工鱼礁(Artificial reefs,ARs)是一种有效的鱼类诱集设施和重要的渔业管理工具.本研究以科学引文索引(Science Citation Index Expanded,SCIE)数据库为基础,利用文献计量方法,对国际人工鱼礁研究文献的年代、主要作者关键词、研究内容以及发文国家主要建设情况等进行全面分析....     

DNA存储技术国际发展态势分析

随看互联网和人工智能等信息技术和数字技术的快速发展,信息重呈指数级飞快增长,传统的硅基存储设备将面临发展瓶颈,而DNA存储具有数据存储密度大、稳定性好、能效低、存储时间长、易备份等优势,可成为数据存储的有效工具.本文对DNA存储技术的发展历程及发展现状进行了概述,对在DNA存储技术领域方面有政策规划与举措的主要国家和地...     

基于OpenStreetMap的城市公交专用道设置优化

为合理设置公交专用道,本研究通过OpenStreetMap（OSM）提取可设置公交专用道的路网,采用Stroke道路表示法将OSM路网与百度路网进行融合,结合百度地图实时交通数据实现交通态势可视化,从而准确直观地识别出公交专用道的设置路段。通过构建公交路阻函数模型,计算设置公交专用道前后的时间效益差,确定公交专用道的设置方案。最后以南昌市部分路网为例,通过SUMO软件仿真结果表明：在青山南路设置公交专用道可以使公交车辆延误降低19.6 %;社会车辆延误降低10.8 %。实例验证所提出的设置优化方法有利于减少交通延误,为合理设置公交专用道提供支持。     

基于区间数聚类的目标分群算法

针对态势认知中目标数量多、信息不确定、数据不精确等问题, 提出一种基于区间数聚类的目标分群算法。首先, 考虑到传感器测量数据具有误差且数据不完全等因素, 采用区间数对传感器探测到的目标进行特征描述。然后, 为有效利用区间数信息定义了一种新的距离度量, 并给出了改进的区间数聚类目标分群算法。最后, 构造4类相互独立的区间数据集, 对区间数据进行分类测试, 并通过典型想定场景设定多类目标实体, 基于目标空间位置、运动特征和属性等要素进行空间分群和任务分群。仿真结果验证了算法能够有效对目标进行分群, 具有较强的稳定性。     

跟驰中的驾驶人自稳定控制及网联辅助驾驶策略

为探究交通状态及演化趋势在驾驶人自稳定控制(SSC)中的作用，提出了考虑驾驶人交通态势估计的自稳定跟驰模型.首先，基于SHAP解释模型和不同交通状态下速度差敏感性系数分布差异，解析了前方交通状态对驾驶行为的重要作用以及在驾驶人自稳定控制中的影响机制.其次，在全速度差模型(FVDM)中引入表征驾驶人对前方交通态势感知与估计的参数，提出了一种改进的自稳定全速度差模型(SS-FVDM).然后，对原始和改进后的模型进行了参数标定和对比验证.最后，为弥补SSC的局限性，开发了一种新的网联辅助驾驶策略来实现SSC效果的稳固和进一步提升，并基于线性稳定分析理论，推导了模型的稳定性条件.结果表明：相比于FVDM,SS-FVDM具有更大的稳定区间和更高的拟合精度，并能够很好地捕捉驾驶人在自稳定控制下的松弛行为特征.此外，基于SSC所开发的网联辅助驾驶策略能够更大程度地提升交通流稳定性.     

面向云边协同的配电变压器运行状态评估及态势预测

随着电力物联网建设的高速推进，在配电物联网“云管边端”建设体系指导下，文章提出一种配电变压器运行状态评估与趋势预测通用技术架构。该架构将分别部署在云中心与边缘节点处，在云边协同机制支持下分析处理海量电力数据，完成对大规模配电变压器集群的运行管理。具体流程包括提取配电变压器基础状态、即时状态、累积状态等多维特征，构建评估指标体系，通过动态评估模型实现对配电变压器运行状态的实时画像描述；根据特征数据流的时序性和变化趋势，借助长短期记忆循环神经网络提取数据规律，结合支持向量回归模型进行预测，获得未来时段的特征数据流，并以此输入动态评估模型，实现配电变压器未来运行态势预测。最后，通过实例论证了该技术架构的适用性和先进性。     

基于知识推理的卫星网络态势理解

随着太空和网络空间军事化趋势加剧, 我国太空战略面临着日益严峻的挑战。为保障太空网络安全, 目前迫切需要形成对卫星网络空间的态势理解能力。本文首先提出了太空网络态势理解需要回答的关键性问题, 基于卫星网络态势理解本体和卫星网络态势理解知识图谱, 构建推理规则, 提出基于知识的卫星网络空间态势理解分析方法, 通过对卫星网络空间态势理解知识库进行推理, 实现对卫星网络安全多源情报自动关联分析。最后, 通过案例评估验证了所提方法的正确性和有效性, 为我国天基资产保护辅助决策提供支撑。     

基于复杂样本的安全态势要素分类架构

针对网络安全态势要素获取中大规模复杂攻击样本分类困难的问题，提出一种基于条件变分自编码网络的安全态势要素分类架构。该架构分为编码网络和生成网络两部分，均采用深度神经网络作为其基础框架。编码网络用于对高维数据进行降维，提取其隐含特征;生成网络用于对降维后的样本进行重构，生成新的样本。在生成网络中引入混合密度模型优化其特征提取能力，提高重构数据的准确性。采用训练数据对该架构进行训练，训练后的编码网络作为分类器，识别样本类型;生成网络生成指定类别的样本数据，以平衡复杂样本中各类攻击样本的数量，提高分类精度。仿真结果表明，与其他对比模型相比，所提分类架构具有较好的降维效果和较高的态势要素分类精度。     

基于滑动窗口CRITIC-G1的空战态势评估

传统的指标重要性相关(CRITIC)方法进行态势评估不能实现变权重，仅从数据本身属性出发进行赋权，忽略了专家意见，且CRITIC方法本身会使得图像抖动。针对以上问题，提出一种基于滑动窗口CRITIC-G1的近距离空战态势评估方法，将空战数据进行预处理，得到根据时间变化的优势函数矩阵，采用滑动窗口的方法将优势函数矩阵进行分解，通过对滑动窗口中的优势函数矩阵进行CRITIC-G1赋权，从而既实现变权重，又完成重要性排序的权重优化；同时引入变异系数降低综合优势函数图像抖动。最终输出飞机的综合优势函数值，对于两飞机的综合优势函数值进行分析得到态势评估的结果。仿真结果表明，滑动窗口CRITIC-G1法较传统CRITIC方法准确性提高了22.75%。