基于多任务学习图卷积模型的航空网络节点分类

准确识别航空网络关键节点, 做好针对性防护, 对于保证航空网络正常运行至关重要。传统的方法, 如基于复杂网络中心性指标的方法, 或基于机器学习的算法, 只单一考虑网络结构或节点特征来评价节点的重要性。然而评价节点的重要性应该同时考虑网络结构特征和节点特征。为解决上述问题, 本文提出了一种名为多任务图卷积网络(multi tasks graph convolution network, MTGCN)航空网络节点分类模型, 该模型在图卷积网络的基础上, 引入多任务学习及自适应加权策略, 将“节点—节点相关性”作为辅助任务加入模型的训练过程中, 并根据训练情况自适应分配各任务权重。3个不同规模的航空网络数据集中的仿真实验表明本文所提模型的性能优于现有的图卷积模型, 为图卷积在航空网络节点分类方向的应用提供了思路。     

基于眼动指标和熵权-TOPSIS空战控制能力评估

为了更加科学、精准地评估指挥控制人员的空战控制能力，采用眼动追踪技术，基于眼动、时间、准确率等指标建立了量化评估模型，并利用熵权-逼近理想解排序(technique for order preference by similarity to an ideal solution, TOPSIS)法对空战控制能力进行了综合评估。该模型以眼动指标作为重要评估依据，将客观赋权的熵权法与多属性决策TOPSIS法相结合，解决了传统评估方式受主观影响较大的问题，并结合实例分析验证了其有效性和可行性，为今后指挥控制人员的训练评估提供了合理的手段。     

二维混合MIMO相控阵雷达收发波束空间设计

针对如何提高低信噪比条件下二维混合多输入多输出(multiple input multiple output, MIMO)相控阵雷达波达方向估计精度问题,结合收发联合波束空间设计给出了解决方案。首先利用半定规划方法设计发射权值,构造旋转平移不变关系,实现发射方向图能量聚焦,约束旁瓣电平,在干扰方位形成发射零陷;在此基础上,结合最小方差无失真响应算法优化阵列接收权值,提高接收端信干噪比。仿真结果表明,所提方法能够提高低信噪比条件下二维混合MIMO相控阵雷达波达方向估计精度。     

基于聚类和时间权重的协同过滤位置预测算法

校园无线网络产生大量用户位置数据,它使掌握用户行为轨迹、预测用户位置成为可能.协同过滤广泛用于预测和推荐系统中,但现有研究存在数据稀疏性和不适用于处理时空数据的缺点.本文提出基于聚类和时间权重的协同过滤位置预测算法.首先利用DBSCAN聚类算法对用户进行聚类,缓解数据稀疏性.然后在簇内计算用户-位置评分矩阵时引入时间权重,使用户近期的位置签到对预测有更大贡献.与传统协同过滤方法相比,该方法准确率提高9.1%,召回率提高5.2%,F1-SCORE提高7%.     

集中式组网雷达的假目标欺骗干扰优化方法

针对组网雷达系统综合抗干扰能力强的问题,在集中式融合结构组网雷达背景下提出了一种假目标欺骗干扰优化方法。首先，建立了组网雷达跟踪目标的状态和量测模型,以及假目标距离和速度欺骗干扰模型,进而建立了量测偏差模型。然后，在此基础上,分别研究了单次和持续假目标欺骗干扰对组网雷达融合中心的卡尔曼滤波状态估计误差的影响。最后，通过分析假目标欺骗干扰的约束条件,提出了假目标欺骗干扰目标函数最优化的问题,并基于模拟退火算法进行了求解。仿真结果验证了假目标欺骗干扰引起的状态估计误差的表达式,以及本文方法的有效性。