基于PSOGWO-SVM的网络入侵检测方法

针对SVM算法的核函数及参数选择不科学会导致检测的准确率比较差的问题,提出了一种融合粒子群搜索的灰狼优化算法,利用PSOGWO算法优化SVM的参数,确定SVM分类器的最优检测模型,并基于NSL KDD数据集进行对比实验。结果表明：基于PSOGWO SVM的入侵检测方法实现了SVM的参数最优化,而且在检测率、收敛速度、模型平衡性等方面有明显提升,该方法在网络入侵检测方面具有更好的性能。     

基于Stacking集成学习的网络安全态势预测方法

针对现有的网络安全态势预测模型预测精确度低且泛化能力差等问题,提出一种基于Stacking模型融合的态势预测方法。该方法中,借助Stacking算法将TCN网络、WaveNet、GRU、LSTM进行集成挖掘态势数据之间的相关性;之后利用逻辑回归进行预测得到最终态势值;利用粒子群优化算法进行参数寻优,提升模型性能。基于2个数据集进行验证,实验表明,所提预测方法具有较小的均方误差和平均绝对误差,收敛速度较快,拟合度均可达0.999,可以很好解决预测精确度低的问题,提升了模型的泛化能力。     

激波诱导矢量喷管内流场动态特性数值研究

以二维收敛扩张喷管为对象,利用二维非定常雷诺平均N-S方程和RNGk-ε两方程湍流模型对基于激波控制的射流推力矢量喷管非定常流场进行研究,分析了二次流总压连续变化对喷管流场和推力性能的影响,结果表明:随着二次流总压的增大,二次流与主流干扰形成斜激波强度增加,激波向喷管上游移动;二次流总压增加到一定值后会在二次流入口附近形成回流区,回流区面积随二次流总压的增加而增大;二次流总压连续增加时,喷管轴向力连续增大,侧向力和推力矢量角先增大后减小,推力系数随二次流总压的增加而较小.     

基于混淆矩阵的证据可靠性评估

在基于证据理论的融合识别系统中,对证据可靠性进行评估进而对证据进行修正是解决证据冲突的有效途径。在传感器混淆矩阵的基础上定义了后验概率向量,通过分析后验概率向量与传感器输出的证据之间的关系来对证据可靠性进行评估,充分考虑了传感器的静态可靠性与动态输出。最后将该方法运用于基于证据可靠性评估的融合识别中,算例表明该方法可以有效降低可靠性证据的影响,得到较好的融合效果。     

地空导弹装备高原训练安全风险评估

地空导弹装备在高原开展训练时,面临众多具有随机性和模糊性特点的风险因素。针对该问题,结合高原环境以及地空导弹装备作战流程,分析了影响其高原训练安全的主要风险因素,构建了安全风险评估指标体系。在模糊综合评价法的基础上引入云模型,通过云模型的熵和超熵反映风险的随机性和模糊性,提出了基于云模型的地空导弹装备高原训练安全风险评估方法。最后,通过一个算例分析验证了该方法的实用性。研究结果可为风险控制提供参考。     

动态多模型指数平滑法融合的在线预测方法

针对传统预测算法实时性差、难以适应多种数据变化情况、参数无法根据数据的实时变化进行在线调整等问题,提出了一种动态多模型指数平滑法融合的在线预测算法。该算法根据历史数据的预测误差,动态调整指数平滑法的平滑系数,以及1次、2次、3次指数平滑法的融合权值,实时得到对传感器测量参数的准确预测。仿真表明,该算法在多种数据变化情况下均优于单一采用指数平滑法。     

直觉模糊框架内的区间证据组合方法研究

区间证据的组合是区间证据理论中的核心问题之一,尽管相关学者试图将D-S证据理论中的证据组合规则进行推广以实现区间证据的组合,但该问题仍未得到完全解决.目前已有的组合方法都是基于优化模型来确定融合结果中各基本概率质量(BPM)的上下界,不仅算法复杂度较高,而且这类方法不满足结合律,对多个区间证据进行组合时不能依次对各个证据进行组合,难以满足时域信息融合的需求.本文基于直觉模糊集与证据理论之间的关系,在直觉模糊框架内对区间证据的组合问题进行研究.首先基于证据理论定义一种新的直觉模糊运算,通过区间证据与直觉模糊集之间的相互转换,提出一种基于直觉模糊集的区间证据组合方法,该方法满足交换律和结合律,对多个区间证据进行组合时具有较强的灵活性.数值仿真表明,基于直觉模糊集的区间证据组合方法可以获得合理的组合结果,而且算法复杂度远低于现有方法.     

基于自适应SGD-多智能体的防空资源部署优化

针对分布式环境下的战场指挥资源部署存在的效率低、速度慢、无法达到预期战略、数据集过大导致计算资源损耗过大等问题,提出了一种分布式环境下多智能体联盟的指挥控制资源部署优化算法。通过对深度学习中的梯度下降算法进行学习率的改进,将原本设定的学习率改为自适应的学习率,进而对指挥控制资源部署进行多智能体联盟的设计。仿真证明了该算法对此问题具有优越的适应性,可以高效地解决分布式环境下的多智能体联盟的指挥控制资源部署优化问题。     

动态多模型指数平滑法融合的在线预测方法

针对传统预测算法实时性差、难以适应多种数据变化情况、参数无法根据数据的实时变化进行在线调整等问题,提出了一种动态多模型指数平滑法融合的在线预测算法。该算法根据历史数据的预测误差,动态调整指数平滑法的平滑系数,以及1次、2次、3次指数平滑法的融合权值,实时得到对传感器测量参数的准确预测。仿真表明,该算法在多种数据变化情况下均优于单一采用指数平滑法。