一种基于信息熵的体系流程脆弱性分析方法

 体系在执行任务过程中面临来自外部、内部的各种破坏、干扰或威胁等风险,当风险发生时体系受到影响的程度表现为体系脆弱性,体系流程的脆弱性是影响体系能否完成任务的一个重要方面。提出一种基于信息熵的体系流程脆弱性分析方法：首先,面向体系面临的风险事件及其流程结构特征建立体系流程结构脆弱性分析过程;其次,将体系流程转化为有向图模型,基于信息熵构建了体系流程中各个节点的脆弱度计算模型;最后,将复杂体系流程有向图模型简化为串联、并联和混合3种基本结构,建立了3种基本结构的脆弱度计算模型,进而即可计算体系流程的脆弱度。通过案例说明了该方法的有效性。     

基于遗传算法和种子概念的本体概念提取算法

本体学习技术是利用本体工程技术和机器学习技术等众多学科技术来实现本体(半)自动构建的一项技术。通过研究中文本体学习这一领域存在的问题,提出了基于遗传算法和种子概念的本体概念提取算法。介绍了当前基于非结构化数据源的本体概念主要提取算法,在遗传算法和种子概念的基础上,设计了一种基于非结构化数据源的本体概念提取算法。实验证明,本算法在特定领域本体学习方面取得了良好的效果。     

一种本体学习中的领域概念筛选算法

由于现有领域概念筛选方法中领域筛选存在不准确的缺点,提出了一种改进的本体学习中的领域概念筛选算法。该算法针对领域相关度和领域一致度公式存在的信息描述不全的缺点进行改进,给出了改进公式和领域概念筛选算法。实验数据表明,该方法提高了领域概念筛选的有效性,取得了很好的效果。     

基于技术组合的软件需求优化

当前,软件需求优化的研究多集在提高需求的完整性、设定需求的优先级以及消除需求的歧义性等方面。该文从需求优先级设定入手,来进行需求优化,首先从系统的整体性和需求的层次性出发,提出以解释结构模型（Interpretative Structural Model,ISM）和层次分析法（Analytical Hierarchy Process,AHP）相结合的需求优先级排序方法,其中用SM 对需求进行结构优化和分层处理,然后对最上层的需求使用AHP 进行需求优先级排序,并将该方法命名为结构层次分析（Structural Analytical Hierarchy Process,SAHP）,接着通过与AHP 的比较,说明性能总体上好于后者,最后通过进度和成本约束,表明该方法能够判断项目进度和成本的合理性,降低因需求导致项目失败的风险。     

面向水下多源数据特征级融合方法

海洋环境复杂多变,单一水下传感器目标识别精度不能满足系统性能要求,并且水下数据噪声大、维度高,直接进行数据融合并不能得到较好的结果.为此,针对多场景水下多源试验数据,使用去噪自编码和多种降维方法进行多角度特征级融合.首先,使用去噪自编码器去除噪声、降低数据维度并且抽取出深层特征;然后,对深层特征使用数据层叠方法进行多源数据融合.融合方法包括主成分分析、独立分量分析和等度量映射.不同场景下对比试验表明该方法取得较好的分类结果,其中主成分分析取得较高目标识别率.     

基于Shapelets的多变量D-S证据加权集成分类

集成学习是分类多变量时间序列的有效方法.然而集成学习对基分类器性能要求较高,基分类器组合算法优劣对分类效果影响较大.为此,提出一种基于Shapelets的多变量D-S(Dempster/Shafer)证据加权集成分类方法.首先,在单变量时间序列上学习得到基分类器Shapelets,基分类器的分类准确率确定为其在多分类器的权重.Shapelets是时间序列的子序列,不同变量Shapelets间不存在依赖关系,且单个Shapelets分类准确度较高,能得到“好而不同”的基分类器.然后,提出一种加权概率指派算法,增加分类准确率高的基分类器权重,减少分类准确率低的基分类器权重;添加了2个组合策略,即消除证据冲突,又提高了效率.在标准数据集上与多个最新算法进行比较,笔者算法取得了较好的分类结果.     

面向事件活动流的舰艇作战任务效能评估模型

考虑作战过程性因素对作战效能的影响,将作战任务表示为作用在作战资源上的活动、状态、事件及其关系组成的事件活动流模型。在此基础上,提出了基于信息熵、面向事件活动流的作战任务效能评估模型,针对评估模型中的权重评价,给出了基于微粒群的权重向量优化算法,从而通过对作战任务的事件活动流模型进行效能评估,实现对作战任务效能的评估。最后给出了作战任务效能评估的实例。     

基于卷积神经网络的水下目标特征提取方法

针对水下目标特征提取问题,在卷积神经网的基础上,提出了一种新的网络结构。该框架通过引入特征图多维加权层,强化了特征图的空间信息,弥补了进入全连接层时空间特征的丢失。以层次结构构造一个集特征提取和分类器训练于一体的端到端网络,同时利用深度网络的反向传播完成分类器对特征提取的反馈以改进特征的效果。在仿真模拟实验上,该网络框架分类目标达到了78.61%的精度,与其他方法相比,有效提高了目标的识别精度。所提框架能有效分类识别水下目标,具有良好的识别精度,且具备模块化结构,无需复杂预处理,实现简单。