基于概率图的作战任务智能规划方法

针对人工调配作战资源及规划方案效率低下的问题，本文提出一种基于概率图的作战任务智能规划方法，通过统计分析判定任务间因果关系，采用GNN抽取任务中的关键事件构建概率图并计算任务规划方案成功的概率，进而基于时间序列方法预测战场态势变化，实现辅助指挥员智能决策。最后，本文在某联合登岛案例中开展了方法验证，结果表明，所提出的方法可成功实现任务规划并具有可解释性，可实现对战场态势变化的预测和快速响应，在战场上为军队提供强有力的支持。     

支持向量回归可解释性体系的建立

回归分析的主要任务是预测和解释.基于结构风险最小的支持向量回归模型取代传统经验风险最小回归模型,较好地解决了非线性、小样本、过拟合、维数灾难、局部极小等问题,泛化推广能力优异,但其可解释性差的缺陷一直未获根本性解决.基于F测验,为支持向量回归建立了一套完整的解释性体系,包括模型回归显著性测验、单因子重要性显著性测验、单因子效应及灵敏度分析、两因子互作显著性测验等.实例验证表明,其解释结果与传统二次多项式回归模型等具较好的一致性,初步表明了该解释性体系的合理性.     

分布式对象计算技术及对象互连技术

随着面向对象技术的不断发展,将这一技术用于分布式计算已成为必然,并由此形成了分布式对象计算（ＤＯＣ）技术．论述了ＤＯＣ的主要特点和关键技术,介绍了一些ＤＯＣ框架实现这些技术的方法．并给出了目前最流行的ＤＯＣ框架——ＣＯＲＢＡ的实现方法．     

也谈音义关系的任意性和可释性

长期以来,语言符号的音义关系是语言学家们争论的焦点问题。对索绪尔有关语言符号音义关系的论述进行系统梳理,指出其任意性理论存在着就语言谈语言和割裂语言发展的历时性等不足之处,并从语言与心理、语言与环境的关系角度阐述语言符号音义关系的可释性。     

基于决策树和遗传算法的模糊分类系统设计

提出一种基于决策树初始化和遗传算法优化的模糊分类系统的设计方法.该方法首先采用分类和递归树(CART)算法进行决策树的生长,树的修剪过程简化了初始决策树;然后,把修剪后的决策树转化为模糊模型,利用匹茨堡型实数编码的遗传算法优化该模糊模型.为了提高模型的解释性,在遗传算法中利用基于相似性的模型简化方法对模型进行约简.最后利用该方法对Iris问题进行研究,仿真结果验证了该方法的有效性.     

基于多目标进化算法的高维模糊分类系统的设计

提出一种可同时构造多个精确性和解释性较好折中的高维模糊分类系统的设计方法。该方法由以下三步组成:(1)利用Simba算法进行特征变量选择;(2)采用模糊聚类算法辨识初始的模糊模型;(3)利用匹茨堡型实数编码的多目标遗传算法对初始模糊模型的结构和参数进行学习。基于NSGA-Ⅱ算法的目标函数同时考虑模型的精确性和解释性;为提高模型的解释性,在多目标进化算法中利用基于相似性的模型简化方法对模型进行约简。利用该方法对Wine等问题进行分类,仿真结果验证了方法的有效性。     

基于Pareto协同进化算法的高维模糊分类系统设计

提出一种可同时构造多个精确性和解释性较好折衷的高维模糊分类系统的设计方法.该方法首先利用Simba算法进行特征变量选择,然后采用模糊聚类算法辨识初始的模糊模型,最后利用Pareto协同进化算法对所获得的初始模糊模型进行结构和参数优化.其中,Pareto协同进化算法采用了一种新的基于非支配排序的多种群合作策略.为提高模型的解释性,在Pareto协同进化算法中利用基于相似性的模型简化方法对模型进行约简.利用该方法对Wine典型问题进行分类,仿真结果验证了方法的有效性.     

一种基于模糊聚类的可解释性建模方法

提出一种基于模糊聚类的可解释性建模方法.利用提出的一种含有熵的聚类有效性函数来评价模糊聚类方法的有效性和可解释性,从而确定模糊规则数和模型前提参数,然后利用最小二乘法来辨识模型的结论参数,最后采用梯度下降法来调整模型的参数.该方法应用于Box-Jenkins 数据仿真实例,仿真结果表明该方法不但能保证系统的精确性,还具有很高的可解释性.     

一种改进的可解释SAR图像识别网络

SAR-BagNet模型是一种应用于合成孔径雷达(SAR)图像识别的可解释深度学习模型。为了使SAR-BagNet模型在具有可解释性的同时具有较高的识别精度，以SAR-BagNet模型为基础，在模型框架中加入了空间注意力和坐标注意力机制，并在MSTAR实测数据集上进行了实验。实验结果表明，空间注意力和坐标注意力机制增强了SAR-BagNet模型的全局信息获取能力，能够在不降低其可解释性的基础上，有效提高模型的识别精度和决策合理性。     

电视教材可解读性的几种方法

提出了电视教材可解读性的几种方法,使用这些方法可提高电视教材的视听效果,达到了激发学习兴趣,帮助理解重、难点问题的目的.