基于拦截式中间件的HLA仿真克隆研究

仿真克隆可以提高分布式离散事件仿真的效率和并行性,方便快捷地对仿真中的多种可能性进行分析、比较和评估.介绍仿真克隆的相关概念,基于HLA仿真克隆的体系结构,提出并设计一种支持多剧情并发执行的拦截式仿真克隆中间件,并讨论基于该中问件的仿真克隆过程以及克隆过程中的数据同步策略,最后通过实验验证所提方法的适用性.     

基于自适应遗传算法的传感器网络数据融合算法

能源有效性是无线传感器网络(WSN)路由算法设计要考虑的首要问题,数据融合可以通过合并冗余数据而有效地节约能耗.提出了一种基于自适应遗传算法(AGA)的WSN数据融合算法,基于移动代理(MA)对Sink节点发出兴趣代理报文和目标节点发出数据代理报文进行转发.采用AGA求出MA最优路由节点序列,通过把WSN均匀分割为多个大小适当的二维网格,形成AGA的初始群体.仿真结果表明,随着网络规模增大,和局部最近邻优先算法(LCF)相比,该算法有更小的网络能耗和延时.     

卫星数据中继天线的跟踪规律研究

用户星数据中继天线对中继卫星的跟踪规律研究是一个基本的、十分重要的问题.从工程应用角度研究了用户星数据中继天线对中继卫星的跟踪规律.首先对研究中涉及的坐标系进行了定义.基于开普勒轨道运动方程推导了一套数据中继天线跟踪中继卫星的角度及其变化角速度的数学模型.通过这套模型可以推算用户星跟踪数据中继卫星时中继天线转动的方位角和俯仰角的变化规律.最后通过仿真算例的结果分析验证了模型的正确性.     

基于MPI的并行分布式高斯消元算法设计和评估

为了满足电磁仿真数值计算日益增高的速度和精度的需求,针对单机内存需求和计算负荷需求都比较大的矛盾,提出基于分布式并行机群环境的并行计算划分和并行存储划分的算法设计思想,并且给出了基于行列循环数据划分的并行计算算法描述.在此基础上进行了实验验证,用MPI+FORTRAN和MPI+C编程实现了对大矩阵求逆的分布式高斯消元,并进行了性能评估和实验验证,在国内外超级计算中心平台上的实验结果表明所完成的工作对于系统的电磁仿真计算具有应用价值,该算法和代码实现可应用于电磁仿真计算的矩量法MOM(Method of Mom)中.     

BOM组件式仿真系统数据驱动方法

仿真系统的数据驱动方法的研究内容包括想定标准化、想定的加载和模型的数据驱动三个方面.针对传统的基于成员层次的分布仿真系统开发模式的数据驱动导致大量人力物力开销,效率低下的局限性,采用BOM作为组件模型描述规范来构建组件式仿真系统,通过用户模型开发规范化,仿真模型组件生成自动化以及通用仿真运行框架统一化等支撑技术来提供高效的模型数据驱动环境;通过通用想定解析模块,采用集中、分时的方式分发仿真脚本数据进行仿真系统环境配置以及更新调整,提高仿真系统的数据驱动的效率和质量.     

一种基于蚁群算法的数据关联方法

提出了基于蚁群算法的多目标跟踪数据关联方法--ACDA(Ant Colony DataAssociation).算法基于目标与量测之间的距离信息、角度信息和速度信息,依靠蚁群算法的优化机制,确定目标航迹和量测的正确关联,并且采用扩展卡尔曼滤波对目标状态进行估计.实验结果表明,该方法对应用在机动性较弱的高速小目柝数据关联时能够获得较高的正确关联率,且运行时间较短.     

基于样本重采样的电路非平衡数据预处理方法

针对机载设备电子电路故障状态测试数据少、整体测试数据不均衡的问题,提出了一种基于样本重采样的数据预处理方法。首先,采用超限学习机对原始数据集进行训练以挑选出分类准确的样本。然后,对其中的少数类和多数类分别采用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)进行过采样和局部密度欠采样处理;并将错误分类的多数类样本作为干扰因素进行删除。通过以上两种手段可以均衡数据集,并控制数据规模防止过拟合,提高对故障样本的检测率。实测数据处理结果表明,相比于其他重采样算法,所提算法整体效果优良且稳定,对电子电路故障诊断具有一定的应用价值。     

作战效能及其评估方法研究综 述简

在对比国内外效能概念的基础上,研究了作战效能的基本概念,给出作战行动效能的定义及其内涵解释。按照传统和新兴的分类原则对作战效能的评估方法进行划分,重点讨论了层次分析法、ADC模型法、作战模拟法、试验统计法和支持向量机评估法这五种典型的方法。分析了每种方法的优势与不足,以及应用中需注意的问题。最后指出目前研究中存在的难点,明确进一步研究的内容与方法,对作战效能评估工作具有一定的指导意义。     

Multi-label dimensionality reduction and classification with extreme learning machines

In the need of some real applications, such as text categorization and image classification, the multi-label learning gradually becomes a hot research point in recent years. Much attention has been paid to the research of multi-label classification algorithms. Considering the fact that the high dimensionality of the multi-label datasets may cause the curse of dimensionality and wil hamper the classification process, a dimensionality reduction algorithm, named multi-label kernel discriminant analysis （MLKDA）, is proposed to reduce the dimensionality of multi-label datasets. MLKDA, with the kernel trick, processes the multi-label integrally and realizes the nonlinear dimensionality reduction with the idea similar with linear discriminant analysis （LDA）. In the classification process of multi-label data, the extreme learning machine （ELM） is an efficient algorithm in the premise of good accuracy. MLKDA, combined with ELM, shows a good performance in multi-label learning experiments with several datasets. The experiments on both static data and data stream show that MLKDA outperforms multi-label dimensionality reduction via dependence maximization （MDDM） and multi-label linear discriminant analysis （MLDA） in cases of balanced datasets and stronger correlation between tags, and ELM is also a good choice for multi-label classification.     

Higher-order principal component pursuit via tensor approximation and convex optimization

Recovering the low-rank structure of data matrix from sparse errors arises in the principal component pursuit （PCP）. This paper exploits the higher-order generalization of matrix recovery, named higher-order principal component pursuit （HOPCP）, since it is critical in multi-way data analysis. Unlike the convexification （nuclear norm） for matrix rank function, the tensorial nuclear norm is stil an open problem. While existing preliminary works on the tensor completion field provide a viable way to indicate the low complexity estimate of tensor, therefore, the paper focuses on the low multi-linear rank tensor and adopt its convex relaxation to formulate the convex optimization model of HOPCP. The paper further propose two algorithms for HOPCP based on alternative minimization scheme： the augmented Lagrangian alternating direction method （ALADM） and its truncated higher-order singular value decomposition （ALADM-THOSVD） version. The former can obtain a high accuracy solution while the latter is more efficient to handle the computationally intractable problems. Experimental results on both synthetic data and real magnetic resonance imaging data show the applicability of our algorithms in high-dimensional tensor data processing.