产生式与判别式分类方法比较研究

分类是数据挖掘领域研究的热点,产生式与判别式是数据挖掘中两种不同的分类模型。产生式模型具有通用性、灵活性及清晰的分层结构,学习得到的模型很容易满足模型解释要求;判别式模型没有明显的对系统中变量的基本分布建模的企图,仅仅对输入到输出之间映射的最优化感兴趣,可以提供更好的分类性能。从准确率、建模时间及渐进误差等方面对产生式与判别式分类方法进行了分析与比较,为研究人员在分类模型的选择上提供了参考。     

超空间上的较弱δ-连续对应

本文在超空间上定义了较弱δ-连续对应,以拓扑空间中的δ-开(闭)集和开(闭)集为基础得到了这种对应的若干等价条件,并给出了子集网在这种对应中的应用.     

英语音系过程中从底层表达向表层表达推导的研究

英语音系过程中语素或词项的表达有两个层面:底层表达和表层表达,前者包括语法预测的音系信息,抽象笼统;后者却具全部或大部分的语音信息,能作为某个结构单位的语音现实基础,是一种语音表达形式.从底层表达到表层表达的推导可使语素的表达由抽象变得具体.传统生成音系学SPE模式和发展生成音系学OT理论对该推导过程都有研究,其研究成果有助于学习者更好掌握和运用英语.     

CPN及在军事指挥控制系统建模中的应用

简单介绍了着色 Petri网 (CP-网或 CPN)的发展过程和基本原理 ,重点就 CPN在军事 $C^3I$系统建模仿真中的应用进行了探讨 .     

基于CPN的智能合约交易顺序依赖漏洞的验证

智能合约的形式化验证工作主要集中在编程语言层面的漏洞研究,而交易顺序依赖作为区块链层面的漏洞更不易被检测。基于着色Petri网对智能合约中潜在的交易顺序依赖漏洞进行形式化验证。以Decode悬赏合约为对象,分析合约中潜在的漏洞,自顶向下地对合约本身及其执行环境建立着色Petri网模型,并引入攻击者模型来考虑合约遭受攻击的情况。通过运行模型以验证合约存在交易顺序依赖漏洞,最后基于Remix平台在以太坊网络中证实结论的正确性。     

基于深度贝叶斯网络学习的不确定性建模方法

战场态势评估涉及很多不确定因素,对不确定性进行仿真建模能够提高态势评估的能力。针对参战对象多元、不确定性增多导致的无法全面准确表达不确定性问题,提出了基于记忆模块和变分自编码器的深度贝叶斯网络模型。采用生成模型设计了基于深度贝叶斯网络学习的态势评估模型;阐述了融合记忆模块的深度生成模型原理和模型的学习与推理过程;以某空袭行动为例构建贝叶斯网络,对所提方法进行了验证。结果表明:深度神经网络能够逼近隐变量的非线性变换,设计的记忆模块能存储深度神经网络提取的大量局部特征,通过学习自动得到了贝叶斯网络条件概率,增强了不确定性建模能力。     

基于Petri网的考试系统智能出卷的研究

一般的网络考试系统是从题库中随机选题组卷,容易造成考卷难度不一影响考试的公平性.提出了使用petri网模型,采用启发式随机替换算法来控制考试系统出题难度的解决方案.     

基于Petri网的哲学家就餐问题多线程设计与实现

为了解决操作系统中的进程间同步互斥问题,以Petri网为系统描述工具分析了经典的哲学家进餐问题,讨论了1：1的轮流固定使用的Petri网模型,给出了使用（串行）的管理模型的程序实现,且可以实现2：3的轮流固定使用（并行）和不固定的动态管理．此法简洁高效,在操作系统的其他类型进程调度中可进行类似推广．     

基于Petri网的协议测试例自动生成

Petri网支持下的协议一致性测试是协议工程研究中的重要课题.Petri不能很好地支持一致性测试集的自动生成.针对这一问题,分析了对基本Petri网扩展的必要性,提出了一种新的用于支持协议测试的扩展的高级Petri网,揭示了其静态结构和动态行为,并提出了该Petri网到测试描述语言TTCN-3的转换规则.开发了原型系统,并应用于实际的协议一致性测试工作.     

小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法

现有低分辨雷达目标识别方法,通常采用先特征提取、再进行目标分类的两步识别算法,这种算法存在识别率难以提高和方法泛化性不足的问题,对此,提出一种增强条件生成对抗网络（strengthening condition generative adversarial network,SCGAN）+卷积神经网络（convolutional neural network,CNN）的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征,无需特征提取,实现对目标的一步识别。为进一步提高小样本条件下的识别效果,基于CGAN理论来提高样本在特征空间的覆盖程度,并对CGAN的判别器进行改进,在损失函数中增加混叠惩戒项,通过SCGAN生成不混叠的生成样本来更好地训练CNN,提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性,以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。