A Brief Analysis of child Language

Child language is always a hot topic in language research,because it is helpful for the linguistics tostudythe second language acquisition.     

向量矩阵迭代自组织XML辅助聚类算法

为了提高海量XML文档集的聚类质量,提出了一种基于向量空间模型的矩阵迭代自组织XML辅助聚类算法。该算法以XML键为基础,把XML文档转化为向量矩阵,通过矩阵迭代自组织学习对XML文档实施取消、分裂与合并等优化措施。为了加速算法的收敛性,在算法中引入辅助策略,虽然不一定达到矩阵向量分类间隔最大化的目标,却在尽可能分类的情况下使得运算时间缩短,其XML键权重调整更有利聚类效果。对比其它向量聚类算法,一系列仿真实验表明所提出算法具有一定的有效性及合理性。     

基于UML的破障作战行动建模研究

军事概念模型对"破障行为空间"抽象,目的为一体化联合作战仿真提供组件.按照用例,对战场障碍物、破障分队等元素进行了形式化表达,建立了破障作战系统包图;基于UML动态建模机制,构建破障作战行为主体协作模型,构建破障作战行动模型,实现各作战行为主体的用例等;并就破障战斗、遭敌袭击战斗等进行作战活动分析,建立相应的作战活动图.模型实现了对象间的交互作用、关系和消息传递,反映了"破障"作战任务、实体、功能、交互、活动等内在逻辑.     

基于SMP2的导弹攻防对抗仿真系统研究

指出了当前基于HLA进行攻防对抗仿真系统开发存在的不足,提出了基于仿真模型可移植性标准(SMP2)标准进行攻防对抗仿真系统开发的思路.简要介绍了SMP2标准的顶层架构以及SMP2仿真系统的运行结构和开发过程.针对战略导弹突防仿真的应用需求,搭建了基于SMP2的战略导弹突防仿真系统软件体系结构,讨论了系统的模型框架以及关键功能的设计与实现.     

基于神经网络的图像描述方法研究

自动识别和描述图像的内容是人工智能中一个重要的研究方向,它涉及计算机视觉和自然语言处理技术。针对这一难题,提出了一种由深层神经网络模型生成自然语言句子来描述图像内容的方法。该方法提出的模型由卷积神经网络(Convolution Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)组成,其中,CNN用来提取输入图像的特征生成固定长度的特征向量,该特征向量初始化RNN来生成句子。在MSCOCO图像描述数据集上的实验结果表明了该模型所生成句子的语法准确性和语义准确性,且优于先前的基线模型。     

基于PVS的UML类图和序列图的一致性检验

针对UML类图和序列图的一致性问题,在充分考虑了类继承关系、关联关系、类方法的可见性以及类方法的前、后置条件等因素对一致性影响的基础上,给出了判定类图和序列图一致性的必要条件和PVS元理论,提出了一种基于定理证明器PVS的一致性检验方法.在检验UML模型一致性时,把一致性检验问题转化为逻辑定理证明问题.实践表明,该方法对于提高UML模型的可信度,减少系统实现阶段的错误起到了一定作用.     

C3I系统仿真中基于NLG技术的文电自动生成

文电拟制是C^3I系统仿真中的重要工作，普遍采用“模板”式的生成，提出的基于自然语言生成技术设计丈电自动生成系统的方法，可实现文电“智能”式的生成，系统包括内容规划、句子规划和表层实现三个部分，利用改进的Schema方法在内容规划器中规划出生成信息的深层语义，然后经过在句子规划中优化处理使其结构更加合理，最后在表层实现器中利用合一算法生成合乎习惯的表层句子。     

基于UML/OCL的C4ISR效能概念建模分析

为了统一描述军事电子信息系统(command control communication computers intelligence surveillance and reconnaissance, C4ISR)系统功能和效能两方面的需求,提出了一种基于统一建模语言/对象约束语言(unified modeling language/object constraint language, UML/OCL)的C4ISR效能概念建模和形式化验证方法。首先,利用效能相关概念扩展了DoDAF 2.0能力元模型,构建一个能够同时引导C4ISR能力的功能分析和效能分析的元模型;将该元模型描述为UML Profile,形成一种基于UML的C4ISR效能概念建模语言,并支持C4ISR效能概念模型检验;最后借助一个假想案例分析说明了该建模语言对C4ISR能力的功能和效能概念建模及模型验证的能力。该方法可弥补UML建模技术在特定领域效能分析方面的不足。