远程军事理论训练系统中的UML建模

基于UML，利用建模工具Rational Rose建立系统模型，开发了适合军队开展军事理论训练与考核的网上训练系统，取得了较好的效果．     

岸船通信的抗干扰和保持通信时间预测研究

岸船通信面临着介质对高频电磁波( HF: High Frequency Electromagnetic Wave) 的吸收损耗、海面湍流对电磁波的散射、海面物体对电磁波的反射产生的多径信号干扰的问题。针对岸船通信通信传输信道的特点,建立其信道传输模型,求解出信道的单位冲激响应,提出了在岸船通信中接收机基于双调角器抗多径干扰的方法。该方法能有效地利用多径信号的能量,不需提高发射机功率即能提高通信质量,抗多径效果好且容易实现。建立高频电磁波电离层反射模型,使用解三角形算法研究了岸船通信能保持通信的时间,便于完善通信协议,提高通信质量。仿真结果表明,该方法白天最长能保持4． 5 h 通信,夜晚最长能保持7． 5 h 通信。     

基于全局注意力引导的肺结节分割方法

肺结节的精确分割能有效地辅助医生的治疗诊断工作,但由于不同患者所呈现的肺结节病灶形式多种多样,基于传统专家系统和统计学习的方法难以获得准确的肺结节分割结果。针对这种情况,提出一种由全局注意力引导的注意力机制,达到了从一张完整的胸部影像切片中自动定位并分割出肺结节的效果。该方法首先对目标区域进行肺实质分割,再利用区域建议网络（region proposal network,RPN）进一步缩小感兴趣区域,并生成注意力权重图,最后使用融合了残差网络（residual network,ResNet）与卷积长短期记忆网络（convolutional long short-term memory,ConvLSTM）的结构结合注意力权重进行肺结节分割。将所提方法在肺图像数据库联盟（lung image database consortium,LIDC-IDRI）数据集上进行了全面的评估,结果表明,本文方法分割结果的平均dice得分（标准差）为89.97%（8.9%）,具有出色的分割性能,精度相较其他方法取得一定提升。进一步在相同数据集上将所提方法的肺结节分割结果与4位放射科医生的手工标注结果进行了比较,结果表明本文方法的分割结果与医生们的标注结果的一致性达到了85.81%,相较于医生们手工标注之间的一致性高出了3.39%。     

锑化物超晶格长波红外焦平面探测器研究进展

锑化物的研究开始于20世纪50年代,70年代随着超晶格概念及后来能带工程的出现,锑化物在红外探测领域的潜力逐渐显露.基于现实的需求,锑化物材料的生长外延及工艺处理技术取得了快速进步,这也得益于之前对Ⅲ-Ⅴ族材料的大量研究.Ⅱ类超晶格(T2SL)的发展主要源于两个主要原因:首先相对于HgCdTe材料,Ⅱ类超晶格具有低成本、可重复性、可操作性、高均匀性等优势,尤其在长波红外及以上波段,Ⅱ类超晶格相对于HgCdTe的优势更明显.其次与HgCdTe材料相比,Ⅱ类超晶格具有很低的俄歇复合概率,这意味着Ⅱ类超晶格红外探测器具有比HgCdTe探测器更低的暗电流或更高的工作温度,提高长波焦平面的工作温度对于降低成像系统的功耗、尺寸及重量至关重要.另外,大气窗口在8–14μm有最高的透射率,同时温度为室温(300 K)的物体所发射的红外辐射波长大约为10μm.因此,长波红外探测对于InAs/GaSbⅡ类超晶格极具价值.理论上Ⅱ类超晶格红外探测器在等效截止波长下能提供同等或超越HgCdTe探测器的性能.但由于Ⅱ类超晶格材料在少子寿命上与HgCdTe存在很大差距,导致Ⅱ类超晶格探测器在耗尽区有很高的产生复合电流.为了抑制产生复合电流及其他机制暗电流,提出了各种结构并应用于Ⅱ类超晶红外探测器上,如PπMN结构、CBIRD以及单极势垒型等,极大地降低了长波器件的暗电流,同时增加了器件阻抗及探测率.此外,InAs/InAsSb超晶格的提出,避免了由Ga在禁带引入复合中心,有效地提高了少子寿命.随着Ⅱ类超晶格技术及理论的不断完善,锑化物超晶格长波焦平面在可操作性、均匀性、稳定性、可扩展性上的优势将更为明显.     

基于内联关系的方面级情感分析方法

方面级情感分析 (aspect-based sentiment analysis, ABSA) 旨在预测给定文本中特定目标的情感极性. 研究表明, 利用注意力机制对目标及其上下文进行建模, 可以获得更有效的情感分类特征表达. 然而, 目前常用的方法是通过对特定目标使用平均向量来计算该目标上下文的注意权值, 这类方法无法突出文本中个别单词对于整个句子的重要性. 因此, 提出了一种基于内联关系的方面级情感分析方法, 该方法可以对目标和上下文进行建模, 将关注点放在目标的关键词上, 以学习更有效的上下文表示. 首先使用门控循环单元 (gated recurrent unit, GRU) 对方面信息和句中单词进行融合分布式表达; 然后将分布式表达输入到结合注意力机制的长短时记忆网络 (long short-term memory network, LSTM), 通过查询机制来增加内联关系的权重, 最终得到方面级情感分类. 该模型在公开数据集上进行的实验结果表明, 该方法是有效的, 精确度均超过基线模型.     

基于AMWPSO-LSTM的多阶段间歇过程故障预测

过程安全对于间歇过程生产具有重要意义,为提高间歇过程生产安全性,提出一种基于改进粒子群算法(AMWPSO)优化长短期记忆网络(LSTM)的间歇过程故障预测模型AMWPSO-LSTM。针对LSTM中的神经元个数、迭代次数、学习率等参数需要人为设置的问题,采用AMWPSO对这些参数进行自动寻优。AMWPSO在原有粒子群优化算法(PSO)中融入了自适应变异和非线性递减惯性权重,提高了PSO的参数寻优能力。由于间歇过程具有多阶段性,因此先根据模糊C均值聚类(FCM)方法对间歇过程进行阶段划分,再利用Pearson相关系数对各阶段实验数据进行相关性分析,以降低系统变量的维数,并建立各阶段T²统计量控制限作为系统是否发生故障的指标。实验以青霉素发酵过程数据为例,建立基于AMWPSO-LSTM 的多阶段故障预测模型,并将该模型的预测结果与基于LSTM的多阶段预测模型、基于PSO-LSTM的多阶段预测模型的预测结果进行比较,结果表明,基于AMWPSO-LSTM 的多阶段故障预测模型可取得较高的预测准确度。     

基于二次分解与LSTM的金融时间序列预测算法研究

现有结合特征提取与预测模型的方法不能准确把握金融时间序列的混沌性与交互性,导致预测精度不高。针对此问题,提出一种基于二次分解与长短期记忆(long short term memory, LSTM)网络的金融时间序列预测算法。使用变分模态分解方法与集成经验模态分解方法依次解析金融时间序列数据,得到能表达数据混沌性特征的模态;将模态信息输入到融合有因子分解机(factorization machine, FM)的长短期记忆网络模型中,融合获取到的长记忆性特征与交互性特征,进而预测最终的结果;选取沪深300指数的历史数据作为实验数据集,通过多组对比实验验证算法的有效性。实验结果表明,提出的算法可以有效提升模型的预测能力,同时表达金融时间序列的混沌性、长记忆性、交互性。     

Observer-based fault detection scheme for a class of discrete time-delay systems

In this contribution, robust fault detection problems for discrete time-delay systems with l2-norm bounded unknown inputs are studied. The basic idea of our study is first to introduce a state-memoryless observer-based fault detection filter (FDF) as the residual generator and then to formulate such a FDF design problem as an Hen optimization problem in the sense of increasing the sensitivity of residual to the faults, while simultaneously enhancing the robustness of residual to unknown input as well as plant input. The main results consist of the formulation of such a residual generation optimization problem, solvability conditions and the derivation of an analytic solution. The residual evaluation problem is also considered, which includes the determination of residual evaluation function and threshold. A numerical example is used to demonstrate the proposed fault detection scheme.     

基于小波变换的LMSV模型波动长记忆性估计与检验

将小波引入到LMSV模型波动长记忆性的估计与检验中，提出了基于小波变换的LMSV模型波动长记忆性的伪极大似然估计法和波动长记忆性的检验方法，用不同参数值和样本容量的数据进行了模拟实验．又用该方法对上海和深圳证券交易所综合指数收益序列的LMSV模型的波动长记忆性进行了检验和估计，结果表明该方法是有效且可行的．