管制-飞行状态相依网络模型及特性分析

管制员和航空器是管制系统的关键所在，两者紧密关联、相互依存，分析其间的相互关系，能够加深对管制系统的理解，更好地维护其运行效率。为此，首先构建了一种由飞行状态网络和管制网络相耦合所组成的相依网络模型。其中，飞行状态网络由空中的航空器和彼此之间位置关系决定；管制网络由管制扇区及其之间的移交关系确定。然后根据管制员对航空器的调配难度确定依存边的权重。最后依据构建原则模拟生成人造网络，对该网络的节点度、点强和加权聚类系数以及网络效率和鲁棒性进行了分析。分析结果表明:所构建的相依网络模型能够反映管制员和航空器之间的相互关系，管制节点重要程度高于航空器节点。      

一种电子政务数据交换覆盖网络

数据交换是电子政务应用的核心问题.构建一种应用层数据交换覆盖网络成为解决这类问题的关键.分析了电子政务数据交换的特点,提出了电子政务数据交换覆盖网络eGON(e-Government data exchange Overlay Network)的概念模型,在树型结构组织网络的基础上,引入结点间组织距离和结点适应度概念,提出了一种eGON拓扑结构模型——双尺度异质组织网络模型DSHON(Dual Scale Heterogeneous Organization Network),该模型按照与组织距离和能力适应度2种尺度相关的概率添加快捷边,实现网络性能改善.设计了eGON的总体结构、构建与维护机制、路由维护协议和基于组织距离优先的消息路由算法,并进行了路由算法实验验证.      

函数调用网络的结构属性及其静态鲁棒性

通过对开源软件tar和MySQL源码的分析，构建基于函数调用的有向软件网络模型，研究函数调用网络的度分布、聚类系数等多个结构属性。结果表明，多个主要软件模块的耦合才使得整个函数调用网络具有高聚类特性；节点的依赖度(影响度)与节点的出度(入度)存在正相关性；节点的依赖度与影响度具有负相关性。基于有向软件网络鲁棒性的弱连通和强连通指标，采用不同节点攻击策略验证函数调用网络的静态鲁棒性。研究结果表明，对于tar网络，高出度策略对网络的弱连通性具有最佳的攻击效果；对于MySQL网络，高入度策略对网络的弱连通性具有最佳的攻击效果。      

基于异构网络表示学习的评分预测模型

深入分析电商行业的用户个性化数据并提供推荐服务近年来已成为业界的热点。推荐服务的基础是对用户的潜在兴趣进行挖掘，并对商品的感兴趣程度进行预测。因此，以此为背景，研究用户对商品的评分预测。对电商业的关系型数据在推荐系统中的应用进行了研究，提出了通过使用网络表示学习进行评分预测的方法。首先，将关系型数据构建成异构网络，用户和商品为网络中的节点。然后，设计了兼顾网络结构信息和节点之间相似性的个性化异构网络采样方法，并对节点进行表示学习。最后，将学习到的用户、商品表示向量输入到神经网络中进行训练，利用优化后的神经网络模型进行评分预测。实验结果表明:所提方法在YELP 13、Movielens 100k、Movielens 1m数据集上都有较高的准确率，对比常用方法，准确率提升6.5%以上。      

基于序列Monte Carlo技术的动态节点定位

无线传感器网络中目标节点定位的准确性与定位频次对跟踪与监视精度有着重要的影响.为了提高目标跟踪精度,需要研究高效的网络节点定位算法.在分析传统基于Bayesian估计过程定位的基础上,讨论可利用基于采样的序列Monte Carlo算法解决移动节点的自主定位的算法,研究了序列Monte Carlo算法在无线传感器网络节点定位中的应用.利用该方法无需对传感器网络的先验知识和对节点移动的假设,利用低密度种子节点得到定位的精度较高.理论分析和仿真实验表明,利用序列Monte Carlo算法进行定位能够充分利用移动性来提高定位的精度,Monte Carlo定位算法很大程度上提高了定位效率,能够更有效地利用传感信息,降低不确定性因素的影响.      

利用重要性贡献矩阵确定通信网中最重要节点

针对已有的节点重要性评价方法,基于节点的移除可能导致网络拓扑结构变化的不足,提出了一种利用节点间关联特性的通信网络节点重要性评价方法.该方法定义的节点重要性贡献矩阵(NICM,Node Importance Contribution Matrix)考虑了网络中不同节点间的联接关系对节点重要性的影响,每个节点对其相邻节点重要程度的贡献与该节点的度有关,节点的初始重要性设为该节点的介数.利用该算法对典型网络的节点重要性进行了分析,并且与移除节点的方法进行了对比.实验结果表明,所提出的算法无须考虑网络拓扑结构的变化,结果精确并能正确评价节点对网络资源的控制能力.     

基于社团结构节点重要性的网络可视化压缩布局

为有效展示网络的中观尺度结构,将力导引布局算法与网络社团结构特征相结合,提出了一种基于社团结构节点重要性的网络可视化压缩布局方法。首先,采用Louvain算法对网络进行多粒度社团结构划分;然后,通过计算社团结构中节点的拓扑势评估节点的重要性,保留社团结构中的重要节点,合并边缘节点,实现社团结构压缩;最后,采用力导引布局算法布局压缩网络节点,实现网络可视化的压缩布局。实验结果表明:所提方法在压缩节点和连边规模的基础上,能够完整保留原始网络的社团构成,并且通过保留社团结构代表点可以清晰展示社团内部结构,突出社团和重要节点在网络结构中的位置和作用。      

基于互相关算法的环境振动检测方法研究

为检测环境振动，构建巴特沃斯带通滤波器对环境中采集到的原始数据进行滤波，提出了邻近节点判定法，使用邻近节点构建节点网络来减小算法的时间与空间复杂度，分别计算每组网络节点的平均互相关系数，通过设定互相关阈值和台站数量阈值来判定环境振动。使用1108个检波器的数据对邻近节点判定法进行验证，并讨论算法中两类阈值对判定环境振动结果的影响，理论分析和实验结果表明，该方法可用于多节点的传感器网络，可以快速、准确地检测出环境振动。     

综合路由的无线传感器网络覆盖调度

利用目前公认为理论上最好的无线传感器网络集中式覆盖控制算法MCLC(Most-Constrained Least-Constraining),结合DD(Directed Diffusion)和LEACH(Low Energy Adaptive Clustering Hierarchy)路由协议,基于节点最小剩余能量调度覆盖集,观察最小剩余能量不同选取对节点能耗和均衡性以及网络生存期的影响.研究能耗均衡性和网络生存期的关系,提出了一种新的一般性能耗均衡的覆盖集调度的方法.仿真结果表明:所提方法可以有效提高网络生存期,同时为设计覆盖控制算法和覆盖集调度策略提供理论指导.      

基于复杂网络的车载自组织网络脆弱性分析

车载自组织网络(VANET)作为智能交通的重要基础应用，其安全稳定地运行是交通系统乃至社会经济可持续发展的需要。以最大连通度、连通分支平均规模、全局网络效率等参数为脆弱性测度指标，基于复杂网络理论，应用车辆仿真软件(VanetMobiSim)建立了VANET网络拓扑模型，详细研究了在随机攻击和蓄意攻击模式下脆弱性量化指标随节点移除比例的变化关系；通过仿真实验分析了节点密度、信号辐射半径及不同攻击策略对VANET脆弱性的影响。仿真结果表明:VANET在蓄意攻击下比较脆弱，基于节点介数的蓄意攻击效能最强；节点密度、信号辐射半径越小，VANET连通性越差，网络越脆弱。所提方法和结果为VANET拓扑控制优化和网络管理决策提供了理论依据。      

面向网络化制造的数控车间组织模式

分析了网络化制造的基本特征和内涵,提出了面向企业的网络化制造系统运行模式;在对某大型航空制造企业的数控车间调研与应用实施的基础上,针对其组织模式存在问题,采用分行企业和独立制造岛的思想建立了适合数控车间网络化、敏捷化制造的分形组织模型;针对车间原有生产模式、产品特性,提出了基于成组技术的数控车间生产单元和生产线的划分方法,建立了面向产品流程的机构组成规则和车间内部的服务支援规则.该模型、方法、原则对传统的离散制造企业具有普遍的适用性,现已成功地被该数控车间采纳.     

证据理论和神经网络结合的目标识别方法

提出用证据理论和神经网络结合的高分辨率雷达(HRR)目标识别方法,即首先把多个目标高分辨一维距离像送入学习矢量量化神经网络,进行目标类证据估计;然后用D-S证据理论对各次估计结果进行融合.提出了连续特征空间离散化及类支持度构造的方法,并分析了神经网络识别的误差原因.仿真实验结果表明,这种方法的输出正确识别率比仅仅使用矢量量化神经网络有较大的改善,抗噪能力也有所提高.     

基于神经网络动态逆的动力伞飞行控制方案

动力伞飞行控制系统为复杂的非线性系统,通过对神经网络逼近逆系统的原理分析,提出一种由静态神经网络和积分器组成的动态神经网络,设计了基于神经网络动态逆方法的飞行控制方案,进行了飞行仿真验证,结果表明该方法完全满足系统控制的稳定性和鲁棒性要求,并具有良好的抗干扰能力．     

基于起爆概率的无线电引信抗箔条干扰能力的量化表征方法

针对现有量化无线电引信抗箔条干扰方法的缺少，以防空导弹引信为例，结合箔条云运动轨迹模型和概率统计手段，提出基于起爆概率的无线电引信抗箔条干扰能力的量化表征方法。首先，在对单根箔条丝的螺旋下降运动进行分析的基础上，结合6-DOF非线性差分方程迭代计算得到箔条云的运动轨迹。其次，通过拟蒙特卡罗算法推导出箔条云的动态体密度函数，以箔条云的运动模型和动态体密度函数分别计算引信在箔条云近区干扰和远区干扰2种干扰作用下的不起爆概率。基于MATLAB构建箔条云轨迹模型，详细分析后得到箔条云动态的点分布模型，在此基础上利用拟蒙特卡罗方法得到箔条云的动态体密度函数，利用八叉树算法及最小二乘曲面法得到箔条云体积。最后，根据概率定义公式计算出箔条云干扰引信起爆概率。结果表明:所提方法客观、合理，为今后设计无线电引信抗箔条云干扰算法的启动条件提供了理论依据。      

结合自组织映射网络及三角形算法的星图识别方法

三角形方法是最经典且应用最广的星图识别方法之一,但是存在搜索范围大、匹配冗余、抗噪能力弱等问题。将神经网络技术应用到星图识别过程中,结合自组织映射网络（SOM）优秀的分类能力和三角形算法可靠的角距匹配能力,提出了一种新的识别方法。该方法基于邻近星的分布来构建每颗导航星的特征向量,将其作为SOM网络的输入向量,通过训练得到具有分类识别功能的网络及相应的三角形库。识别阶段,输入待识别星的特征向量,网络输出识别类,在该类对应的三角形库中应用三角形算法查找匹配三角形,完成星图识别。试验发现该方法减小三角形搜索范围、实现快速匹配的同时,提高了识别系统的抗噪能力,在全天识别过程中平均识别时间低于5ms,识别率在噪声标准差为0.025时仍高达99%。     

基于对抗和迁移学习的灾害天气卫星云图分类

针对卫星云图中的灾害天气数据存在严重不平衡问题，提出一个结合生成对抗学习（GAN）和迁移学习（TL）的卷积神经网络（CNN）框架以解决上述问题进而提高基于卫星云图的灾害天气分类精度。该框架主要包含基于GAN的数据均衡化模块和基于迁移学习的CNN分类模块。上述2个模块分别从数据和算法层面解决数据的类间不平衡问题，分别得到一个相对均衡的数据集和一个可在不同类别数据上提取相对均衡特征的分类模型，最终实现对卫星云图的分类，提高其中灾害天气的卫星云图类别分类准确率。与此同时所提方法在自建的大规模卫星云图数据上进行了测试，消融性和综合实验结果证明了所提数据均衡方法和迁移学习方法是有效的，且所提框架模型对各个灾害天气类别的分类精度都有显著提升。      

Optimization of communication network topology for navigation sharing among distributed satellites

Navigation sharing among distributed satellites is quite important for coordinated motion and collision avoidance. This paper proposes optimization methods of the communication network topology to achieve navigation sharing. The whole communication network constructing by inter-satellite links are considered as a topology graph. The aim of this paper is to find the communication network topology with minimum communication connections’ number (MCCN) in different conditions. It has found that the communication capacity and the number of channels are two key parameters affecting the results. The model of MCCN topology for navigation sharing is established and corresponding method is designed. Two main scenarios, viz., homogeneous case and heterogeneous case, are considered. For the homogeneous case where each member has the same communication capacity, it designs a construction method (Algorithm 1) to find the MCCN topology. For the heterogeneous case, it introduces a modified genetic algorithm (Algorithm 2) to find the MCCN topology. When considering the fact that the number of channels is limited, the Algorithm 2 is further modified by adding a penalized term in the fitness function. The effectiveness of these algorithms is all proved in theoretical. Three examples are further tested to illustrate the methods developed in this paper.     

基于卫星云图的大区域云层预测方法

云层覆盖是影响对地观测卫星成像的一个重要问题,如果遥感图像中云层比例太高,或者特定目标不可见,则遥感图像就会失效。对地观测卫星能够根据云层预测信息,在多个观测目标之间进行选择。面向对地观测卫星任务规划的应用,设计了大区域范围的短期云层预测方法,首先通过光流法获取云运动矢量,然后依据云运动矢量外推获得预测的云层图像,同时引入拉普拉斯算子刻画云层运动过程中的扩散现象,利用风云二号卫星的真实云图序列数据,通过神经网络的反向传播算法优化扩散因子,以提升云层预测的效果。通过对结果进行分析,引入的拉普拉斯算子方法能够提高云层预测的精度,80%分位数的云层覆盖率误差约为11.7%,该精度的云层预测可以用于指导对地观测卫星任务规划。     

基于深度学习的大型陨石坑识别方法研究

陨石坑是天体表面最为显著的地形特征，传统陨石坑识别方法主要是对小型陨石坑正负样本的二分类问题研究，且效率和精度均不高。以星体宏观视角下的大型陨石坑作为研究对象，结合图像处理和神经网络等方面的知识，创建了来自不同数据源的陨石坑样本数据库，研究了数据源对网络模型泛化能力的影响，提出了一种效率更高的陨石坑多分类识别方法。在非极大值抑制（NMS）算法基础上，提出了一种精度更高的陨石坑检测算法。经过参数优化和实验验证，构建的基于深度学习的多尺度多分类陨石坑自动识别网络框架取得了较高的准确率，在同源验证集上识别率可达0.985，在异源验证集上识别率可达0.863，并且有效改善了目标检测时检测框冗余及误检测的问题。