气象雷达探鸟技术综述

气象雷达组网特别适用于大陆范围内鸟类大规模活动的观测。首先介绍了美国和欧洲相对成熟的基于气象雷达组网的鸟情预警系统，并对二者的性能进行了对比分析。然后，从目标回波幅度、高度分布、飞行速度和方向等方面分析了气象雷达飞鸟目标的回波特性，进而讨论了杂波抑制、气象信息剔除、飞鸟目标特征提取、机器学习、交叉验证等气象雷达鸟情信息提取技术。在此基础上，介绍了气象雷达组网探鸟在鸟类生态学研究和鸟击防范方面的应用。最后，从探测覆盖范围和气象雷达系统性能2个方面，讨论了在中国建立基于气象雷达组网的全国鸟情预警系统的初步构想。     

基于机器学习的导弹干扰试验效果评估实证研究

针对复杂电磁环境下导弹干扰试验影响因素众多,难以量化,试验数据采集困难以及实验数据中普遍存在类不平衡等问题,基于机器学习创建导弹试验干扰效果评估模型,采用随机森林、支持向量机、朴素贝叶斯、多层感知机等常见模型对导弹试验干扰效果进行评估。特别针对小数据样本中的类不平衡问题提出 2阶段分类模型,采用过采样方式解决类不平衡问题并采用随机森林进行分类。基于开源的导弹干扰效果评估数据,通过实证研究说明,基于过采样的随机森林模型在干扰效果评估问题中具有较强的泛化能力和鲁棒性,在 AUC指标上,该模型比多层感知机模型在中位数上最多提高 60%,建议在后续的试验中采用该模型进行导弹干扰效果评估。     

一种适用于航天器某些故障诊断的知识获取方法

尽可能快地找出航天器在工作过程中出现的故障，采取补救措施，可减少或避免重大损失。故障诊断专家系统可帮助人们作出快速诊断，但它的诊断准确率主要取决于其知识的正确性。以往这些知识是靠领域专家给出的。本文根据航天器某些故障的特点，提出了一种处理连续变元示例的知识自动获取方法，用这种方法获取的诊断故障的规则，在实践中检验是正确的     

人工智能在OODA 循环中的应用

当前人工智能(AI) 是商业和工业，甚至军事应用领域中最热门的流行语。军事国防领域也已经将人 工智能发展成为了一种技术，并应用到军事作战和决策系统中。最初OODA 循环是最知名的空战战术模型， 后来发展成为各国空军的作战方法。OODA 循环对于任务的定义和决策过程的理解起到了重要的作用。本文主 要研究了人工智能在OODA 循环决策中的应用。讨论了未来OODA 循环各阶段中所需的AI 作用和技术，包 括可解释的人工智能和基于学习的人工智能。     

结合颅骨形态特征与神经网络的民族判别

针对颅骨民族判别问题，提出结合颅骨形态特征与神经网络的判别方法，可以推进法医人类学的发展，加快探索民族发展历程。首先，根据颅骨形态学相关研究，提取36个维吾尔族和汉族颅骨数据的几何特征；其次，采用反向传播神经网络（BPNN）对特征向量进行民族判别，并通过Adam算法对网络进行优化，避免陷入局部最优值，添加正则化项保证算法稳定性；最后，分别采用2种网络结构进行对比实验，输入层、隐藏层和输出层的神经元个数分别为36、6、2和36、12、2，并设置不同初始学习率进行对比实验。结果表明:隐藏层神经元个数为12、学习率为0.000 1时，分类精度最高，测试阶段平均准确率最高为97.5%。为了验证所提方法的普适性，生成116例国外颅骨数据进行实验，测试阶段平均准确率为90.96%。相比较于支持向量机（SVM）、决策树、KNN、Fisher等机器学习方法，所提方法学习能力更强且分类精度有明显提升。      

基于高斯过程回归的连续式风洞马赫数控制

在风洞实验中保持实验段马赫数的稳定对实验的成功具有重要意义。传统的PID控制算法具有一定时滞性,不能满足连续变迎角实验模式下马赫数的控制精度要求。针对这一缺陷,提出了一种基于高斯过程回归的前馈控制策略,结合PID控制器共同完成马赫数控制任务。首先,对原始数据执行了预处理操作,将数据集中的异常数据进行清洗并且对清洗后的数据进行标准化;其次,选取迎角、实时马赫数、实验段截面积作为高斯过程回归模型的输入,压缩机转速作为输出,采用随机划分数据集与分组划分数据集两种策略进行建模,并将高斯过程回归与常用回归模型的预测精度进行了比较;最后,给出了利用高斯过程回归预测结果及预测置信度进行PID反馈控制的方法。实验结果表明高斯过程回归对风洞实验数据具有很好的建模能力,基于高斯过程回归的前馈控制与PID结合的控制策略能够提高连续变迎角模式下的马赫数控制精度。     

基于推演式聚类学习算法的卫星健康状态监视系统

提出一种基于推演式聚类学习算法的卫星通用健康状态监视系统,应用卫星运行数据构建多维空间向量集,通过聚类生成健康状态知识库,可以实时监视卫星遥测状态。使用某卫星热控分系统的测试数据对该系统的有效性进行了验证,结果表明:该系统具有较好的卫星异常健康状态识别与评估的能力和准确度,可为卫星健康状态监视手段的选择提供参考。     

基于聚类的多标记选择性集成

多标记学习和选择性集成是机器学习中的两个热点研究问题。本文利用聚类思想探究多标记学习中的选择性集成， 提出了两种具体的多标记选择性集成算法：基于最小距离的簇中心选择算法（Minimum distance based cluster center selection，MDCCS）和基于K-means的簇中心选择算法（K-means based cluster center selection， KMCCS）。在所提出的算法中，如何度量学习器之间的距离是其能否成功的关键因素。本文首先基于学习器的分类结果对其进行重新表示，在此基础上给出了学习器之间距离的计算方式。此外， 对于算法中的空簇问题给出了两种解决方法。基于Mulan数据库中的多标记数据集和5种评价指标对所提算法进行了详细的分析，实验结果表明了所提算法的有效性。     

基于条件随机场的实时入侵检测系统框架实现

入侵检测系统（IDS）如今是网络的重要组成部分,现在各种无线网络及专用网络都已配备检测系统。随着网络技术的迅猛发展,入侵检测的技术已经从简单的签名匹配发展成能充分利用上下文信息的基于异常和混合的检测方式。为了从网络环境大量记录信息中正确有效地识别出入侵,提出一种基于层叠条件随机场模型的入侵检测框架,该框架针对4类不同攻...     

基于极限学习机的修正当前统计模型跟踪算法

针对当前统计(Current Statistical,CS)模型由于先验知识的缺乏和其结构特点导致的跟踪精度降低的问题,通过使用极限学习机(Extreme Learning Machine,ELM)并根据目标历史状态信息,实时估计并修正CS模型的加速度估计值,提出了基于ELM的修正CS模型跟踪算法.ELM的训练结果表明...