基于粗糙集特征选择的过拟合现象及应对策略

在粗糙集方法中,利用向前启发式算法进行特征选择,是一个逐步加入重要度最高的特征的过程,直至满足所给定的约束条件。但使用这一策略选择出来的特征子集有可能产生过拟合现象。鉴于此,设计了一种新的启发式算法,其主要思想是借助交叉验证的方法对特征的重要度进行计算,当过拟合出现时,则采用截断式机制终止算法。使用邻域粗糙集模型,在UCI数据集上将启发式算法与所提算法进行对比分析,实验结果表明:所提算法能够有效地降低过拟合的程度;利用所提算法得到的特征子集能够带来更好的分类性能。     

基于特征线理论的旋转爆震流场结构特征研究

特征线理论及其计算方法是气体动力学的经典理论与方法,应用于旋转爆震流场分析具有简单高效的特点。将坐标系建立在爆震波上,对旋转爆震流场进行简化,采用特征线理论并结合流场计算单元过程,建立旋转爆震流场计算模型。研究了当量比和喷注参数对氢气/空气、甲烷/空气以及辛烷/空气3种不同预混气的旋转爆震流场结构特征的影响。结果表明:爆震波高度和倾斜角度受混气当量比和喷注总温影响明显;燃料由小分子氢燃料变为大分子碳氢燃料时,爆震波高度和倾斜角度逐渐减小;混气当量比和喷注总温主要通过影响爆震波传播速度、高度和倾斜角度而影响爆震波后宏观流场特征趋势。     

高性能产品(零件)制造技术特征现状的研究分析

系统分析各类高性能制造以注重零件的几何尺寸精度所带来的问题,即在具备超精密、高精度加工能力后,由"合格的高精度零件"装配出的产品至今依然还是合格率低、参数稳定性差的本质内因.首次从零件制造微观角度提出了产品生产合格率低、参数稳定性差是由零件表面微观特征与产品技术特征非匹配性导致的,提出了全新的产品制造理念,从注重零件的几何尺寸精度向关注零件制造微观工艺特征与产品技术特征的匹配性和符合性转变.形成和建立起我国自主创新的高性能产品制造思想和产品制造工艺技术体系,才能从根本上解决产品生产制造合格率低、参数稳定性差等问题,才能形成有继承性、可持续、稳定的产品制造技术体系,而这一切是工业4.0制造模式无法解决的.     

PCA在雷达目标识别中的应用研究

研究了宽带高分辨雷达目标识别中的特征压缩问题.首先提取目标一维距离像双谱特征,然后应用主元分析法(PCA)降低目标特征维数,最后利用支持向量机对3类实测目标数据进行识别.实验结果表明,对雷达目标识别来讲,PCA是一种可行的特征压缩方法.     

一种新的重频特征识别方法

针对雷达脉冲重复间隔类型识别中存在的问题,提出了一种结合神经网络技术的重频识别方法.该方法分别对7种雷达重频模式,提出了新的特征矢量提取方法,并引用神经网络进行识别.实际仿真结果表明该方法是有效的,特别是对重频固定、重频滑变及重频抖动模式在高漏脉冲率的条件下依然具有较高的正确识别率.     

基于距离像特征的复合速度估计算法研究

首先分析了步进频率宽带信号混频处理原理和目标速度对距离像的影响。在此基础上,提出了基于距离像熵和距离像对比度的速度估计算法,详细分析了这两种算法的数学原理、步骤、效果、适用条件等。最后,基于这两种算法又提出了复合速度估计算法,大大提高了速度估计精度。     

基于特征模型的火箭发动机伺服控制系统设计

以新型大推力火箭发动机为研究对象,提出了基于特征模型的伺服系统控制器设计方法。首先,介绍了特征建模理论并讨论了特征模型参数范围;其次,采用人工蜂群算法实时估计火箭发动机伺服系统特征模型参数,使其满足特征模型输出与实际系统输出特性等价条件;最后,使用黄金分割自适应控制律保证系统在参数估计过程中的闭环稳定性,同时引入前馈跟踪控制律,逻辑积分控制律和逻辑微分控制律使伺服控制系统快速、精确跟踪线位移指令并改善动态性能。仿真结果表明,设计的火箭发动机伺服控制系统指令跟踪精度高,动态特性良好,鲁棒性强。     

基于开源GIS数据的广域小重叠卫星影像定位模型精化

设计了一种适用于大区域、小重叠卫星影像有理多项式模型(RPC)定位精度优化的技术流程,基于开源数字正射影像(DOM)、数字高程模型(DEM)数据和RPC几何模型约束,通过优化尺度不变特征变换(SIFT)特征提取与匹配算法,实现了无像幅约束的控制点和连接点的快速稳健匹配,应用DEM支持下的RPC模型二维区域网方法实现了多景影像RPC模型精度的联合精化。GF-1卫星WFV影像的实验结果表明:在DEM支持下经过区域网平差后,RPC模型的定位精度可达到像素级水平。     

一种计算二维图象矩的神经网络方法

提出一种计算二维图象矩的神经网络方法,首先,导出一维信号矩与一维Ｈａｄａｍａｒｄ变换之间的关系。通过２Ｎ－一维Ｈａｄａｍａｒｄ变换和极少量加法,移位及乘法运行可计算二维图象矩。然后给出用Ｔａｎｋ－Ｈｏｐｆｉｅｌｄ神经网络实现Ｈａｄａｍａｒｄ变换的方法,并对该网络作了改进。     

时空轨迹多维特征融合的行为规律挖掘算法

在预警监视系统中，利用数据挖掘技术可以从海量的目标时空轨迹数据中挖掘出目标的行为规律，实现态势信息的智能感知。目前大部分行为规律挖掘方法仅考虑目标轨迹的空间位置信息，忽略了航向和速度信息，因此难以区分空间位置相似但运动速度和方向不同的行为。除此之外，轨迹聚类算法普遍存在参数设置复杂的问题，而且容易受到轨迹行为分布密度的影响。针对上述问题，首先，通过构造时间滑窗定义了时空Hausdorff距离，可度量时空轨迹多维特征差异；其次，结合k最近邻和密度峰值聚类中决策图的思想，提出了时空轨迹多维特征融合的行为规律挖掘算法；最后，使用仿真飞行器轨迹和实测雷达轨迹数据进行实验分析和验证，结果表明在典型应用场景下本文算法可以准确地挖掘出目标所有行为规律，在智能监视任务中具有较好的应用前景。