一种多分辨率图像目标检测算法

为解决航天遥感图像分辨率和目标尺度变化大的挑战,提出了一种基于多分辨率图像的目标检测算法。改进了自适应特征金字塔和轻量级的分类预测模块,通过使用注意力机制,从不同层次的特征图中提取语义信息。引入了一种预测目标尺度的方法,以分析图像中目标的分布和尺度信息。将算法在DOTA（Dataset for Object deTection in Aerial Images）数据集上进行了实验验证,在U-Net（一种基于卷积神经网络的语义分割算法）和ResNet-34（一种深度残差网络）两种不同的主干网络设置下,召回率和检测速度均超过了RPN（Region Proposal Network,区域提议网络）算法。提出的多分辨率图像目标检测算法能有效地提高检测精度,降低计算复杂度。     

基于三支决策和数据增广的入侵检测算法

针对传统的入侵检测方法在未知攻击上表现不佳、且没有考虑信息不足的情况对于决策的影响的问题,本文提出了一种基于三支决策和数据增广的入侵检测算法CGAN-3WD。算法利用条件生成对抗网络来满足三支决策理论对数据信息的需求。首先基于三支决策理论对网络行为做出决策,将网络行为划分至正域、负域以及边界域中;之后基于条件生成对抗神经网络来完成数据增广,生成新的样本数据,从而为分类器提供更多的信息以支撑分类器将边界域转化为正域或者负域。NSL-KDD数据集被用于本文的实验中,实验证明,本文提出的算法CGAN-3WD在对入侵行为的检测上要优于对比的方法,能够有效地检测出入侵行为。     

基于BP神经网络的随机信号筛选算法

在随机信号导航研究中,可接收到的信号数量众多、种类繁杂、特征多样,难以从中选择出适用于导航的信号。针对随机信号的筛选问题,提出了一种基于BP神经网络的随机信号筛选算法。该算法通过输入随机信号的特征信息,对随机信号的定位误差进行了估计,通过定位信息的误差对将信号用于导航的效果进行了评估。仿真结果表明,该算法能够对由随机信号解算而得到的导航信息误差进行估计,可以达到较好的筛选效果。     

无线传感器网络中故障节点检测与修复方法综述

无线传感器网络WSNs(Wireless Sensor Networks)的网络故障节点问题已引起人们的极大关注.针对这个问题,将修复方法分为可连通情境下修复和非连通情境下修复,并将二者进行对比分析,对不同类型的故障节点检测算法进行了归纳,最后对无线传感器网络中故障节点检测与修复的发展进行展望.     

基于多个前向神经网络和遗传算法的边界检测法

本文提出了一种基于前向神经网络和遗传算法的图象边界检测方法,这种方法由多个三层子前向神经网络并置连接加一个ＭＡＸＮＥＴ子神经网络形成,每个前向神经子网络的隐含层神经元个数和所有人权重系数由遗传算法优化确定,实验结果表明,本文提出了这咱边界检测方法抗噪声能力强,检测到的这界位置更为准确。     

网络化战争中的复杂网络拓扑建模

网络化战争中网络拓扑模型的构建是利用复杂网络理论研究网络化战争的基础。本文根据网络化战争的特点,从复杂网络动力学角度,对BA模型进行扩展,通过在节点分类和连接规则两方面增添假设,构建了网络化战争中的复杂网络拓扑模型。仿真结果表明,在该演化规则下生成的网络具有无尺度和小世界特性。对网络模型抗毁性的研究为网络化战争中攻击节点的选择及网络的构建和改进提供理论依据。     

带有广义不确定性的导弹非线性控制系统设计

 在导弹系统存在广义不确定性情况下,提出了一种基于反演设计技术和RBF神经网络的导弹非线性自适应控制系统设计方法。设计过程中将不确定性对系统的影响合成为一项,然后应用RBF神经网络消除了其对系统的影响,有效地解决了控制系数矩阵未知时控制器设计问题,同时放松了现有文献中对控制系数矩阵不确定性的要求。应用Lypunov稳定性定理推导出神经网络权重矩阵的自适应调节律,并证明了闭环系统的所有信号均有界且指数收敛至系统原点的一个邻域。最后给出的BTT导弹非线性六自由度数字仿真结果验证了该算法的有效性。     

利用人工神经网络预报大磁暴

本文采用阈值预报的策略和人工神经网络BP模型,以13个太阳风参量和地磁AE,Dst指数作为输入,以0或1作为输出,提前4h预报大磁暴主相发生的时刻．结果表明,采用神经网络方法的阈值预报可以对灾害性磁暴的发生提前数小时做出比较准确的预报．     

DIS系统中的DR算法与参数递推

DIS 作为一项现代仿真技术,在多兵种、多种武器平台的联合作战仿真与训练演习方面有着极其重要的作用,而DR技术是构造DIS系统的关键技术之一.本文首先介绍了采用DR技术的意义及特点,以及通常采用的DR算法.然后介绍一种本文采用的参数递推算法.这种算法基于二阶传递函数思想,含有自然频率和阻尼系数这两个特征参数,特征参数可由前三帧的状态值实时计算得到.文章最后对算法优劣进行了评价,并给出了仿真运行结论.     

非结构化数据的多粒度集成分类方法

深度学习模型已经在文本和图像等分类任务上取得了不错的效果,然而深度学习模型很难为分类结果提供可解释性。本文提出一种非结构化数据的多粒度集成分类方法,与其他学习方法相比,多粒度集成分类方法能够保留数据的上下文信息。在多粒度集成分类方法中,数据被划分成不同的粒度,用于训练不同的基学习器,这些学习结果为集成模型最后的分类提供了可解释性。基学习器根据它们在验证集上的精度被赋予不同的权重,从而构造出一个较好的集成学习器。在实验中,本文验证了所提出模型在3种非结构化数据类型（文本、医学图像和时间序列）上的有效性。实验结果表明, 本文的模型比现有的基准方法简单,具有较好的分类精度,并且能够为数据的分类提供可解释性。