武器装备研制项目管理知识体系框架

主要通过对武器装备研制项目管理的研究,在分析对比了武器装备研制项目管理和一般项目管理的联系与区别的基础上,提出了基于武器装备全寿命周期、全过程、全方位管理所需的武器装备研制项目管理知识体系的框(WE-PMBOK),该体系框架具有模块化、结构化的特点。     

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。      

舰载机远程维修支援系统功能设计研究

舰载机维修支援是遂行远洋任务的保障基础,多机种、长航时、高强度前推,维修保障能力跟不上、修理难问题凸显。针对短板弱项,基于AR增强现实及知识图谱等技术,提出远程维修技术支援系统的功能构想,当舰基保障不足以协助维修人员完成检修任务时,可通过系统连线远程专家会商、智能引导提供支援。     

基于案例知识的系统安全风险模型

对基于案例知识的系统安全风险模型进行了研究。首先,建立了系统安全事件案例知识表达模型。其次,研究了系统知识表达的不确定性问题,以及安全风险决策者的决策类型对度量不确定性的需求;基于现有安全风险模型对不确定性度量能力的欠缺,提出了基于案例知识的系统安全风险概念模型,用损失可能性、损失程度和损失的不确定性来表征系统安全风险。在此基础上,研究了该安全风险模型的建模方法,并举例证明了该模型的有效性。最后,对机长飞行安全风险进行了研究,选取机长年龄、累计飞行小时以及近90天飞行小时3个指标作为风险因子,应用本文所建基于案例知识的系统安全风险模型,评估了机长飞行安全风险,评估结果合理,可为民航放飞决策提供参考。     

首届中国航天质量奖颁奖大会开幕词

在两个集团公司的共同关心和支持下,经过一年多的辛勤努力,首届中国航天质量奖在今天诞生了。在此我代表航天质协,首先对获奖的单位表示热烈的祝贺!对给予关心和支持的各级领导、付出智慧和汗水的专家与工作人员,表示衷心的感谢!设立中国航天质量奖,是在航天质协第六届一次理事会上提出的,并由两个集团公司共     

基于多模态掩码Transformer网络的社会事件分类

多模态社会事件分类的关键是充分且准确地利用图像和文字2种模态的特征。然而,现有的大多数方法存在以下局限性：简单地将事件的图像特征和文本特征连接起来,不同模态之间存在不相关的上下文信息导致相互干扰。因此,仅仅考虑多模态数据模态间的关系是不够的,还要考虑模态之间不相关的上下文信息（即区域或单词）。为克服这些局限性,提出一种新颖的基于多模态掩码Transformer网络（MMTN）模型的社会事件分类方法。通过图-文编码网络来学习文本和图像的更好的表示。将获得的图像和文本表示输入多模态掩码Transformer网络来融合多模态信息,并通过计算多模态信息之间的相似性,对多模态信息的模态间的关系进行建模,掩盖模态之间的不相关上下文。在2个基准数据集上的大量实验表明：所提模型达到了最先进的性能。     

联合方面注意力交互的图文方面类情感识别

随着多媒体的快速发展,单纯采用文本的方面类情感分析,不能准确识别用户所表达的情感。而现有图文数据的方面类情感分析方法仅考虑图文模态间的交互,忽略图文数据的不一致性和相关性。因此,提出联合方面注意力交互网络(JAAIN)模型的图文方面类情感识别方法。所提方法针对图文数据的不一致性与相关性,通过多层次融合方面信息和图文信息,去除与给定方面无关的文本和图像,增强给定方面的图文模态数据的情感表示,将文本数据情感表示、图像数据情感表示及方面类情感表示进行拼接融合与全连接,实现图文方面类情感判别。在数据集MultiZOL上进行实验,实验结果表明：所提模型能够提升图文方面类情感判别的性能。     

基于压缩协作表示的辐射源识别算法

针对低信噪比（SNR）条件下传统辐射源识别算法性能下降的问题,提出了基于压缩协作表示的识别算法,分别从特征提取和分类器设计两方面进行描述。首先将时域辐射源信号变换到二维时频域,通过图像处理方法提取高维特征列向量。经随机矩阵压缩到一定维度后,输入到提出的压缩协作表示分类器中得到识别结果。进而,对协作表示系数进行非负约束,提出了更符合实际应用场景的算法。仿真结果验证了所提算法的可行性与有效性,且在低信噪比条件下稳健性强、抗噪声干扰性能好、计算量较小、易于工程实现。     

基于优化字典学习算法的压缩数据收集

为了提高压缩数据收集对多样化传感数据的适应能力,同时抑制环境噪声对数据收集精度的影响,提出了一种优化字典学习算法来构造压缩数据收集中的稀疏字典。理论分析表明在压缩数据收集中由环境噪声导致的数据收集误差和稀疏字典的自相干程度正相关。为此在字典学习的过程中引入了自相干惩罚项来抑制环境噪声对数据收集精度的影响。该惩罚项还能减少字典学习过程中对训练数据的过拟合,从而进一步提高了该算法的稀疏表示能力。实验表明,该算法的稀疏表示能力高于同类字典学习算法,而且能有效地抑制环境噪声对压缩数据收集精度的影响。      

基于权值分配及多特征表示的在线多示例学习跟踪

针对复杂环境下目标跟踪过程中由于遮挡、目标姿势及光照条件变化引起跟踪漂移的问题,提出一种基于多示例学习（MIL）框架的在线视觉目标跟踪算法。该算法针对多示例跟踪算法采用单一haar-like特征不能准确描述目标外观变化及在学习过程中对样本包中各正负样本示例采用相同权值,忽略不同正负样本示例在学习过程中对包的重要性不同的特点,采用多特征联合表示目标外观构造分类器,通过将多特征互补特性融入在线多示例学习过程中,利用多特征的互补属性建立准确的目标外观模型,克服在线多示例跟踪算法对目标外观变化描述不足的问题;同时,依据不同正负样本示例对样本包的重要程度进行权值分配,提高跟踪精度。实验结果表明,本文跟踪算法对场景光线剧烈变化、遮挡、尺度变化及平面旋转等干扰具有较强的跟踪鲁棒性,通过对不同视频序列进行测试,文中算法在5组测试视频序列上的平均中心位置误差远小于对比增量式学习跟踪,仅为10.14像素,其对比算法IVT、MIL和OAB的中心位置误差分别为17.99、20.29和33.64像素。