基于证据网络因果分析的空中目标意图识别

目标意图及时准确的估计对战场指挥决策具有重要的影响。考虑到战场环境复杂多变,其检测数据、信息、知识具有较高的随机性和认知不确定性,本文面向目标意图知识推理,基于结构因果模型,利用证据网络在不确定性处理方面的推理优势,提出了一种基于证据网络因果效应分析的空中目标意图识别方法。该方法通过d-分离检验构建兼容信息特性与意图多样性的因果证据网络模型,使模型同时考虑领域知识和数据间的条件独立关系,并将认知不确定性内嵌于推理引擎中,推理实现不确定战场环境下空中目标意图估计。此外,基于提出的因果证据网络模型和干预算子计算目标意图与属性之间的因果效应,挖掘目标意图估计蕴含的因果逻辑关系。仿真分析表明：本文提出的方法能够同时处理随机不确定性与认知不确定性,克服了传统意图识别方法缺乏因果分析的缺陷,是对目标意图和战场态势要素的深层次认知,实现了意图识别的“由果溯因”和“由因识果”。     

基于眼动数据的网络搜索行为预测方法

预测用户的网络搜索行为对改进搜索引擎和提升用户体验十分重要.现有大多数方法是基于用户的交互数据,如查询、点击和鼠标移动等.提出一种基于眼动数据的用户网络搜索行为预测方法.通过眼动实验,采集用户在网络搜索任务时的眼睛运动数据,将这些数据转化成两种数据格式:直方图和序列.直方图数据描述用户注意力的分布情况,序列数据呈现用户的扫视路径.使用4种学习算法对用户决策或用户意图进行预测,同时研究两种数据格式的性能.结果显示,两种数据格式均适合于预测用户决策,而序列数据更适合于预测用户意图.该结果表明,利用眼动数据能够有效预测网络搜索行为.      

基于Markov Chain Monte Carlo的幂律过程的Bayesian分析

在多种合理的无信息先验分布下,基于Markov Chain Monte Carlo方法,提出了一种简单且易于抽样的幂律过程的Bayesian分析方法.所提方法将失效、时间截尾数据统一分析,能快捷地获取幂律过程模型参数的Markov Chain Monte Carlo样本,利用该样本不但能直接给出模型参数函数的后验分布,还能给出单样预测和双样预测的分析.一个经典工程数值算例说明了所提方法的可行性、合理性与有效性.该方法具有一定的优越性,可为小子样可靠性增长分析提供一种值得参考的方法.      

基于搜索意图交互的无人机集群协同搜索算法

针对无先验信息条件下无人机集群的协同搜索问题,提出一种以覆盖率为引导,以机间安全距离、通信距离、偏航角调整及搜索边界等为约束的无人机集群协同搜索算法。通过建立环境地图矩阵对任务区域进行描述,进一步定义环境地图更新算子实现搜索过程中环境地图的快速更新。设计了集群协同搜索任务的回报函数,采用粒子群算法进行求解,得到每架无人机在已知环境地图下的最优决策,即决策意图。每架无人机在获取其他成员决策意图的基础上重新进行决策,实现协同决策。针对不同规模集群提出了集中式和分布式2种协同决策方案。仿真结果表明,所提算法能够对存在未知威胁的不规则任务区域进行有效覆盖搜索,覆盖率远高于不进行协同决策的个体决策方法。      

断裂韧性可靠性分析的相似计算法

根据断裂力学原理，动用相似理论求出断裂韧性ＫＩＣ〉ＧＩＣ，ＪＩＣ和δＣ之间的相似指标，然后利用正态函数的加法定理，对断裂韧性分散性进行相似计算，从而可以根据已知的断裂韧性随机信息，对难以求解或未知的其它断裂韧性参数进行可靠性分析和推断。计算介绍了一些实际应用。     

西门子新3D SYNC软件独有的同步技术助力主流CAD产业

2012年12月27日,西门子众多专利之一的同步技术如今可造福任何品牌计算机辅助设计(CAD)应用软件的用户。Siemens PLM Software为主流市场引进了一种新型3DCAD编辑工具,以同步技术为基础,经验证在对导入的CAD数据进行操作时效率可提高10倍以上。西门子的新3DSync应用软件现已上市,并可在2013年5月15日前免费使用。由于同步技术能够查询导入的3D模型,识别设计意图,并自动应用合适     

基于深度学习的融合空域空管指令语义解析技术

随着无人机技术的快速发展,无人机数量与空域需求显著增长,无人机进入融合空域成为趋势。为改进传统的“人在回路”空管模式,提高融合空域的管控效率,对深度学习方法用于空管指令解析进行了研究。根据空管用语的特点对指令进行整理、扩充、分类和标注,编写了可用于自然语言理解模型学习的空管指令数据集。使用BiGRU-CRF模型作为深度学习的基础架构,加入注意力机制与意图反馈机制构建联合模型获取指令意图及指令参数。分别在空管指令数据集和ATIS数据集上进行了评估,结果表明模型在意图识别和槽填充任务较基础架构均有近1.5%的提升,证明论文方法具备实用性和有效性,为无人机自然语言指控技术的发展提供了有力支撑。     

基于LDA的航线潜在价值挖掘模型

在分析了传统的主题模型后提出了一种基于LDA的航线潜在价值挖掘模型。该模型将旅客出行行为的分析划分成两个阶段,出行意图的确定及出行意图下航线的选择,并与旅客价值进行融合来挖掘航线的潜在价值。出行意图采用Gibbs sampling方法从旅客出行记录中获取,航线则在旅客确定出行意图后由出行意图的航线向量获得,旅客价值则结合出行中的舱位信息进行提取。在中国民航旅客订票数据集上的实验表明,本文模型在2010年和2011年两个数据集上获得的两组航线潜在价值序列比pLSI模型和senLDA模型获得的两组航线潜在价值序列都拥有更好的有序相关性,且在挖掘排名前5的航线潜在价值时,本文模型在该两个数据集上获得了两组完全一致的航线潜在价值序列,表明其在挖掘高潜在价值航线方面的优势。