基于BP神经网络的水下对抗预测模型研究

针对水下平台水下对抗作战量化验证评估困难、指导机动规避作战模型欠缺等问题,设计了一种基于大数据学习的水下对抗预测模型。首先进行水下平台水下对抗建模,基于蒙特卡洛方法执行若干轮次仿真获得规避概率数据集;同时,为解决海量仿真下时间效率不佳的问题,提出利用BP神经网络预测算法进行数据学习,提供准确、快速、可视化的对抗结果。试验结果表明,在本文设定的试验环境下,基于BP神经网络预测算法的平均预测误差为7.28%,可有效对水下平台规避概率进行预测,为指挥员指挥决策提供数据支撑。

面向知识图谱的知识推理综述

随着智能化水平的不断提高,每时每刻都有大量的新知识产生,知识图谱逐渐成为我们管理知识的工具之一.但现有的知识图谱仍然存在属性缺失、关系稀疏等问题,同时还存在大量噪声信息,导致图谱质量不佳,易对自然语言处理领域中的各类任务造成影响.面向知识图谱的知识推理技术作为目前的研究热点,是解决该问题的主要方法,其通过模拟人的推理过程完成对图谱信息的完善,在众多应用中有较好表现.以知识图谱为切入点,将知识推理技术按类别划分并分别阐释,详细分析该技术的几种应用任务,例如智能问答、推荐系统等,最后对未来主要研究方向进行展望,提出几种研究思路.

融合语义路径与语言模型的元学习知识推理框架

针对传统推理方法无法兼顾计算能力与可解释性,同时在小样本场景下难以实现知识的快速学习等问题,该文设计一款融合语义路径与双向Transformer编码(BERT)的模型无关元学习(MAML)推理框架,该框架由基训练和元训练两个阶段构成。基训练阶段,将图谱推理实例用语义路径表示,并代入BERT模型微调计算链接概率,离线保存推理经验;元训练阶段,该框架基于多种关系的基训练过程获得梯度元信息,实现初始权值优化,完成小样本下知识的快速学习。实验表明,基训练推理框架在链接预测与事实预测任务中多项指标高于平均水平,同时元学习框架可以实现部分小样本推理问题的快速收敛。

双向循环进化的实体链接及知识推理框架

为体系化、智能化提升自然语言处理中实体链接任务的准确率,同时解决图谱噪声混杂、关系稀疏等问题,基于第三代人工智能知识&数据双轮驱动思想提出一种双向循环进化的实体链接与知识推理框架。基于知识图谱下的实体链接技术设计正向进化模块,基于知识推理与元学习等技术设计反向进化模块,多次循环双向控制过程实现两任务在弱监督下自我迭代和智能升级。实验表明,在模块化设计加持下,该框架可从特定领域文本习得特定领域知识,并实现快速增量更新,有效提升实体链接、知识推理效率;同时兼具开放性,为各业务领域小样本下文本分析能力的迭代升级提供新方法。

面向指挥员关注的聚类推荐模型

信息技术快速发展的条件下海量军事信息的大量涌现,人工查阅情报的传统方法已经不再适用,而人工制定或自动挖掘的关联规则难以捕获指挥员的关注方向,从而限制了大规模军事信息处理的性能。为了对不同关注点的指挥员提供个性化的信息推荐,文章提出了一种面向指挥员关注的基于强化学习的聚类推荐模型,通过强化学习从特定指挥员近期关注内容中学习到其行为模式,并使用聚类模型将尚未查看的信息推送到对应的指挥员,实现了从无差别信息共享到考虑角色关注的个性化关联目标。在真实世界的新闻数据集上验证表明,该模型针对具体指挥员进行新闻推荐的准确率较高。

关联分类CBA算法识别机载火控雷达工作模式

对敌机载火控雷达工作模式的识别与分析,在威胁等级判别、干扰样式选择、电子战辅助决策支持等方面具有重要军事应用价值。因此,针对机载火控雷达工作模式与参数复杂繁多、自动识别准确率不高等问题,提出了一种基于关联分类CBA算法的判定方法,并应用k-折交叉验证法进行验证。该方法从已建立的非协作雷达信号特征库中选择训练样本,基于扫描特征和信号样式应用关联分类CBA算法,即采用迭代方法挖掘特征中的频繁项集,并在此基础上启发式地构建分类器。以机载火控雷达4种空空工作模式为例进行了仿真实验,结果表明:该识别方法对不同的工作状态具有较高的识别准确率。