一种基于深度生成模型的ADS-B信号增强和目标识别方法

自动相关监视广播数据(automatic dependent surveillance-broadcast,ADS-B)信号在航空领域通信中占据非常重要的地位,其检测、分析对航空运输安全保障意义重大。ADS-B信号常常带有噪声或干扰,这使得直接解码的准确性受到影响。为了更好地捕捉ADS-B信号的信息提升其准确性,提出了EASTR深度学习模型。所提模型首先使用基于非因果扩张卷积和残差网络结构的方法,对原始含噪ADS-B信号进行降噪与增强;随后,经过降噪处理的信号被转换为星群图像,再利用多层感知机进行分类识别。收集了5000条来自不同飞机的ADS-B信号数据,在此数据集上将EASTR与其他同类模型进行比较。实验结果表明:不同信噪比下EASTR均在准确率上优于其他模型。通过消融实验验证了数据增强模块的效能。

基于卡尔曼滤波算法展开的飞行目标轨迹预测

目标轨迹预测是保证目标航行安全、规划飞行航迹和搜寻空中目标等任务的关键技术,在军事和交通管制等方面具有重要意义。针对传统飞行目标轨迹预测方法模型较为简化且预测精度较低的问题,提出了基于卡尔曼滤波算法展开的深度神经网络模型,用于飞行目标的轨迹预测任务。该模型通过长短时记忆(long short-term memory, LSTM)网络从目标的航迹数据中学习目标的运动状态,再利用卡尔曼滤波算法对LSTM预测的目标状态估计值进行动态修正,其有效结合了卡尔曼滤波算法和深度神经网络各自的优势。在仿真数据和真实数据上的实验验证了所提模型较其他网络模型对飞行目标轨迹预测的准确性和有效性优势。

情报预测概念内涵与技术发展

情报分析是情报工作的核心,情报预测是情报分析的难点,是进行决策和行动的重要依据。探讨情报预测的概念内涵与技术发展,对大数据和人工智能等先进技术的科学应用以及未来研究具有重要意义。通过描述性研究、概念分析、资料总结等方法,对情报预测的概念和流程进行了剖析,提炼总结了一种包括预测对象、预测内容的情报预测问题描述框架,并按照理论-方法-工具三个层次对现有的机器定量预测方法体系进行了分析。情报预测包括业务和技术两个维度,清晰明确的问题定义是大数据和人工智能等先进技术发挥作用的重要前提。目前,机器定量预测方法以机器学习、深度学习为主,大大提高了机器解决情报预测问题的能力,未来将向神经符号计算方向拓展。

面向作战的侦察情报数据仿真系统设计

针对作战对抗环境下侦察情报数据仿真模拟需求,重点从组件化仿真建模与多维想定编辑入手,提出了一种灵活、可配置的侦察情报数据仿真系统设计及其实现方法。从装备与行为两方面对侦察实体进行抽象,建立组件化仿真模型;并结合实战应用场景从组织、任务、空间、时间与信息交互等多个维度开展侦察行动预案设计,驱动仿真引擎加载相关的规则模型进行仿真推演与解算,输出最终的仿真模拟结果。仿真模拟试验结果证明了该方法的实用性与有效性。

基于语义相关区域搜索的图像标注（英文）

探讨了如何有效地利用互联网上大规模的图像和文本信息以数据驱动的方式来实现图像的自动标注,并提出了一种基于语义相关区域搜索的图像自动标注框架.该框架首先利用人工建立的视觉和文本知识库Image-Net来训练一组弱分类器;然后将学习好的弱分类器作用于分割后的图像区域块生成Region-level的语义特征表示用以在大规模的图像数据库中进行相关图像区域的搜索,最后从搜索结果的文本描述中通过聚类挖掘的方式产生最终的图像标注结果.对比于image-level的底层特征表示,基于分类学习的区域模块具有更强的语义表达能力和更好的鲁棒性,更容易抓住图像本身包含的多个目标的多重语义;从而使得该框架兼具了大规模数据驱动和传统基于分类算法的优点.大量web图像和公认的测试数据集上进行的实验结果证明了本文提出框架的有效性.

一种用户军事信息需求分析挖掘方法

针对军事领域用户个性化信息需求分析缺乏有效工程化技术支撑问题,笔者提出了一种通过数据驱动的用户军事信息需求分析挖掘方法。该方法借助门户系统采集用户相关的文本关联数据,然后学习回归模型对关联数据进行筛选过滤,最后建立需求概率模型对需求相关度进行排序。该方法支持开放的需求词典,同时能够有效应对噪声数据干扰。搭建的演示验证系统实验结果证明了提出方法的实用性和有效性。

基于深度集成学习的社交网络异常数据挖掘算法

针对当前社交网络异常数据挖掘算法设计过程中未提取社交网络数据特征,导致异常数据检测率低、检测运行时间长的问题,提出一种基于深度集成学习的社交网络异常数据挖掘算法。该算法首先挖掘社交网络数据,依据数据挖掘结果提取社交网络数据特征;然后利用提取到的数据特征构建深度集成学习模型,通过该模型对异常数据进行预测,以此获得社交网络异常数据,实现社交网络异常数据挖掘。实验结果表明:通过对该算法进行异常数据检测率测试和异常数据检测运行时间测试,验证了该算法的准确性高、有效性强、实际应用效果好。