基于遗传算法和ELM神经网络的目标威胁估计

目标威胁程度是指挥员进行态势评估和指挥决策的重要依据。为准确估计目标威胁情况,提出了基于遗传算法和极限学习机(Genetic Algorithm and Extreme Learning Machine,GA-ELM)的目标威胁评估方法。采用遗传算法优化ELM神经网络的输入权重和隐含层阈值,优化后的ELM神经网络能够克服传统ELM网络不稳定的缺点,具有更好的目标威胁估计性能。实验结果表明,基于GA-ELM的目标威胁估计误差明显小于传统ELM方法,且输出的威胁结果更加稳定。

天基数据混合推荐方法研究

数据推荐技术能够主动地满足用户对数据的需求,提高用户对数据的获取效率,该技术已经在电商系统中得到了广泛应用。然而,现有的数据推荐算法无法很好地适应天基数据的特点。新提出的天基数据混合推荐方法基于模式挖掘、兴趣关系图和相似度聚类技术实现,能够使推荐的天基数据在内容上主动匹配用户的潜在需求,从而提高用户使用天基数据的效率。

以文档结构存储海量卫星遥测数据

通过对卫星遥测数据的分析与挖掘,可以有效地进行卫星故障诊断、卫星参数异常变化预测以及提升卫星运行的可靠性。针对无法在海量卫星遥测数据中进行高效储存、检索的问题,提出了利用No SQL数据库Mongo DB以文档的结构形式存储卫星遥测数据。实验结果表明,相对于传统的SQL数据库,此方法可以有效地减少数据冗余并提高查询效率。

建筑施工项目质量管理现状及控制探讨

在分析建筑工程质量管理特点的基础上,讨论建筑施工项目质量管理现状,分析了建筑企业质量管理中弊端,最后提出建筑施工项目质量管理的对策,希望对于今后的建筑工程项目质量管理有所帮助。

面向物联网应用的压缩感知异常数据聚合机制研究

在工业应用中,作为异常检测的基础设施,物联网(Internet of Things,IoT)需要连续地收集感知数据以对工业环境进行实时监控。物联网设备通常在计算能力、存储空间、电池能量等方面都是受限的。通常情况下,工业应用的环境都处于健康的状态,异常偶尔才会发生。正常情况下,感知数据的精确值可能是没必要的,感知数据所属的区间足以支持异常检测。只有当检测到异常发生后,感知数据的精确值才有必要上传到云服务器,用于确定事件边界等异常的详细信息。针对该问题,提出了一个节能的感知数据聚集机制来支持异常检测。通过利用压缩感知算法压缩感知数据的类别数据,并在云服务器利用数据预测模型预测未来时隙的感知数据。只有当预测值的类别不同于边缘端物联网设备上传的类别数据时,物联网设备的感知数据才有必要上传到云服务器以实现云边数据的同步。为了评估该算法的有效性,做了大量的模拟仿真实验。评估结果显示,所提方法在网络流量和能耗方面相比最新的技术性能更好。

房屋建筑施工管理存在问题及对策分析

本文主要针对加强房屋建筑施工管理的应用问题进行探讨,在分析房屋建筑施工管理中存在的问题的基础上,探讨了从准备阶段开始加强房屋建筑施工管理,还包括相应的施工安全、施工质量、施工成本以及施工进度方面,希望能对于今后的房屋建筑施工管理具有一定帮助。

基于自适应形态学的探月雷达噪声压制方法

探月雷达信号处理解析对正确认识月球组构具有重要意义。由于天线耦合、着陆器相关金属构件等复杂工作因素的影响,使嫦娥三号探月雷达的第二通道数据受到明显的噪声干扰,影响数据解释。为提高探月雷达数据的信噪比,提出一种自适应的形态学滤波方法,其能够通过结构元素尺寸不同的形态学滤波器提取探月雷达信号中不同尺度的信息,且能够利用粒子群算法对结构元素尺寸进行自动筛选。通过实测数据对算法的去噪性能进行测试,结果表明,相比带通滤波和经验模态分解方法,自适应形态学滤波方法具有明显的优越性,能够更好地提取探月雷达信号中的有用信息及压制干扰噪声。同时,该方法的输出结果为探月雷达数据的进一步解释提供了较好的科学依据。

基于知识学习的多目标关联检测与识别方法

随着感知智能水平的日趋成熟,人工智能研究呈现出向认知智能发展的态势;作为人工智能在感知智能方面的代表领域,图像目标识别在向认知智能发展的道路上存在着人机之间以及机器之间知识难通用、可扩展性低等问题;为此,提出了基于知识的多目标关联判别框架,通过引入知识图谱,将目标特征知识进行语义化表达与规则化关联存储,构建了基于知识学习的多目标关联检测与识别方法,动态按需调用目标检测模型的同时,迭代式更新多目标关联的知识图谱,形成双向反馈学习循环;最后,通过相关仿真实验,验证了基于知识学习的多目标关联判别方法的可行性,为提高图像目标识别算法的知识通用化和可扩展性提供了新的思路。

基于BiLSTM-CRF的军事命名实体识别方法

针对军事领域的命名实体识别问题,提出一种基于BiLSTM-CRF的实体识别方法,旨在识别军事文本中的人名、军用地名、军事机构名、武器装备、设施目标、部队番号等军事命名实体。使用词嵌入方法自动学习中文字符的分布式表示作为模型输入;利用双向长短时记忆(Bi-directional Long-Short Term Memory,BiLSTM)神经网络处理输入的字符向量序列,统筹上下文语义学习任务特征;将学习到的特征接入线性链式条件随机场(CRF)进行军事命名实体标注,获得命名实体识别结果并输出。在人工构建数据集上的实验结果表明,提出的方法能够很好地完成军事命名实体识别任务。

面向边缘协作的动态服务配置与迁移机制研究

随着物联网技术的发展,时延敏感型用户请求日益激增,边缘计算正在成为提供灵活可靠服务的有前途的范例。考虑到物联网设备有限的存储和计算资源与用户需求延迟之间的冲突,边缘计算激发了将用户请求卸载到网络边缘的边缘服务器的新一轮浪潮。用户请求任务卸载方案的制定对于边缘网络中物联网设备的执行时间和能耗是一个显着的挑战。针对该问题,提出了一种动态计算卸载策略,具体包括:①提出中间节点卸载策略。该节点具有足够的计算资源,并且能够通过动态最小化处理任务的时间和能量成本;②将任务服务配置节点选择问题建模为多维马尔可夫决策过程(MDP)空间,提出深度强化学习算法以减少MDP状态空间并实现快速决策。实验结果表明,所提策略可以显著改善任务请求处理的时延,并且可以在一定程度上减少能量消耗。