雷达和DF互联算法决策门限的解析解

Turnk和Wilson在文献[1]中提出了一种新的多门限雷达和DF（Direction-Finding）互联算法，该算法特别适宜于雷达和DF航迹是由不等样本容量的观测所构成的场合文献[1]中，相关决策门限是通过MonteCarlo仿真得到的，因而在获得决策门限时需要较多的时间.我们对文献[1]算法的决策门限进行了研究，推导出了这些决策门限的解析表达式，利用数值计算方法得到了这些决策门限的解析值，结果表明了算法的有效性最后，对互联算法进行了仿真实验．

基于目标回波特征信息的改进型概率数据互联算法

概率数据互联算法(PDA)中量测的条件概率计算过于繁琐,其前提是波门中的虚假量测个数服从泊松分布,该参数的估计直接关系到互联算法的计算。如果该参数估计与实际情况相差较大,滤波误差将很大。另外,PDA算法没有考虑目标机动的情形。本文将PDA算法中量测的条件概率计算简化,并且将目标回波特征信息融入算法,在以往跟踪波门基础上增加了机动波门,当目标发生机动时,有较好的跟踪效果。

多传感器多目标数据互联算法的神纲多络实现

针对具有重要军事背景的多传感器多目标的数据互联问题，即广义３－Ｄ分配问题，应用Ｈｏｐｆｉｅｌｄ神经网络，设计了此问题对应的能量函数，在ＰＣ３８６机上用Ｃ语言实现了该问题的求解程度。该程序运行结果表明，所提出的方法是有效的，其能量函数的设计是合理的。

一种非对称互联型粒子群算法

提出了一种非对称互联型粒子群算法(AFIPSO),它是对互联型粒子群算法的改进。此算法重新构造了加权函数,体现了粒子之间的非对称影响。随后对六种加权函数及其4种交叉组合进行了测试。试验结果表明:组合加权函数对算法的收敛速度和稳定性均有非常好的改善,在收敛率上几近完美。

互联网智能路由架构及算法

突发流量在网络中非常普遍,会严重损害用户体验。突发流量往往能在短时间(如毫秒级别)内充满链路,导致网络拥塞和频繁分组丢失,端到端时延增加。传统路由算法要么是流量无关(如OSPF(open shortest path first,开放式最短路径优先))的,无法对实时流量的变化做出调整;要么是集中式控制的(如线性规划),面临求解时延过大而无法有效应对突发流量的问题。提出了一种新的智能路由算法解决突发流量的问题。一方面,提出的算法能利用机器学习强大的建模能力,通过对网络历史数据的挖掘来学习“隐式”的路由决策依据。另一方面,提出的算法能借助机器学习的快速推理能力降低决策时延,提高系统对突发流量的响应速度。实验结果表明,在真实流量数据集下,相比较其他路由算法,提出的智能路由算法能降低13%~70%的瓶颈链路利用率。

互联网算法背景下大学生时间管理能力现状及改进建议

Web1.0时代,网络信息犹如展架上罗列的商品,摆在受众面前供其自由选择。随着人工智能的飞速发展,互联网跨入算法时代,网络信息实现从“量”到“质”的蜕变。此时,传播者在后台收集用户的浏览数据或手机APP的使用偏好,利用算法推算出用户的喜好,向他们有目的地推送个性化的内容。中国互联网络信息中心(CNNIC)公布的最新报告显示,18-24岁的年轻人使用互联网的所占比例相对较高,其中大部分为在校大学生。进入算法时代,大学生更应合理安排生活、学习、工作和娱乐的时间,警惕网络沉迷现象。因此,本文将从学生个人努力、学校正确引导、家庭榜样示范和社会大力监管四个方面分析提高大学生时间管理能力的路径。

多传感器多目标跟踪算法性能分析

多假设与联合概率数据互联算法都能很好地解决杂波环境下的多目标跟踪问题。随后 ,人们在此基础上又将单传感器多假设、联合概率数据互联算法推广至集中式多传感器系统与分布式多传感器系统。近来 ,也有文献提出将广义S D分配算法动态化 ,实时地应用到集中式多传感器系统对杂波中的多目标进行跟踪。这些算法各有特点 ,因而它们在不同的情况下 ,算法的跟踪精度、实时性等方面各有优劣。然而 ,至今尚未见到有文献对这些算法在统一环境下进行分类比较 ,文中假定多种典型的多目标运动环境 ,对上述算法在这些环境下进行仿真实验 。

算法推荐下信息公平失衡的法律应对

算法推荐技术在提升互联网信息服务效率的同时,也引发社会公众获取与分配数据信息时的公平失衡,该失衡主要表现为“信息茧房”“算法操纵”及劣质、虚假信息泛滥三种样态。用户的数字人格生成、算法的内容分发和流量分配机制,以及平台对“大众媒体人”监管缺位,共同构成该现象产生的原因。对此问题,法律突破技术回应的局限性,构成当下最有效的规制策略,《互联网信息服务算法推荐管理规定》就是其中的代表性成果。尽管该规定在很大程度上填补了直接法律规范之不足,但从该规定的内容看,也可能会因条文落实困难、制度设计模糊而缺乏可操作性,这也是接下来需要完善的方面。

用于多目标跟踪的m-最佳S-D分配算法

本文描述了一种称为m-最佳S-D(即m—最佳S维)的新数据互联算法,这种算法在O(mSkn3)(m个分配,长度为n的S≥3个序列,k次松弛)时间内得到对于S维分配问题的(近似)m-最佳结果。m-最佳S维算法应用于以下的跟踪问题:要么传感器是同步的,要么传感器和/或目标运动非常缓慢。此项工作的意义在于m-最佳S-D分配算法(以滑窗模式)可以通过避免所需列举的令人不堪忍受的指数数目的联合假设,从而有效实现次优多假设跟踪(MHT)算法。本文首先描述了m-最佳S-D所应用的一般问题。特别是根据来自S个传感器的视线(LOS)(即不完全位置)量测,求取完全位置量测集合,即通过求解一个静态S-D分配问题可得到第1、第2、…、第m个最佳(在似然意义下)完全量测集合。使用用于得到m-最佳S-D分配解的联合似然函数,就可用类似JPDA(联合概率数据互联)技术来度量复合量测的正确概率。来自连续扫描的复合量测序列以及它们相应的概率,轮流用于一个动态2-D分配算法的状态估计器中,以估计随着时间变化的运动目标状态。基于一个似然函数获得动态分配权系数,此似然函数包含了从(静态)m-最佳S-D分配解中得到的“真实”复合量测概率。通过把m-最佳S-D分配的解法用于一个仿真的多目标被动传感器航迹起始与航迹维持问题,展示了m-最佳S-D分配解法的优点。