指挥自动化系统中的群决策支持模式研究

在群决策支持理论的基础上,根据军队指挥体系的特点,突出了权力因素对作战决策的影响,提出了基于权力因素的军队指挥自动化系统群决策支持模式:无权力裁决模式、有权力互补裁决模式、有权力冲突裁决模式和综合模式.并针对每种模式的结构和关键技术进行了论述,对指挥自动化群决策支持系统提供了理论指导.

基于语义挖掘的快递运输货品风险评价研究

为提高快递运输的风险监测管控能力,降低因快递货品风险导致城市安全事件发生的可能性,本文基于语义挖掘方法将快递运输货品描述转化为风险的量化表征,为快递运输风险评价提供可量化的客观指标依据。基于网络大数据资源提供的法院判决书数据,将物品词条与判决结果相关联,通过隐狄利克雷分布模型挖掘物品风险主题,结合模糊均值聚类方法,实现对快递货品语义风险的量化表征与柔性划分。与传统方法中依赖检视人员查验既定违禁品清单后的主观判断方法不同,本文充分挖掘网络文本数据中的可迁移知识,并应用于种类繁多的快递运输货品,有效避免人工评价造成的漏检、错检情况。研究结果表明,本文方法具有较高的准确率与较低的误报率,获得的风险评价值不再是0或1的是非判断,有利于开展多样化、针对性的风险预警及应对措施。

基于博弈论模型的物理层协议自协商机制

针对现有多协议高速接口在实际应用过程中出现的无法即插即用的问题,文中提出一种应用于软件定义互连系统的非主动配置接口协议的物理层协议自协商机制。首先,通信双方对接收到的多协议特征序列进行识别,剔除双方无法识别的协议,保证双方在协议数量相同的情况下工作;然后,双方围绕接收协议与发送协议进行协议一致性的协商,该机制通过对比判决的方法缩短协商时间,进而保证双方的正常互连互通。仿真实验结果表明,物理层自协商机制能够有效应对非主动配置接口协议下,通信双方经过物理层协商仍建立稳定数据通信的过程。

基于混合深度神经网络模型的司法文书智能化处理

在法律文书智能化处理过程中,针对罪名预测、法条推荐、刑期预测,该文提出了一种长文本分类的混合深度神经网络模型HAC (hybrid attention and CNN model),该模型利用残差网络融合了改进的层次注意力网络(iHAN)和深度金字塔卷积神经网络(DPCNN)。在'中国法研杯'司法人工智能挑战赛(CAIL-2018)的测试数据集上,该模型对罪名的预测与相关法条的推荐的F1-Score(Micro-F1和Macro-F1的均值)分别为85%和87%。对于刑期的预测,由于地区、年代、法院、法官、被告人的态度等方面的差异会导致刑期预测难度加大。该模型具有优良的预测性能和泛化能力,能够很好地适应这些差异。同时,将该模型在罪名预测和法条推荐的输出结果加入到刑期预测任务的输入中,并使用分类方法对刑期进行预测,进一步提升了模型的效果,最终在刑期预测任务中F1-Score超过77%,获得CAIL-2018刑期预测优秀成绩。