面向对海监视的舰船目标跟踪与航迹融合数据集

对海监视中航迹实时关联与轨迹融合任务是安全防控、区域态势监视、远程精确打击等军民应用领域的热点和难点问题,高质量的数据集对推动目标跟踪与融合技术在该领域的研究有重要作用。本研究针对目标跟踪与融合领域技术研究的数据需求以及目前公开数据集所存在的数据缺乏、场景设计针对性差、数据格式单一、数据描述不全等问题,通过仿真软件对复杂场景中多传感器多目标探测数据进行仿真,提供了一套面向典型对海监视场景(以舰船为探测对象的2D雷达与侦察传感器﹝ESM﹞)的目标跟踪与航迹融合数据集。其中仿真软件包括剧情发生器和传感器模拟器两部分,是一套成熟的目标跟踪场景仿真环境,提供逼真的探测数据模拟能力。本数据集涵盖的传感器对象包括2D雷达与侦察传感器,目标包括典型的海上舰船类别,并支持携带辐射源配置,设计了高速运动、密集交通、多传感器数据融合、特定舰船侦测和交叉定位等多种典型场景。本数据集中共包含368155条目标点迹,舰船数量为101条,时间范围15000秒,数据格式符合实际设备上报情景、探测误差模型符合实际。本数据集通过对数据误差进行正态性检验、对检测率、虚警率的场景检验以及实地调研,完成了对数据的准确性评估与数据完备性控制,可为舰船目标跟踪、轨迹融合等算法研究与验证提供基础数据。

基于区块链的数据交换激励机制研究

随着大数据的不断发展,数据的收集和共享得到重视,产生了大量数据交换平台。然而大部分平台将重点放在数据安全与用户隐私的考量上,从而忽视了用户交换意愿方面的问题——实际应用中用户往往因为缺乏足够的动机而少有交换意愿。针对该问题,构建了一种基于区块链的数据交换激励框架,提出了一种基于历史贡献和当前贡献的数据交换激励机制,一方面从历史维度考量用户的过往表现,另一方面从当前维度考量用户的实时贡献。对所提出的方法进行了理论分析和实验评估,结果表明该激励机制能够有效起到长期激励用户进行积极正向数据交换的作用。

数据驱动的体系作战能力评估研究

针对应用作战数据开展体系作战能力评估的问题,剖析了能力的定义和体系作战能力的概念内涵,分析了体系作战能力评估的层次,提出了包括作战效能、能力成熟度和能力就绪度的体系能力指标分类,构建了数据驱动的作战能力评估模式,设计了包含“定研究问题、建指标体系、理数据需求、采数据建库、立评估准则、评体系能力、验评估结果”7个环节的评估过程。论文成果可用于从战、建、备多个方面评估体系的能力状态、水平和效用。

基于开源军事新闻的领域事件数据集

军事领域的文本数据集是在军事领域进行事件抽取的基础,高质量的数据集可以有效地推动军事领域事件抽取的研究,然而目前常用的事件抽取数据集(如ACE2005等)是面向通用领域的,关于军事领域事件的文本语料资源十分匮乏。因此,我们从公开军事新闻网站获取大量的军事新闻内容;在对新闻文本内容进行分析的基础上,首先建立包含事件类型、实体类型和实体关系类型的军事新闻事件模型;进而依据事件模型对文本数据进行人工标注,同时对事件模型进行迭代验证和修正;最终获得由13000条高质量军事新闻文本事件组成的标注种类全、质量高的军事新闻事件数据集。本研究公开了该军事新闻事件数据集。

面向试验数据的标签本体及标签实例推荐方法

针对海量试验数据标签管理及标签管理智能化问题,提出一种标签本体及标签实例推荐方法。采集结构化、非结构化数据以及半结构化数据,根据试验数据类型,构建本体概念,形成标签库;对图像、文本、音频、视频、纸质等多模态数据采用不同方法进行装备实体以及实体关系抽取,构建标签实例库;利用规则映射和自然语言处理方法对标签本体与标签实例进行关系映射;最后,挖掘用户个人信息以及使用标签信息,结合个人信息以及标签信息,形成基于标签及标签实例的智能推荐。对比现有模型,该推荐模型在MAE和MSE指标上分别降低了8.82%和5.56%,AUC指标提高了13.33%,对试验数据智能化管理具有重要意义。

基于开源文本数据的目标跟踪方法

随着战争现代化、战争形态和军事斗争形式的多样化,以信息化军队为主导的军事对抗,将使情报系统的信息流量进一步增大。开源情报,作为常规情报监视侦察手段的重要补充,通过分析可以有效帮助了解敌武装力量的活动轨迹,便于我方进行部署。针对在社交媒体和社交网络场景下跟踪目标事件发展状况的需求,提出一种基于开源数据事件抽取的目标跟踪方法,通过事件抽取、事件融合、事件线生成实现目标事件的演化分析,并开发目标跟踪应用实现对目标跟踪功能。

面向区块链数据交换的层次化访问控制方法

传统的集中式访问控制模型在某些场景下存在局限性,特别是在政府部门、军事应用等特殊场景中,数据的安全管理需要考虑保密性、完整性等因素,并且需要灵活且严格的访问控制机制。此外,现有的层次化访问控制方法对访问层级区限的评估和验证过程存在单点故障问题,且存在访问层级区限泄露的风险。为了克服这些限制,提出了一种面向区块链数据交换的层次化访问控制方法,结合同态加密实现对访问层级区限的保护。实验结果表明,本方法有效地遏制了用户“越级”访问数据主体的安全问题,且在一些关键的功能上符合预期的运行效率。

基于图常量条件函数依赖的图修复规则发现

数据一致性是数据质量管理的一个重要内容。为了提升图数据一致性,大量关系型数据库中的数据依赖理论被引入到图数据库,包括图函数依赖、图关联规则等。图修复规则是最新提出的一种针对图数据的数据依赖规则,具有强大的修复能力,但目前尚无有效的挖掘算法。为了自动生成图修复规则并提高图数据修复的可靠性,提出一种将图常量条件函数依赖转化为图修复规则的方法(GenGRR)。通过图模式在图中匹配同构子图并映射成节点-属性二维表,从表中相应属性域中抽取错误模式把图常量条件函数依赖转化成图属性值修复规则;删去图模式中常量条件函数依赖RHS对应的节点与相连边生成图属性补充规则。基于最大公共同构子图筛选并验证生成图修复规则的一致性。在多个真实数据集上进行测试,验证相比图常量条件函数直接修复图数据,通过转化生成的图修复规则具有更好的修复效果。

基于多维投影时空事件帧的动态视觉传感手势识别

基于视觉的手势识别是虚拟现实、游戏仿真等领域常用的人机交互手段。在实际应用中,手势动作快速变化将导致传统RGB相机或深度相机成像模糊,给手势识别带来巨大挑战。针对上述问题,利用动态视觉传感器捕捉高速手势运动信息,提出一种基于多维投影时空事件帧(spatiotemporal event frame,STEF)的动态视觉数据手势识别方法。将时空信息嵌入到数据投影面融合形成多维投影时空事件帧,克服现有动态视觉信息事件帧表达方法时域信息丢失的局限性,提升动态视觉传感数据的特征表达能力。在此基础上,采用先进的脉冲神经网络对时空事件帧进行分类实现手势识别。在公开数据集上的识别精度达到96.67%,性能优于同类方法,表明该方法可显著提升动态视觉传感数据手势识别准确率。

知识图谱赋能高等教育教学数字化转型探索

在党的二十大报告中,关于“加快建设教育强国”的部署得到突出强调,习近平总书记特别提及“加快建设教育强国、科技强国、人才强国”的重要性,为我国在2035年建设成为教育强国指明了新的发展方向。探讨了知识图谱技术在推动高等教育数字化转型中的应用,并从教育部重点领域教学资源建设实践、天津大学专业课程群知识图谱构建平台和“知识森林”智能导学技术研发三个方面进行了案例分析,以期为高等教育教学数字化相关工作者提供一些参考。

基于可逆图扩散的网络传播溯源方法研究

随着社会的发展,各种类型网络的安全问题日益突出,尤其是网络传播问题。对网络传播的扩散源点进行准确的定位是实现控制网络传播的重要手段。对于网络传播溯源问题的研究还面临着网络结构多样、传播机制复杂等问题,因此基于图神经网络研究了网络传播溯源问题,提出了一个基于图卷积神经网络的可逆图扩散模型(GCNIGD)。在节点易感性估计阶段,考虑到网络节点之间的连接关系,结合图卷积神经网络充分利用了网络的结构信息;在节点特征构造阶段,结合了图扩展卷积对网络中信息传递进行空间局部化拓展,从而可以从多跳信息中学习来增强基于图的模型;在进行溯源阶段,将图溯源问题转化为图扩散的逆问题,构造了可逆的图网络对源节点进行准确估计,解决了网络溯源中的不适定问题。最后,在六个真实世界数据集中进行了大量的实验,实验结果表明提出的方法超越了目前已知的最先进方法。该研究对于网络中虚假信息溯源、网络攻击溯源等网络安全领域问题具有重要的指导意义。

基于混合式特征选择的辐射源个体识别

为提高辐射源个体识别的准确率和运算效率,提出了一种基于混合式特征选择的辐射源个体识别。封装式特征选择方法分类正确率高,但计算复杂度高,处理高维数据时效率低。嵌入式特征选择方法计算复杂度低,但依赖于特定分类器。针对上述问题,综合封装式和嵌入式特征选择方法的特点,首先对信号数据使用3种嵌入式方法(随机森林、XGBoost和Ligh-tGBM)初选特征,分别得到随机森林子集、XGBoost子集和LightGBM子集。然后使用封装式方法对初选后得到的子集进行第二次降维,其中搜索策略分别使用序列后向搜索策略和蚁群优化算法,分类算法使用LightGBM。混合式方法共得到6种特征选择模型,通过对比各个模型得到的分类正确率和最优子集中的特征个数,确定最佳混合式特征选择模型。

结合多视角学习与一致性表征的人脸伪造检测

现有的人脸伪造检测方法通常在已知域上表现较好,但面临过拟合的风险,在应对未知场景时无法保持良好的检测能力。为解决此问题,提出一种结合多视角学习与一致性表征的人脸伪造检测框架。为捕获更全面的伪造痕迹,将输入图像转换为两种互补视角并采用双流骨干网络进行多视角特征学习。引入一致性度量,以补丁级监督的方式明确约束不同视角输出的局部特征的相似度。为提高检测精度,采用特征分解策略进一步优化伪造特征,减少不相关因素的干扰,并以伪造特征空间的决策作为最终的预测结果。在基准数据集上进行的大量实验表明,所提出的方法优于现有的主流模型,具备良好的跨域泛化能力。

知识赋能的信息系统专题前言

伴随着人工智能的浪潮,智慧信息系统的发展方兴未艾,正处于由感知智能到认知智能转变的关键时期.要实现认知智能的系统跃升,离不开知识的赋能.在数字化转型背景下,数据对象和交互方式的日益丰富,对以知识图谱为中心的信息系统如何进一步形成驱动力、促进生产力,带来了新的研究机遇和挑战.具体地,主要体现在两大方面:一是,面向信息系统的知识赋能方法与技术;二是,知识驱动的信息系统方法与技术.为此,需要发展和利用知识图谱技术构建形成下一代信息系统,但是如何利用知识图谱的理论积淀和技术成果,来促进信息系统及其方法的发展,解决信息系统分析、设计、开发和应用中遇到的问题与挑战,仍有较大的研究空间.本专题聚焦新一代信息系统发展中的新机遇和新挑战,探讨知识与信息系统交互结合的两个方面,为相关研究人员和工程人员提供集中发表最新成果的平台.

基于图神经网络的实体对齐表示学习方法比较研究

实体对齐是知识融合的一个重要步骤,其目的在于识别不同知识图谱中的等价实体。为准确判断出对等的实体,现有方法首先进行表示学习,将实体映射到低维向量空间中,接着通过向量间的相似度推断实体的等价性。而近期实体对齐的相关工作也大都聚焦于表示学习方法的改进上。为了能够更好地理解这些模型的机理,挖掘有价值的设计思路,并为后续的优化改进工作提供参考,对实体对齐表示学习方法进行了研究综述。首先基于现有方法,提出了一个通用的表示学习框架,并用该框架对几个具有代表性的工作进行了归纳概括以及分析解构。接着通过实验对这些工作进行了对比分析,并对框架中各个模块的常见方法进行了比较。根据实验结果,总结了各种方法的优劣,并提出了使用建议。最后初步讨论了大规模语言模型与知识图谱对齐融合的可行性,并分析了存在的问题以及潜在的挑战。

利用多语言线索进行事件检测的混合注意力网络

事件检测是一项复杂的信息获取任务,在纯文本事件抽取中起着至关重要的作用.实际情况下,由于数据稀疏和自然语言的歧义性,事件检测任务面领着巨大的挑战.针对这些挑战,从先前工作利用一种额外的语言信息作为数据增强之中获得启发,本研究提出从多种自动翻译得到的多语言文本中挖掘互补信息,从而在一定程度上缓解数据稀疏和自然语言歧义的问题.为此,本研究设计实现了一种混合注意力神经网络模型HAN(hybrid attention network),其中的混合注意力模块通过一个上下文注意力机制和一个多语言注意力机制来实现从多种语言的信息中挖掘互补线索.实验在两个基准数据集上进行,结果证明了HAN模型在事件检测任务上的性能明显优于其他现有的模型.

面向随机并发任务的杀伤网建模与最优控制方法

围绕随机并发任务场景,开展杀伤网建模和最优控制方法研究,提出了基于随机受控Petri网模型的杀伤网形式化建模方法,用以描述随机并发目标打击任务下的杀伤网的运行逻辑,以及在不同杀伤链选择动作下杀伤网状态的动态变化过程;针对最优杀伤链选择策略求解问题,提出了基于马尔科夫决策过程的最优策略构造范式和基于深度强化学习的最优策略求解方法.研究结果可为复杂对抗场景下的作战体系建模分析和优化控制的相关工作提供理论模型基础.

有人/无人集群任务规划系统集成框架

在复杂环境中,环境动态性和任务多样性给无人集群自主协同、有人系统与无人集群协同带来了巨大挑战.为此,提出了有人/无人集群任务规划系统集成框架.该框架集成无人平台自主行为规划系统,无人集群分布式系统与有人/无人集群系统.无人平台通过感知、认知、决策与控制完成自主行为规划.无人平台间通过交互信息,彼此决策方式协同规划.有人系统支持在预先规划、实时规划与事后评估阶段与无人集群的协同交互.

基于大模型的事件抽取技术及军事应用思考

事件抽取旨在从非结构化文本中抽取出结构化事件信息,以便清晰、方便、直观地掌握并利用相关的关键信息。传统机器学习方法依赖于特征工程,利用人工构建的特征来进行事件抽取。而基于深度学习的方法利用CNN、RNN、GNN等深层神经网络通过提取重要特征来展开,但其依赖于大量的标注数据。近年来,研究者开始利用基于Transformer架构的大规模语言模型如BERT、GPT等采用预训练+微调范式来进行事件抽取并取得显著成效。而最近推出的大模型ChatGPT采用预训练+提示学习范式在自然语言处理领域取得显著成效,可以实现高效准确地抽取出关键的事件信息,将其应用到军事领域会产生重大影响。

跨语种多模态信息分拣技术与应用

大数据时代,由于语言的差异性和信息的多样性,处理海量跨语种、跨模态数据给信息分析技术提出了考验。通过构建多语种平行语料库和跨语种词嵌入模型,解决跨语种词嵌入的挑战,实现跨语种信息的词嵌入表示。通过利用跨模态的表示学习技术,将文本、图像和语音等多模态信息进行语义对齐及融合,从而实现对跨模态信息的综合分析。另外,设计了多任务学习参数共享模型,提高信息分拣的准确性,并加快信息分练效率。该研究支持情报分析人员快速获取、整理和分析海量跨语种多模态信息,为情报支持和决策提供更全面、准确的参考。