属性层次模型(AHM)在选股决策中的应用

应用属性层次模型(Attribute Hierarchy Model,简称AHM)理论,对投资股票项目中的股票进行评价,进而做出合理的选择决策,并通过实例验证了此方法的有效性.     

空天背景下基于GLRT的红外弱小运动目标检测

针对红外图像序列中未知亮度、位置和速度的弱小运动目标检测问题,在假定目标强度恒定且保持匀速直线运动的前提下,建立了与之相应的简化二元量测信号模型.对于这种含参信号的复合假设检验问题,采用广义似然比检验(GLRT)得到了该问题的检测算子,同时利用速度滤波器组在实际应用中实现了该检测算子.从理论角度估计了该算法的虚警概率和检测概率,并通过计算机仿真验证了上述分析结果.为了评估该算法的有效性,采用基于真实场景的红外图像序列对其进行测试,结果表明,该算法对于低信噪比条件下的弱小运动目标具有良好的检测效果.     

Exo-atmospheric target discrimination using probabilistic neural network

Exo-atmospheric targets are especially difficult to distinguish using currently available techniques, because all target parts follow the same spatial trajectory. The feasibility of distinguishing multiple type components of exo-atmospheric targets is demonstrated by applying the probabilistic neural network. Differences in thermal behavior and time-varying signals of space-objects are analyzed during the selection of features used as inputs of the neural network. A novel multi-colorimetric technology is introduced to measure precisely the temporal evolutional characteristics of temperature and emissivity-area products. To test the effectiveness of the recognition algorithm, the results obtained from a set of synthetic multispectral data set are presented and discussed. These results indicate that the discrimination algorithm can obtain a remarkable success rate.     

基于优化概率神经网络和红外多光谱融合的大气层外空间弹道目标识别

针对大气层外空间弹道目标难识别的问题,该文利用红外多光谱数据融合的思想,提出一种基于粒子群优化概率神经网络(PNN)的大气层外空间弹道目标识别方法。该方法首先通过一种新的多色测温方法提取出弹道目标的温度变化率和有效辐射面积两类动态特征,然后利用高斯粒子群优化(GPSO)方法对PNN的平滑因子进行优化,最后利用优化的PNN完成4类典型空间目标的识别。该方法融合了多光谱信息并提取出了多个动态特征,具有较强的鲁棒性。另外,该方法充分利用了概率神经网络的较高的稳定性和样本容错能力。仿真实验给出了4类典型空间弹道目标的多光谱红外辐射强度序列数据,并进行了目标识别研究。仿真测试结果表明,提出的优化PNN网络对多个弹道目标具有良好的识别能力。     

正项级数比值判别法的推广

为判别正项级数的收敛性,在一种改进的比值判别法的基础上给出了进一步的推广,使其更具有一般性,最后还给出了对比值判别法的另外两种形式的推广。     

电子技术基础课程改革方案初探

由于电子技术基础这门课程在新内容、新技术和学时的矛盾上很尖锐，各电工、电子系列课程之间在体系、内容分工等许多关系上需要理顺。本文就电工电子系列课程改革这一重要问题谈一些看法，以求在更深层次上开展研讨。     

电子电工实验模块的设置

有关电子电工实验改革的一些基本思想，已在本刊1996年第3期“改革实验模式建立电子技术课程的新体系”中介绍。本文就实验的模块内容和设置原则作一简介。     

基于深层-浅层双流学习图模型的无监督少样本红外空中目标识别网络

在军事空中目标识别领域,由于样本数量缺失,现有人工智能算法无法完成准确识别。文章利用已有足量辅助域图像辅助少样本应用域进行跨域目标识别,解决因标签缺失与样本稀疏导致的识别模型泛化能力不强及性能不佳问题。文章提出一种基于深层-浅层双流学习图模型（D-SLGM）的跨域目标识别算法。首先,提出一种深层-浅层双流特征提取算法,解决无监督少样本条件下特征表示困难的问题;同时,提出一种基于图模型的特征融合算法,实现特征间高精度融合;基于融合后的特征训练识别模型,提升算法的泛化能力。使用自建空中目标数据集,设计三种应用场景。实验结果表明,D-SLGM平均识别准确率均值达到78.2%,优于对比方法,在实际空中目标识别应用中具有较大潜力。     

非线性系统中多传感器目标跟踪性能分析

主要研究了非线性系统中二维平面上的目标跟踪问题.在非线性系统中分析了传感器的测量精度和目标到传感器的距离的关系是如何限制两传感器和目标所成的夹解对两部同类型同精度的传感器的的融合跟踪精度的影响的.通过理论证明和仿真得出,在一定的条件下,通过调整两传感器和目标所成的夹角可以大大地提高对目标的跟踪精度.这对多传感器融合目标跟踪具有理论指导意义.     

时域注意力特征对齐的视频压缩感知重构网络

现有视频压缩感知神经网络重构算法采用的光流对齐和可变形卷积对齐的运动补偿方式存在误差积聚、信息感知范围有限等问题,极大地限制了其有效性和实用性.为了在不引入额外参数的条件下自适应提取参考帧的全局信息,本文提出了利用注意力机制实现视频压缩感知重构过程中运动估计/运动补偿的创新思想,并设计了时域注意力特征对齐网络（Temporal-Attention Feature Alignment Network,TAFA-Net）进行实现.在此基础上,提出了联合深度重构网络（Joint Deep Reconstruction Network Based on TAFA-Net,JDR-TAFA-Net）,实现非关键帧的高性能重构.先利用本文所提的TAFA-Net获得参考帧到当前帧的对齐帧;然后,利用基于自编码器架构的融合网络充分提取已有帧信息,增强非关键帧的重构质量.仿真结果表明,与最优的迭代优化算法SSIM-InterF-GSR相比,所提算法重构帧的峰值信噪比（Peak Signal to Noise Ratio,PSNR）最高提升了4.74 dB;与最优的深度学习算法STM-Net相比,所提算法...