考虑决策者时序偏好的时域证据融合方法

针对时域不确定信息的融合难题，为充分体现时域信息融合的动态性特点和时间因素对融合的影响，在证据理论的基础上，提出一种考虑决策者时序偏好的时域证据融合方法。首先将决策者对时序的偏好融入时域证据融合，通过分析时域证据序列的特点，在定义时序记忆因子的基础上，对决策者的时序偏好进行度量；然后通过构建优化模型求解时序权重，再结合证据信任度的概念，对证据源进行修正；最后利用Dempster组合规则对修正后的证据进行融合。数值算例表明，与没有考虑时间因素的融合方法相比，考虑决策者时序偏好的证据融合方法可以有效处理时域信息序列中的冲突信息，得到合理的融合结果；同时，所提方法充分考虑了时域证据序列的信任度和决策者的主观偏好，可以反映决策者主观因素对时域证据融合的影响，较好地体现了时域证据融合的动态性特点。     

射流推力矢量喷管粒子沉积特性数值模拟

运用粒子轨道模型对基于激波控制的三维轴对称收缩扩张喷管中的气固两相流动进行了数值模拟,研究了1～100μm不同直径粒子的沉积特性。计算结果表明:主流中粒子的沉积部位主要集中在喷管的收敛段和喉部附近,粒子直径越大,沉积区域越大,大沉积率越高;二次流中的大尺寸粒子会对扩张段壁面造成烧蚀。射流推力矢量喷管的热防护设计应充分考虑到二次流中粒子对壁面的烧蚀。     

流体推力矢量技术

推力矢量技术是提升导弹性能的关键技术。流体推力矢量技术作为一项全新的推力矢量技术,具有传统机械调节式矢量喷管无法比拟的优点。简要介绍了推力矢量技术的原理和应用情况,着重论述了流体推力矢量技术原理、实现方式以及研究现状。     

多学科设计优化理论在飞行器设计中的应用研究

以飞行器设计应用为背景,介绍了多学科设计优化的基本思想和研究内容,归纳了MDO的知识框架及工程设计常用优化算法,并总结了MDO在飞行器设计中的应用。     

宽高比对超燃冲压发动机尾喷管的性能影响研究

三维后体尾喷管是超燃冲压发动机产生推力的关键部件。文中在优化设计后的二维后体尾喷管基础上,采用计算流体力学软件Fluent,对不同宽高比的三维尾喷管内流场进行了数值模拟,研究了宽高比对超燃冲压发动机尾喷管性能的影响。结果表明:随着宽高比的增大,尾喷管的轴向推力系数、推力矢量角都有比较明显的增大,综合考虑,建议设计喷管时选择宽高比H≤5。     

高速公路建设工程招投标中电子招投标的应用

电子招投标是通过网络计算机等信息等技术,对传统招投标模式进行优化重组的工作流程,实行网络在线招标、投标、开标、评标和监督等一系列操作,最终实现高效、专业、规范、安全、低成本的招投标管理。近年来,电子招投标作为一种全新的业务迅速发展起来,它的出现使招投标的效率得到了很大的跃升,为规范公路建设项目招投标市场的秩序,各地也积极推行电子招标投标,同时取得了良好效果。本文结合具体实践讨论、分析了电子招投标在公路建设项目投标中的具体应用,包括公路建设项目电子招投标的主要特点和弊端。     

基于相关系数的证据冲突度量方法

当证据高度冲突时,使用D-S组合规则将会得到不合常理的结果,因此,针对证据组合规则的改进成为一个重要的研究课题,在选择合适的证据组合方法之前,确定证据之间是否冲突、冲突程度如何,是个至关重要的问题,为了更加准确地描述证据间的冲突,在分析证据相似度与证据冲突关系的基础上,基于证据相关系数提出了一种新的证据冲突度量方法,理论分析和数值计算表明该方法可有效表示证据之间的冲突程度,相关系数越大,证据间冲突就越小,与其他方法相比,该方法更具全面性和合理性。     

DDAC：面向卷积神经网络图像隐写分析模型的特征提取方法

针对基于卷积神经网络的图像隐写分析方法中使用人工设计的滤波器在特征提取过程中有效性低的问题,提出方向差分自适应组合（DDAC）特征提取方法。在计算中心像素与周围不同方向像素的差分后,使用1×1卷积对方向差分进行线性组合。根据损失对组合参数自适应更新来构建多样化的滤波器,使获取的嵌入信息残差特征更有效。使用截断线性单元提高嵌入信息残差和图像信息残差的比率,加快模型收敛速度并提高残差特征提取能力。实验结果表明,该方法使Ye-net、Yedroudj-net模型的准确率在WOW和S-UNIWARD数据集中提高1.30%～8.21%。与固定和更新参数SRM滤波器方法相比,测试模型在不同隐写数据集中的准确率提高0.60%～20.72%,并且训练过程更稳定。对比其他图像隐写分析模型,DDAC-net具有更高的隐写分析效率。     

基于改进粒子群优化和极限学习机的网络安全态势预测

针对网络安全态势预测模型预测精度不高、收敛较慢等问题,提出了一种基于改进粒子群优化极限学习机（IPSO-ELM）算法的预测方法。首先,通过改进粒子群优化（PSO）算法中的惯性权重和学习因子来实现两种参数随着迭代次数增加的自适应调整,使PSO初期搜索范围大、速度高,后期收敛能力强、稳定。其次,针对PSO易陷入局部最优的问题,提出一种粒子停滞扰动策略,将陷入局部最优的粒子重新引导至全局最优飞行。改进粒子群优化（IPSO）算法既保证了全局寻优的能力,又对局部搜索能力有所增强。最后,将IPSO与极限学习机（ELM）结合来优化ELM的初始权值及阈值。与ELM相比,结合IPSO的ELM的预测精度提高了44.25%。实验结果表明,与PSO-ELM相比,IPSO-ELM的预测结果拟合度可达到0.99,收敛速度提升了47.43%。所提算法在预测精度和收敛速度等指标上明显优于对比算法。     

基于Attention-DenseNet-BC的恶意软件家族分类方法

恶意软件是互联网最严重的威胁之一.现存的恶意软件数据庞大,特征多样.卷积神经网络具有自主学习的特点,可以用来解决恶意软件特征提取复杂、特征选择困难的问题.但卷积神经网络连续增加网络层数会引起梯度消失,导致网络性能退化、分类准确率较低.针对此问题,提出了一种适用于恶意软件图像检测的Attention-DenseNet-BC模型.首先结合DenseNet-BC网络和注意力机制(attention mechanism)构建了Attention-DenseNet-BC模型,然后将恶意软件图像作为模型的输入,通过对模型进行训练和测试得到检测结果.实验结果表明,相比其他深度学习模型,Attention-DenseNet-BC模型可以取得更好的分类结果.在Malimg公开数据集上该模型取得了较高的分类精确率.