基于模糊加权极限学习机的类不平衡软件缺陷预测

在软件缺陷预测中,普遍存在软件缺陷数据的类不平衡问题,严重影响着传统预测模型的性能.为了缓解类不平衡对预测模型性能的影响,引入模糊集的思想,提出了一种基于相对密度的模糊加权极限学习机算法.该方法首先采用所提的相对密度方法求出适用于不同数据样本的加权矩阵,进而将其与传统加权极限学习机结合,并训练模糊极限学习机,最后通过NASA软件缺陷类不平衡数据对所提方法的有效性和可行性进行验证.实验结果表明:与诸多类不平衡软件缺陷预测方法相比,文中方法具有更好的预测性能,并在G-mean、AUC和Balance的评价指标上有较优表现.     

Parzen窗估计在潜艇目标强度统计建模的应用

研究潜艇目标强度的统计特性对水中兵器的仿真和试验分析具有重要意义.本文针对直方图统计模型的精度受区间划分影响较大,提出将Parzen窗估计方法用于潜艇目标强度的统计建模,建立潜艇典型舷角下的目标强度分布模型,并对统计特性进行分析.对Benchmark潜艇模型进行仿真计算,结果表明,采用Parzen窗估计法建立的潜艇目标强度统计模型符合潜艇的物理结构特性,能够更加准确和有效地对潜艇目标强度的统计特性进行预报.     

船舶航行网络流量的建模与预测

船舶航行网络流量受到外界因素的干扰,具有比较强的随机性,当前船舶航行网络流量的预测准确性差,为了改善船舶航行网络流量预测的效果,设计一种高精度的船舶航行网络流量建模与预测方法。首先收集一维船舶航行网络流量样本,并通过变换得到一种多维的船舶航行网络流量样本,然后引入极限学习机描述船舶航行网络流量的变化规律,并对极限学习机参数进行优化,改进基本极限学习机的不足,最后进行船舶航行网络流量预测的应用实例,分析本文方法的可行性,结果表明,本文方法的船舶航行网络流量预测误差小于5%,低于实际应用要求的10%,同时船舶航行网络流量建模过程自化程度高,简单,获得了较快的船舶航行网络流量预测速度,为解决船舶航行网络流量的预测问题提供了一种建模技术。     

舰船网络入侵风险等级估计算法研究

针对当前舰船网络入侵风险等级估计算法存在的缺陷,以提高舰船网络入侵风险等级评估正确率为目标,设计了一种改进极限学习机的舰船网络入侵风险等级估计算法。首先根据专家和相关研究设计舰船网络入侵风险等级估计的指标,并根据指标采集相应的舰船网络入侵风险等级估计数据,然后采用极限学习机对舰船网络入侵风险等级进行建模,并采用粒子群算法优化舰船网络入侵风险等级估计模型的参数,最后进行舰船网络入侵风险等级估计验证性实验。实验结果表明,改进极限学习机获得了十分理想的舰船网络入侵风险等级估计结果,而且估计性能要远优于当前其它舰船网络入侵风险等级估计算法,具有更高的实际应用价值。     

Parzen窗估计在潜艇目标强度统计建模的应用

研究潜艇目标强度的统计特性对水中兵器的仿真和试验分析具有重要意义。本文针对直方图统计模型的精度受区间划分影响较大,提出将Parzen窗估计方法用于潜艇目标强度的统计建模,建立潜艇典型舷角下的目标强度分布模型,并对统计特性进行分析。对Benchmark潜艇模型进行仿真计算,结果表明,采用Parzen窗估计法建立的潜艇目标强度统计模型符合潜艇的物理结构特性,能够更加准确和有效地对潜艇目标强度的统计特性进行预报。     

改进二阶灰色极限学习机在船舶运动预报中的应用

为提高船舶运动预报的精度,基于海上船舶运动姿态具有灰色特性和周期性振荡特性的特点,提出一种以误差平方和最小为准则的改进二阶灰色极限学习机组合预测模型,对船舶运动姿态进行预报。该方法利用五点三次平滑算法对船舶运动姿态序列进行平滑降噪,采用余弦函数变换构建GM(2,1)预测模型;利用自适应粒子群算法(Adaptive Particle Swarm Optimization,APSO)优化极限学习机权值和阈值参数,对不同模型预测结果进行加权求和,构建改进二阶灰色极限学习机组合预测模型。对2组船模水池试验纵摇时历进行预报,并将其与其他传统的预测方法相比较,结果表明,建立的组合预测模型具有更好的预测精度和泛化能力。     

船舶网络流量的异常状态检测模型

船舶网络流量异常状态直接描述船舶网络工作情况,当前船舶网络流量异状检测过程中存在误差大、计算时间复杂度高等缺陷,为了获得更好的船舶网络流量异常状态检测结果,设计了基于复合核函数极限学习机的船舶网络流量异常状态检测模型。首先分析当前船舶网络流量异常状态检测研究进展,阐述船舶网络流量异常状态检测的基本思路,然后采集船舶网络流量异常状态检测数据,并采用复合核函数极限学习机建立船舶网络流量异常状态检测模型,最后进行仿真实验,实验结果表明,复合核函数极限学习机可以全面、客观描述船舶网络流量异常状态,检测精度高、时间短,相对于其他船舶网络流量异常状态模型,综合性能更优,可以有效保障船舶网络正常、安全工作。     

基于模型预测的传感器网内通信数据约减方法

针对平稳感知对象和能耗敏感的一类无线传感器网络,提出了一种基于自回归模型的时间序列数据预测生成方法.通过采用少量感知对象的测量值作为样本来估计传感器节点AR模型的参数,并使用模型参数在汇聚节点内重构传感器节点的测量值,实现网内节点通信数据的约减.在误差可控情况下,减少传感器节点与汇聚节点间的通信数据量,从而降低网络整体能耗.通过实测数据仿真验证该方法的有效性.     

基于FPGA的船舶电站控制器直流采样算法研究

传统算法采用傅里叶算法无法消除船舶电站控制器直流分量,导致采样效果较差。为了解决该问题,提出了基于FPGA的船舶电站控制器直流采样算法研究。根据直流采样原理,集中数据序列中的连续数据,形成一个样本数据库,从样本数据库中提取部分数据,使用加窗插值方法,在时域与窗函数相乘时,减小基波与频谱间干扰。使用余弦窗截短后,可通过对待测试信号的频域进行检测,并对加窗后的数据进行排序,方便直流采样。通过加窗插值方法可正确计算出码相位,依据采样方案设计流程,实现船舶电站控制器直流采样。通过实验对比结果可知,该算法最高采样效率可达到93%,为电站控制器电流高质量输出奠定基础。     

船舶通信网络入侵节点的定位研究

网络入侵严重影响船舶网络通信安全,尤其是入侵节点定位更为关键,针对当前船舶通信网络入侵节点定位效果差的问题,提出基于改进极限学习机的船舶通信网络入侵节点定位方法,首先分析船舶通信网络入侵节点定位流程,并采用极限学习机对船舶通信网络入侵节点定位特点进行分析,建立船舶通信网络入侵节点定位模型,同时对标准极限学习机存在的不足进行改进,最后选择一些船舶通信网络入侵节点定位数据对模型性能进行仿真测试,改进极限学习机解决了当前船舶通信网络入侵节点定位方法存在不足,船舶通信网络入侵节点定位精度得到明显的提高,而且船舶通信网络入侵节点定位速度也得到较好的改善,可以有效保证船舶网络的通信安全。     

基于极限学习机的舰船网络入侵检测算法

针对传统网络入侵检测算法在舰船网络中存在的检测误差高的问题,提出基于极限学习机的舰船网络入侵检测算法。构建舰船通信网络模型,在该模型下实时采集通信数据并对其进行预处理。将采集的数据作为输入项,利用极限学习机算法提取网络入侵特征。根据网络入侵行为设置行为特征标准,结合舰船网络入侵节点聚集度的计算结果,得出舰船网络入侵检测结果。通过与传统入侵检测算法的对比发现,设计算法的检测误差有所降低,即入侵检测精度得到提升。     

舰船逆变器的故障诊断

逆变器对舰船正常工作起着非常重要的作用,当前舰船逆变器故障诊断方法存在训练时间长、诊断精度低等问题。为了获得更加理想的舰船逆变器故障诊断结果,提出基于混沌粒子群算法和极限学习机的舰船逆变器故障诊断方法。首先对舰船逆变器故障诊断研究进展进行分析,找到当前影响舰船逆变器故障诊断的影响因素,然后采用极限学习机对舰船逆变器故障诊断进行建模,并采用混沌粒子群算法对极限学习机参数进行优化,确定最优的舰船逆变器故障诊断模型,最后与其他舰船逆变器故障诊断方法进行对比测试。结果表明,本文方法能够有效提高舰船逆变器故障诊断速度和诊断的精度高,可以准确实现舰船逆变器故障诊断。     

捷联惯性基组合导航鲁棒UKF方法

捷联惯性基组合导航中,量测值存在野值的情况难以避免,会导致无迹卡尔曼滤波(UKF)的估计精度下降。针对该问题,本文提出一种基于一类向量机(SVM)的鲁棒UKF算法(SVM-UKF)。首先使用一类支持向量机训练滑动窗,来辨别滤波中的新息是否为异常,对于正常新息不予处理,对于异常的新息采用指数加权的方法进行估计,使用新的估计值替换野值,并进行了船载实验,对含有野值的SINS/GPS系统使用SVM-UKF与常规UKF,RUKF滤波进行组合导航实验。实验结果表明,在量测值有野值污染的情况下,SVM-UKF具有较高的鲁棒性,对比于UKF,RUKF具有更高的估计精度。     

数字遥感舰船图像特征精确匹配方法分析

传统舰船图像特征匹配方法,无法对数字遥感图像进行高精度图像匹配,导致图像有效信息使用率降低。因此,提出数字遥感舰船图像特征精确匹配方法分析。首先,通过FAST算法对数字遥感图像进行匹配信息的高精度特征检测;接着,根据图像特征检测数据,对图像特征点进行描述;然后,通过描述的特征点信息,完成像素级别的特征相似度匹配计算,从而完成数字遥感舰船图像特征精确匹配。最后,采用仿真测试工具,对设计方法与传统方法进行数据实验,并根据实验对比结果,证明数字遥感舰船图像特征精确匹配方法的有效性。     

一种基于故障定位与分析的平均修复时间检验方法

提出了一种兼有分析估计与试验验证特点的检验方法:模拟故障,进行故障定位并记录定位时间,基于经验数据分析一次维修作业中其他维修活动的时间,各时间相加即得到一次维修作业的时间;由此方法得到需要的多个维修作业样本,根据样本值估计平均修复时间的值并根据需要进行验证.该方法适用于研制阶段对平均修复时间的估计,也可用于缺乏自然故障产生的维修作业样本时的验证.采用该方法能节省试验时间和经费.     

一种基于TCM-SVDD的样本类别标注方法

船舶机械噪声源的识别是一个小样本条件下的模式识别问题,采用增量学习是解决此问题的一条有效途径。但在进行增量学习以前,必须对新增样本的类别进行有效识别。为有效识别新增样本的类别,提出一种新的TCM-SVDD方法。首先,通过支持向量数据描述（SVDD）方法获得训练样本与新增样本的拉格朗日乘子;然后,将其作为该样本的奇异值代入直推置信机（TCM）中,估计新增样本属于不同类别的置信度,并将其与预设的置信水平进行比较;最后,剔除新增样本中的异类样本,实现增量学习。试验结果表明,该方法能快速、准确地识别异类模式样本,对训练样本集中混有少量异类模式样本的情况不敏感,而且可以控制对异类样本的检测准确率,自动化程度高。     

基于VDM与APSO优化极限学习机的船舶运动姿态预报

为提高船舶在海上运动的耐波性与适航性,并为解决具有非线性、随机性和非平稳性特点的船舶运动姿态难以准确预测的问题,提出运用一种基于变分模态分解和自适应粒子群算法优化极限学习机的组合预测模型。该算法首先利用变分模态分解将船舶运动姿态序列分解为一系列限带内本征模态函数,并且变分模态分解可以避免经验模态分解技术所产生的模态混叠和端点效应,可以降低序列的非平稳性对预测精度的影响;然后对各模态分量分别建立极限学习机预测模型,并用改进的粒子群算法对极限学习机的初始权值和阈值进行优化;最后将各模态分量预测结果进行叠加,得到最终的船舶运动姿态预测值。通过模拟试验测试并与其他传统的预测方法进行比较,结果表明所建立的组合预测模型具有更高的预测精度。     

基于Kohonen神经网络的多传感器数据关联算法

提出了一种基于Konhonen神经网络的多传感器多目标跟踪数据关联算法,该方法是将多传感器的测量数据进行自组织聚类,从而实现测量数据的关联,利用融合估计完成对多目标的状态估计.计算机仿真结果表明了该算法的有效性.     

船舶航线远程控制网络攻击信息实时检测方法

传统船舶航线控制网络信息攻击检测方法,受到远程数据核编码器数据同步的时间不对称影响,导致攻击节点数据核受损信息无同检测算法检测量实时同步,从而出现检测响应出现延迟,降低了检测方法的整体效果。根据数据核编码器数据同步特点,提出船舶航线远程控制网络攻击信息实时检测方法研究。首先,对远程数据核编码器进行计算变量的同步优化;然后,引入布谷鸟算法根据编码器计算特征量,对被远程攻击受损数据进行节点定位;最后,通过数据标准化计算,完成对攻击数据节点位置的确定,完成对船舶航线远程控制网络攻击信息实时检测。通过与传统检测方法的实验数据对比结果,证明提出方法的有效性。     

Bootstrap方法在飞行器自控终点散布估计中的应用研究

以飞行器自控终点散布估计作为研究基础,对利用Bootstrap方法提升小子样下自控终点估计精度问题的自助法进行分析。在简要描述Bootstrap方法数学思想和应用方法的基础上,分别讨论了参数Bootstrap方法以及随机加权法应用于自控终点散布估计的可行性。得到了一种适用于飞行器自控终点散布估计的综合评定方法。计算结果表明,该应用方法是可行并有效的。