简介：分析了电子对抗实体模型的建模要求,从实体的组成、结构、行为功能出发,抽象了一个通用的、可灵活装配的电子对抗作战实体模型框架CSA(Component,Structure,Action),并基于该框架探讨了电子对抗实体模型的建模内容,从实体模型的建模过程、生成和实体对象的实例化研究了电子对抗实体模型的实现。研究结果表明:CSA模型框架能够较完整地描述电子对抗实体的特性,适合应用于电子对抗仿真系统中,并对作战仿真中实体模型的构建具有一定的指导意义。

简介：针对传统军事命名实体识别方法存在人工构建特征复杂和军事文本分词不准确等问题,提出了一种基于深度学习的军事命名实体识别方法。结合双向长短时记忆（Bi-directionalLongShort-TermMemory,Bi-LSTM）神经网络对较长句子上下文的记忆能力、字向量（characterembedding）对汉字语义的表示能力和条件随机场（ConditionalRandomField,CRF）对标注规则的学习能力,构建了character＋Bi-LSTM＋CRF实体识别模型。为验证方法的有效性,在军事想定语料集上进行了实验,结果表明：该方法比传统方法识别效果好,识别准确率、召回率和F值均大幅提升。

简介：针对关联维数计算耗时量大的问题，通过改进点对距离的度量方法，以及采用K-NN技术进行点对的搜索实现了关联和的快速计算，较大程度地提高了关联维数的计算速度。验证表明：对于长度为20480的时间序列，采用快速算法计算关联维数，其耗时量是G-P算法的1／60。

简介：在对城市火灾危害的主要因素分析的基础上，应用灰色关联度分析方法，归纳了不同火灾风险因素对城市火灾危害性的影响程度，通过对灰色关联度的计算，对不同因素的火灾危害性进行了排序。