特别关照

我是1996年12月参军入伍的。离家时,父母叮嘱我:"在家靠父母,出门靠老乡。到部队见了老乡,可要多攀着点儿。"俗话说,美不美,家乡水;亲不亲,故乡人。对父母所说的"攀着点儿",我心领神会。说来也巧,从鱼米之乡来到千里之外的塞外军营,新兵班长竟然是我的老乡。我找来地图查了查,从我家到班长家,距离不到100公里,连方言都非常相近。我有意跟老乡班长"套近乎",天天有事没事喊着"班长好",端茶倒水忙前忙后,目的只有一个,让班长"特别关照"我这个小老乡。班长是全团出了名的训练尖子和优秀班长,每年都要给全团进行一些班训练课目演示。这不,入营才一个月,班长就要带领我们给全团新兵进行队列演示。演示前,机关首长来连进行课目审查验收。当进行到齐步间隔两步走时,我一紧张,将间隔两步走成了间隔三步,把全班队形搞得乱糟糟。机关首长说,新兵紧张,情有可原,正式演示时不出错就行了。首     

哨所上的幸福晚餐

手里紧握着40倍望远镜,上等兵熊启樊独自守着哨楼顶层的值班岗位,专注地"监控"着9公里外的观察点,不敢有一点马虎,但心里却有一丝郁闷:怎么今天轮到我当班!"嫂子,蒜泥已经拌好了!""嫂子,你看我切的土豆丝还算可以吧?"……哨塔下面,厨房里炉火熊熊,4个不当班的战士围着哨长舒贤平和他的妻子赵顺丽忙得不亦乐乎。阵阵欢笑让这个海拔4300多米的哨所生机勃发。     

技术状态控制的理解与实施

结合对有关国家军用标准、行业标准的理解和实际工作中技术状态控制方面的做法、经验和体会,从技术状态更改、偏离、不合格的控制及设计输出的后续补充几个方面,浅谈技术状态控制。     

张顺国:冰火两重天

正张顺国:四川省巴中县人,1933年7月参加中国工农红军,1938年加入中国共产党,参加红军二万五千里长征、延安保卫战。南泥湾大生产时,他是开荒模范。因身体多处受伤,组织安排他回四川省公安部门工作。1955年,在他多次向组织提出请求后,终于回到新疆老部队——农五师。1988年12月6日,老红军张顺国同志因战伤复发长期医治无效,于成都逝世,卒年70岁。噩耗传到艾比湖畔,农五师干部职工的心情无比悲痛。这位个头不高,     

共建和谐新连队

正我叫汝建国,是五师八十六团九连连长。2008年3月,团党委任命我担任九连连长时,熟悉九连情况的人都为我捏了一把汗——九连是一个老连队,农业生产连续几年处于低谷,当时的131户职工中有80户年收入在3000元以下,低于全团平均水平,职工群众人心涣散,思想很不稳定。到任后,针对连队现状,我和党支部成员一道,经过慎重研究后决定,首先从     

幽你一默

正~~     

话外音

正老和尚问小和尚:"如果你前进一步是死,后退一步则亡,你该怎么办?"小和尚毫不犹豫地说:"我往旁边去!"天无绝人之路,人生路上遭遇进退两难的情况时,换个角度思考,也许就会明白:路的旁边还是路。——季羡林心小了,小事就大了。心大了,大事就小了。心累了,身体就累了,心乱了,     

基于分类算法的装备健康度评估方法

装备健康度的准确评估是装备作战训练工作开展和维修保障对策实施的基础,针对传统装备健康状况难以科学评估的问题,提出了综合考虑装备寿命、使用维修情况、装备及其子系统健康状况的装备健康度评价模型,结合装备健康度分类多和样本数据不平衡的特点,采用7种分类算法和10种样本均衡方法对装备健康度进行评估。实验表明,综合运用Near-Miss、SMOTEENN、SMOTE Tomek采样方法和DT、GBDT、RF分类算法,可以有效提高装备健康度分类和指标水平,为装备健康状况的合理评估提供了有效方法。     

交出抗疫大考的合格答卷

“坚决打赢疫情防控的人民战争、总体战、阻击战”“打好武汉保卫战、湖北保卫战”……庚子年春节,中国大地一改万家团圆迎新年的祥和,骤然变为万众一心战疫情的出征。这是一场对国家治理体系和治理能力的大考。时间之紧、难度之大、处境之危险、情况之复杂、任务之艰巨,世所罕见。     

OFDM系统中深度神经网络指导的IQ不平衡补偿算法

正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是现代移动通信中一项重要的物理层通信技术,并且OFDM系统要求子载波间严格正交。然而,在实际系统中,振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase,IQ)不平衡,从而破坏子载波的正交性,严重影响OFDM系统的性能。通过研究IQ不平衡对OFDM系统的影响,提出了一种并联深度神经网络架构下的IQ不平衡补偿算法。该算法利用了深度神经网络不依赖于模型的特点,直接从接收到的频域信号恢复原输入信号的二进制序列,并利用干扰信号来自镜像子载波的先验知识来初始化模型驱动的神经网络,加快其网络优化的收敛速度。仿真结果表明,该算法能有效地补偿IQ不平衡失真,并且在幅度和相位失真的补偿上,其性能都优于传统的基于导频的最小二乘补偿算法,证明了深度学习方法解决物理层问题的优越性。