持之以恒抓学习 联系实际促运用——北京军区某集团军政委杜恒岩访谈录

北京军区某集团军是全国、全军理论学习的先进典型。自1990年以来,该集团军坚持把团以上领导干部的理论学习作为加强党委和部队建设的“龙头”来抓,先后在全国省(部)级党委中心组理论学习经验交流会与全军高中级干部学习理论和现代科技知识汇报会上介绍了经验和做法。日前,本刊记者就如何持之以恒抓好理论学习,联系实际、学以致用的问题,采访了集团军政委杜恒岩同志,现将访谈录刊载如下。     

以科学的态度学习“七一”讲话

汀泽民同志的“七一”重要讲话内容十分丰富,博大精深,是对马克思主义的继承、丰富和发展,是马克思主义与中国实际相结合的又一次理论飞跃,是上中国化的马克思主义。在前一阶段的学习过程中,一些同志之所以对《讲话》中提出的一些新思想、新观点、新论断理解不深。     

把握好英语听力材料粗调输入的难度

学生在学习英语时倍感听力困难,教师在听力教材设计及课堂教学中应重视听力课中粗调输入(roughly—tuned—input),把握好粗调输入的难度,并通过开设泛听课给学生创造一个自然的外语学习环境,从根本上改变学生害怕英语听力的局面。     

争创先进带好头 无私奉献作表率

我1981年入伍,1998年任海口市支队后勤处长。入伍20年来,在各级党组织和首长的教育培养下,我立足本职,积极进取,严格要求,勤奋工作,为部队建设做出了应有的贡献。去年来,我带领后勤处的同志日夜奋战,深入一线,在较短的时间指导部队完成了基层后勤正规化建设任务,为支队争刨标兵支队打下坚实的物质基础。     

运用理论研究成果推动部队后勤建设

在纪念《武警后勤》杂志出版发行100期之际,我们深深体会到,结合工作进行理论研究,应用理论研究成果指导工作实践,是提高工作绩效的科学态度和方法。从多年来的学习、工作实践看,坚持这样做,部队后勤建设就能一年上一个台阶,综合保障能力不断得到增强。     

后勤处长抓规范化管理应把握的几个问题

抓好后勤规范化管理工作,既是各级后勤的职责,也是落实总部后勤工作总体思路的要求。后勤处长是基层后勤管理工作的直接领导者和组织者,是抓落实的关键人物。如何结合基层实际抓好规范化管理工作,是摆在后勤处长面前的重要任务。我们认为,后勤处长要抓好基层后勤规范化管理工作,应在五个方面下功夫。     

基于HRRP的雷达目标识别研究综述

雷达目标识别(RTR)技术在国土防空和战略预警领域具有重要意义,目前相关研究大多基于高分辨距离像(HRRP)展开。梳理了当前研究主要聚焦于样本完备和小样本情况下目标识别的问题,研究方法主要聚焦于基于特征提取的识别方法、基于统计建模的识别方法以及基于深度学习的识别方法等3个方面。聚焦2大问题,从3个方面开展综述,进行归纳总结;指出在当前研究领域存在的5个亟待解决的问题,分析了下一步研究可以考虑的方向。     

基于智能反射面辅助的无人机主动监听优化方法

针对可疑用户可能利用无线通信危害公共安全的问题,通过智能反射面和无人机组合的方法来帮助合法监视器监听可疑链路。首先,考虑了无人机与地面用户以及地面用户之间复杂的信道交互,构建了一个合法监视器监听速率最大的优化问题。其次,为了解决这个复杂的非凸优化问题,采用深度强化学习技术,将无人机的轨迹规划和智能反射面的相移变化问题建模为马尔可夫决策过程,设计了相应的奖励函数,并基于最大熵的深度强化学习算法实现无人机和智能反射面相移设计的联合优化。最后,从仿真结果看,与无智能反射面的优化方案相比,有智能反射面的优化方案不仅提高了合法监视器的监听速率,还降低了无人机的能耗,另外智能反射面反射单元的不同数量也会对监听速率产生影响。同时,相较于近端策略优化,基于最大熵的深度强化学习算法的优化策略拥有更稳定的训练过程和更快的收敛速度。     

融合先验知识的异构多智能体强化学习算法研究

近年来,基于深度强化学习的机器学习技术突破性进展为智能博弈对抗提供了新的技术发展方向。针对智能对抗中异构多智能体强化学习算法训练收敛速度慢,训练效果差异大等问题,提出了一种先验知识驱动的多智能体强化学习博弈对抗算法PK-MADDPG,构建了双重Critic框架下的MADDPG模型。该模型使用了经验优先回放技术来优化先验知识提取,在博弈对抗训练中取得显著的效果。论文成果应用于MaCA异构多智能体博弈对抗全国竞赛,将PK-MADDPG算法与经典规则算法的博弈对抗结果进行比较,验证了所提算法的有效性。     

基于多标签学习的探索性仿真实验因素筛选方法

探索性仿真实验是一种认识、研究战争的重要手段,但往往面临想定样本空间复杂程度高,空间维度爆炸等问题。针对上述问题,提出一种定性定量相结合的基于多标签学习的实验因素筛选方法。首先,基于定性分析设计并实施仿真预实验,采集处理实验数据,解决机器学习样本数据缺失问题;随后,引入输入控制层搭建深度神经网络,引入稀疏正则化,在多标签模型训练过程中实现特征选择;然后,回归定性分析,补充完善实验因素;最后,以某作战样式下立体投送行动仿真推演为背景进行实验验证。实验结果表明,筛选的实验因素与作战行动现实情况吻合。