基于应变局部化理论的剑桥模型改进

应用传统的弹塑性理论模型在分析剪切带的时候遇到了很多困难,如控制方程失去椭圆性等,其原因是传统的弹塑性理论模型并没有包含材料的内部参数。在剑桥模型的基础上,考虑应变二阶梯度,提出一种新的计算剪切带的理论模型。当应变局部化发生时,带内土体采用该模型计算,带外土体则按照传统弹塑性模型计算。该理论模型汲取了剑桥模型实验参数少,应用简便的优点。     

军事工程渗漏检测技术及设备研究

研究军事工程渗漏检测技术及设备,对保证部队官兵的战备训练和生活、武器装备和军需物资的安全存储、军事功能的发挥以及军事任务的完成,具有十分重要的军事、经济意义。比较分析了军事工程渗漏检测技术与方法,确定电磁波技术法为军事工程渗漏检测设备的基本检测原理。分别从检测与传输、智能处理与分析、机械设计与合成、工程实验与验证4个主要分系统对军事工程渗漏检测设备的研制进行了阐述。应用军事工程渗漏检测设备进行了工程实践,解决了已建工程渗漏检测、新建工程防水、防渗漏工程质量验收的技术难题。     

陆军分队作战指挥训练模拟系统及相关问题探讨

本文介绍了已研制和实际使用的陆军分队作战指挥训练模拟系统的整体框架、使用功能和基本特点,同时论述了构成该系统的层次结构和描述模型,最后根据我们的实践过程,就陆军分队作战和训练模拟系统的开发和使用中引发的有关问题,提出来与同行们共同思考。     

弹药装载的构造型启发式算法研究

多约束条件下的弹药装载问题是一个复杂的组合优化问题,属于NP-完全问题,其求解是很困难的,所以在实际应用中,往往采用一些启发式算法来求解。本文在考虑弹药装载中各类约束条件的情况下,构建了弹药装载优化模型,提出了一种弹药装载的构造型启发式算法。该算法考虑了装载方向、重量、弹药箱装入顺序和装载位置以及运输工具装载平衡等因素,并通过算例检验,说明了该算法在弹药装载中应用的有效性。     

构建野战干线节点通信网模型研究

本文从野战干线节点通信网(以下简称“干线网”)的实际组织运用入手,分析了影响干线网组织运用的主要因素,提出了量化这些因素的方法和量化值,并根据面向对象的分析设计原则,进行了数据类型抽象和类层次模型的构建。     

系统决策建模与理性分析

本文以系统科学理论为依据,从系统科学基本命题出发,根据系统论关于“系统”的定义及有关“决策”的概念,给出了“系统决策”的定义,建立了系统决策问题的概念模型,并对系统决策理性及系统决策概念模型进行分析研究。     

基于XMSF的组播拥塞控制模型的设计与研究

采用叠加组播技术为XMSF提供多对多的通信服务,同时使用拥塞控制机制保证其网络服务质量。提出了一种新的组播拥塞控制模型,在MAX-PLUS代数基础上采用线性循环法分析计算了其吞吐量,经过仿真验证了该模型的可行性和灵活性。     

基于改进粒子群算法的四旋翼BSMRC优化策略

针对四旋翼无人机反步滑模鲁棒控制器(BSMRC)因参数整定困难而限制其工程应用的问题,设计了一种基于改进粒子群算法(IPSO)的BSMRC参数优化策略。建立了含未知扰动的无人机非线性模型并设计了补偿未知扰动的BSMRC,通过Lyapunov第2方法对系统稳定性进行了证明。接着,从惯性权重和学习因子两方面对经典PSO算法改进,提升了其收敛速度,在此基础上自动整定了BSMRC参数。通过仿真表明了IPSO可使BSMRC参数快速收敛到最优解。通过模块化编程及自动代码生成技术将最优BSMRC算法部署至Pixhawk 4飞控进行了飞行实验,结果表明了IPSO优化策略的有效性,体现出了BSMRC的强鲁棒性和抗扰性。该优化策略解决了无人机BSMRC参数整定效率低下的问题,并采用基于模型设计(model-based design, MBD)技术提高了无人机控制系统的开发效率。     

无人机多模态融合的城市目标检测算法

城市低空运用小型无人机检测车辆等城市目标正逐渐成为主流手段。针对目前存在的实际场景中可见光探测易受光照影响、无法夜间工作和红外探测目标边缘模糊,导致单模检测网络检测精度低的问题,提出了一种基于图像融合和深度学习网络的无人机多模态融合的城市目标检测算法：首先,基于DUT-VTUAV可见光-红外配准数据集和TIF图像融合算法,构建多模态融合数据集;其次,对比了现有YOLO(You Only Look Once)检测系列网络的检测精度、速度及参数量等性能参数,选择出最适合无人机端移动部署的轻量化网络YOLO v5n;最后,综合运用图像融合算法和目标检测模型,形成多模态融合检测算法。在车辆数据集上进行的对比实验表明：相对单模检测,所提出的算法的检测精度得到有效提升,mAP高达99.6%,且该算法可在0.3 s内完成一组可见光-红外图像的融合检测,具有较高的实时性。     

2023年深度学习技术主要发展动向分析

深度学习已成为人工智能领域的研究热点和主流发展方向之一,为诸多重要应用领域带来了革命性的进步。对2023年深度学习技术热门领域的主要发展动向进行了综合评述。首先介绍了深度学习技术发展现状,其次探讨了深度学习技术的军事应用任务和挑战,最后盘点了深度学习技术的未来重点发展方向。综述表明,大语言模型是深度学习领域在2023年最突出的亮点,世界模型框架下的自监督学习技术、强化学习框架下的人工智能智能体技术等也呈现加速发展态势;环境恶劣与强干扰复杂条件下的高鲁棒性深度学习、面向实时流数据高效处理与内在逻辑关联的深度学习、面向多变作战场景自主决策与快速决策的深度学习、面向跨域数据协同感知与协同推理的深度学习等,是深度学习技术未来重要的发展方向。