基于多分支注意力改进的YOLOv5无人艇目标检测方法

针对水面无人艇目标检测类别多、尺寸小、形变大等难题,提出了基于多分支注意力改进的YOLOv5检测算法。首先提出了一种SAv2Attention模块,通过对通道的“复制-转换-合并”等处理,实现卷积层通道间与通道内特征融合,提升网络的局部感受野,然后将其嵌入到YOLOv5网络,最后在构建的真实海试数据集上进行了大量对比实验。结果表明,SAv2Attention可有效提升YOLOv5的检测精度,典型海面目标数据集上,mAP@0.5检测精度达到94.6%,mAP@0.5:0.95检测精度达到60.9%,相较于原生算法分别提高1.4%和3%,对小尺寸目标平均检测率APS提升4.3%,证明所提方法能有效提升无人艇对水面小目标的检测能力。     

基于AHP-DQN的作战效能优化方法研究

针对舰艇编队威胁海域安全的案例,设计了红方突防攻击、蓝方防空反导的想定以及陆、海、空3种反航母作战策略,基于墨子系统开展多方案作战仿真,获得了双方战损数据。在此基础上,建立了以引诱、攻击等性能参数为基础的指标体系,以层次分析法(AHP)分析了3种策略的作战效能。进一步提出了一种以AHP权重定奖励的深度强化学习(DQN)算法,对海基策略进行了优化,作战效能提高了5.36%。研究结果表明,基于墨子系统这一类作战仿真软件开展想定设计、作战策略仿真,再建立AHP-DQN进行作战效能优化的方法可为反舰作战提供参考。     

基于深度强化学习的作战概念能力需求分析

作战能力需求分析是作战概念开发过程中的关键环节,在形式化描述作战概念能力需求分析问题的基础上,通过定性与定量结合,设计了一种基于深度强化学习的作战概念能力需求分析方法。该方法通过模拟仿真实验,获取高可信度的仿真小样本数据集;基于经验数据构建作战概念的代理模型,并以高可信度仿真数据集为输入,应用多目标优化算法对代理模型进行优化训练;最后,将训练得到的代理模型与深度强化学习框架进行交互寻优,实现作战概念能力需求的反向探索。选取“超越式登陆”为实例进行验证,实验结果表明方法可行。     

潜艇大深度损失浮力仿真分析及操纵方法

针对潜艇舱室破损进水损失浮力后的安全操纵控制问题,分析了潜艇大深度航行的时机与操纵特点,在潜艇应急操纵运动模型的基础上,通过编制潜艇大深度航行安全操纵研究平台软件,仿真分析了潜艇大深度航行条件下的损失浮力后的运动响应及高压气应急吹除控制方案,制定了大深度航行舱室进水挽回限制线,总结出了大深度航行损失浮力时的操纵方法.研...     

基于改进YOLOv7的融合图像多目标检测方法

针对微光环境下目标检测精度较低的问题,提出了一种基于改进YOLOv7的微光与红外融合图像的多目标检测方法。结合可见光、红外图像的优点,利用生成对抗网络法制作融合图像数据集。在YOLOv7模型中引入BoT结构,使网络更加关注整体图像信息,提升特征提取能力,从而提高行人和汽车检测的准确率,并将回归损失函数由CIoU改进为SIoU,降低自由度,加速网络收敛,得到了YOLOv7的改进算法—BoT-YOLOv7。在公开数据集LLVIP和MSRS上进行了实验。结果表明：相比可见光或红外图像,BoT-YOLOv7对融合图像的检测精度较高;改进算法对融合图像取得了92.6%的平均精度均值,较原始YOLOv7模型提高了5.83%;BoT-YOLOv7算法在检测行人和汽车等目标时漏检和误检率较低,具有较好的准确性和实时性,可以满足微光环境下多目标探测的要求。     

一种防弹玻璃抗大口径穿燃子弹侵彻能力研究

为了研究一种防弹玻璃的抗侵彻机理,基于12.7、14.5 mm穿燃弹开展一种防弹玻璃的抗侵彻试验。通过分析侵彻后靶板的破环形貌,揭示了该型防弹玻璃对穿燃弹的抗侵彻机理。采用ANSYS/LS-DYNA软件对2种口径穿燃弹侵彻该防弹玻璃的过程进行数值模拟,对比分析装甲倾角对2种口径穿燃弹极限穿透速度的影响,以及穿燃弹初速度对剩余速度的影响,获得了该防弹玻璃的抗侵彻机理,并计算得到装甲防护系数。结果表明：弹丸初速度与极限穿透速度相同时,此时的弹道偏离角最大,随着弹丸初速度的增大,弹道偏离角减小;防弹玻璃PC背板的出孔裂缝长度与弹丸初速度成正比增长关系;弹丸初速度相同时,剩余速度随着穿燃弹口径的减小而减小,且随着初速度的增大,差值逐渐减小;通过工程算法得到该型防弹玻璃对12.7 mm穿燃弹的防护系数为0.74。     

钨杆超高速侵彻混凝土靶侵彻深度研究

为探究钨杆超高速侵彻混凝土靶的侵彻深度随弹体初速的变化规律,利用125 mm火炮开展钨合金杆弹侵彻混凝土试验,验证了数值模拟的合理性。利用LS-DYNA有限元软件,对超高速侵彻过程进行数值模拟,结合数值模拟结果进一步分析超高速侵彻过程。研究结果表明：(1) 0.2～1.6 km/s速度范围内,弹体质量侵蚀率与弹体初始动能呈线性关系;(2)侵彻深度随弹体初速增加呈现先增加后减小现象,在初速1.2 km/s附近存在侵深最大值约80倍弹径,超高速条件下侵彻深度对于中低速侵彻并无优势;(3)随着侵彻速度的增加,流体侵彻阶段的侵深变化不大,而刚体侵彻阶段大幅度降低,使总侵深大幅降低,导致总体侵深曲线呈现先增大后减小的趋势。     

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。     

基于卷积双向长短期神经网络的调制方式识别

针对现有卷积神经网络方法下调制识别时间较长、网络较复杂等问题,将卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)相结合,提出一种基于CNN-BiLSTM的调制方式识别方法。利用CNN卷积运算提取信号的空间特征,利用BiLSTM提取到信号的时序相关性,利用softmax层输出识别概率,达到多调制识别的目的。实验结果表明,在没有信道和噪声等先验信息的条件下,该方法的识别性能得到了进一步提升,能有效识别16QAM、64QAM等11种调制类别,且该方法的复杂度较低,大大节省了训练识别时间,具有较好的工程应用价值。     

在培育甘苦与共、生死与共的革命情谊中锻造过硬基层

习主席深刻指出,"要深入开展尊干爱兵、兵兵友爱活动,培养官兵甘苦与共、生死与共的革命情谊,巩固和发展团结、友爱、和谐、纯洁的内部关系"。当前,随着时代发展进步和改革强军深入推进,部队使命任务深度拓展,官兵成分年轻化、思想多元化、需求多样化,建设"三个过硬"基层更加需要团结巩固的革命情谊来凝聚意志、焕发热情、提供保证。