“作战云”理论视阈下的装甲兵装备保障

"作战云"的作战理念将引发装甲装备保障领域的深刻变革。文章剖析了"作战云"理论视阈下装甲兵装备保障问题的基本内涵,从装备保障力量部署、指挥控制方式、协同方式、防护手段四个方面分析了"作战云"视阈下装甲兵装备保障的主要特点,提出"探测——决策——保障——评估"的装备保障行动流程。     

陆军装备保障动员需把握的几点问题

陆军装备保障动员是一项复杂的系统工程,涉及范围广、参与要素多、协调难度大,需要立足当前国情军情,着眼陆军使命任务,根据陆军作战任务非线性、多元化的特征,以陆军战略任务为基本依据,针对陆军作战方向、作战对象、强度规模等,将当前任务与长期战略有机结合,突出基地级与部队级两级联动。要适应信息化条件下装备保障动员特点,以加强信息化条件下装备保障动员建设为契机,优化动员体系,完善法规制度,加快理论创新,深化需求分析,建立军民融合式装备动员体系,加强装备动员信息化建设,促进新体制下陆军装备保障动员协调可持续发展。     

技术保障信息化分布式数据库系统研究

针对我军装甲装备技术保障信息化建设的特点和要求,应用分布式数据库理论,提出了建立装甲装备技术保障分布式数据库系统的方法,阐述了实现该系统的设计要求和关键技术。     

一种对间歇采样转发干扰的识别新方法

间歇采样转发干扰是一种针对相干雷达的有效干扰样式,该类干扰的抑制技术研究需求迫切,而干扰识别历来是抗干扰流程中的关键环节,针对间歇采样转发干扰的识别问题,提出了一种基于关联维数的干扰识别方法。通过对3类间歇采样转发干扰信号进行傅里叶变换,挖掘信号频谱上的差异,提取频域关联维数作为干扰识别的特征参数,并利用支持向量机进行分类识别,为后续雷达系统采取针对性抗干扰措施提供重要的决策信息。仿真结果证明该方法具有较高的识别率。     

基于MSOA神经网络模型的装备保障费用预测

引入基于多步骤优化方法(MSOA)神经网络模型用以预测装备保障费用。实验结果表明,与传统的ARIMA时间序列模型和常规BP神经网络模型相比,基于MSOA神经网络预测模型具有更高预测精度。因此,该模型是一种更有效的装备保障费用预测模型。     

Escalation and de-escalation of violence in insurgencies: Insights from Northeast India

Insurgencies in the Northeast of India have been a recurring phenomenon since India's independence in 1947. One of the most significant aspects of the multiple insurgencies has been the use of violence for political goals. By drawing upon three cases of insurgencies in Northeast India, the article offers a conceptual framework on escalation and de-escalation of violence in insurgencies. The article argues that the most critical variables which have a direct bearing on the levels of insurgent violence are: popular support, loss of legitimacy and the state's counter-response.     

通用装备保障训练集约化建设模式研究

着眼于提高通用装备保障训练的集约化水平,为信息化条件下体系作战通用装备保障能力生成提供支持,将平台的方法引入通用装备保障训练中,提出了通用装备保障专业综合训练平台的思想,建立了一个4层结构的通用装备保障基地化训练体系框架,并以某装备院校为例构设了一个通用装备（军械）保障专业综合训练平台框架．研究成果为实现通用装备保障训练资源的集约化整合探索了新的途径．     

基于复杂网络的装备保障力量体系构建研究

论文首先阐述了复杂网络的内涵及其特征参量,以此为基础,对装备保障力量体系进行规范化描述,提出了装备保障力量体系的构建算法,并进行了实例验证及灵敏度分析,对于信息化条件下装备保障力量体系转型建设具有一定的参考价值和指导意义．     

基于保障时间窗的油料调拨运输模型

通过引入保障时间窗,同时考虑油料保障的时间约束和运力约束,建立了基于保障开始时间最早,并尽可能满足保障需求量的调度模型。针对问题的多目标性,基于理想点法将初始模型转化为单目标优化模型。采用粒子群算法对模型进行求解,并设计了算法编码和求解步骤。通过算例验证了模型和算法的可行性及有效性。     

火箭发动机故障检测的快速增量单分类支持向量机算法

为解决液体火箭发动机故障诊断正负样本不平均问题,以及实现发动机稳态工作段自适应故障检测,建立了基于快速增量单分类支持向量机的异常检测模型。采取特征工程方法,对传感器获得的多变量时间序列进行特征提取。通过增量学习方法,对单分类支持向量机模型进行改进,并应用于液体火箭发动机异常检测,使单分类支持向量机检测模型具备对不同台次、不同工况的自适应性,提高了模型的计算速度。对多台次热试车数据的分析结果表明,该模型十分有效,训练速度快,具备实用价值。