强化责任抓落实

今年以来,一师、阿拉尔市纪检监察工作紧紧围绕师、市党委中心工作,不断强化责任,创新思路,开展了八个方面的工作:第一,严格落实党风廉政建设责任制。抓责任分解,层层签订责任书,形成一级抓一级、层层抓落实的工作格局。师、市纪委监察局机关领导干部与师、市领导、团场纪委常委及纪检干部与团场领导建立党风廉政建设联络员,互通党风廉政建设信息,确保党风廉政建设各项决策部署落到实处。     

基于事件分解的电磁脉冲前门耦合效能评估方法

电磁脉冲弹是一种利用辐射高功率电磁脉冲干扰/毁伤目标电子系统的新概念武器。为计算电磁脉冲通过前门耦合毁伤目标的效能,提出一种基于事件分解的效能评估方法,按时间序列将前门耦合-毁伤过程分为弹体爆炸辐射功率、电磁能量传输衰减、目标系统耦合3个子事件,分别用不同算法计算不同子事件的发生效能。用这种方法对美国MK.84导弹搭载的电磁脉冲弹进行评估,得到一定参考价值的效能评估值。     

推进国防动员信息化建设要在三个方面持续用力

国防动员系统近年来遂行的几次重大非战争军事行动任务启示我们:信息力直接影响动员成效、事关任务成败。新时期新阶段,国防动员系统积极推进国防动员信息化建设,国防动员能力有了显著提升,但与"能打仗、打胜仗"的要求还有很大差距。我们必须认清差距,紧紧围绕"打赢"目标,扎实推进国防动员信息化建设,努力提高国防动员遂行多样化军事任务的能力。     

一种利用GPS载波相位姿态测量的方法

GPS初始整周模糊度的求解是利用载波相位进行测量时的关键问题.采用了对系数矩阵进行QR分解的方法,用以降低矩阵的维数.模糊度搜索时,针对Z变换可能会引入多余误差,采用了对称三角分解法对协方差矩阵进行去相关处理.实验与仿真结果表明,定位误差在0.5 cm以内,方位角和仰角误差在0.1°以内.     

基于改进希尔伯特-黄变换的进动目标周期估计

针对进动目标的微多普勒周期估计问题,提出了一种基于改进希尔伯特-黄变换的提取算法。该算法通过将希尔伯特-黄变换中的经验模态分解（EMD）替换为完备总体经验模态分解（CEEMDAN）,对目标回波信号进行分解得到各本征模态函数（IMF）后,再对IMF进行希尔伯特谱分析,从该希尔伯特谱中提取出目标信号中的微多普勒周期。仿真表明,所采用的方法能有效地克服EMD算法噪声环境中性能较差的缺陷,在低信噪比条件下具备较好的性能。     

基于小波包分解和多类支持向量机的音频隐秘检测算法

在利用隐秘软件进行信息隐藏时,大多会改变载体的统计特征,针对这一特点本文提出了一种基于统计量的隐秘音频文件检测算法。本算法综合使用了小波包变换和支持向量机技术,分别用于特征形成和分类判别。在不同嵌入率下对几种常见的隐秘软件生成的隐秘音频进行仿真试验,结果表明,该算法具有较强的通用性,对于隐密音频文件具有较高的识别率。     

高职高专篮球选项课中组合练习的教改实验研究

一、引言高职高专学院篮球选项课教学长期以来,一直沿用传统球类运动教学的教材和组织方法进行教学。其特点是把篮球运动的教学方法手段,分解为相对独立的单元,并形成技战术体系。在教学上强调技术,在有技术的基础上培养实战意识和能力。学生在体育课上以掌握技术动作为主,而高     

SPH并行计算方案及其在自由表面流动模拟中的应用

针对光滑粒子动力学主要计算量是近邻粒子搜索这一特点,提出了一种基于粒子分解的光滑粒子动力学并行计算方案。利用该方案可以方便地将任意串行光滑粒子动力学代码并行计算,而且每一个时间步内的信息传递量只和粒子总数有关,而和粒子的分布无关,因而特别适合于自由表面流动等大变形问题的并行数值模拟。对一个粒子总数为40万的三维溃坝问题的模拟结果表明:此方案能达到的最大加速比约为16,这一结果可能比空间分解方案(不考虑动态负载均衡)更优。     

混合气体识别的响应等效性与瞬态信号正交分解模型

针对目前混合气体识别大多采用传感器稳态响应信号、基于线性混合假设或大量样本学习,而瞬态响应信号特征分析主要应用非正交分解的问题,提出一种基于响应等效性与瞬态信号正交分解的混合气体识别模型。分析金属氧化物半导体传感器对混合气体的响应特性,建立基于气体响应成分等效性假设的气体非线性混合模型,在此基础上,提出并应用一种新的正交基函数——扩展类Legendre正交基,对气体传感器瞬态响应信号进行分解;通过对正交分解系数与气体浓度的回归分析,验证二者之间的指数型关联关系,并以正交分解系数为特征参数,利用气体非线性等效混合模型对混合气体分解与辨识。实验结果表明,尽管这种混合气体识别模型仅用单一气体检测的先验知识,对混合气体的识别误差仍可达到15%以内。     

EEMD+BiGRU组合模型在短时交通流量预测中的应用

针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模型,有效地提升了短时交通流预测的精度。模型利用EEMD算法对原始数据进行分解,根据分解所得的本征模函数(intrinsic mode function,IMF)分量绘制噪声能量图谱,去除分量中的噪声,并将去噪后的IMF分量作为BiGRU网络的输入进行训练,再将训练所得的结果进行重构加和,得到最终的预测结果。实验结果表明,未舍弃含有噪声的IMF分量进行重构的预测结果,相比于参考文献中提出的EMD+LSTM模型、LSTM模型和EEMD+LSTM模型,其平均绝对百分误差分别优化了42.36%、61.82%和30.95%;舍弃含有噪声的IMF分量后进行重构的预测结果,其平均绝对百分误差相比于将全部IMF分量进行重构优化了56.62%。