无人机自主控制应用需求及研究发展分析

随着无人机装备的快速普及,自主控制技术越来越成为提高无人机系统生存能力、适应能力和任务完成能力的重要因素。通过对无人机实战场景和使用需求的分析,提出近期对自主控制技术应用的重要需求是提高无人机感知能力和对故障及飞行状态的适应性。分析了当前自主控制技术在外部态势、内部态势和适应性飞行控制方面的研究和应用现状。最后,根据对应用需求的分析和当前相关技术的发展应用情况的考察,提出了无人机适应性自主控制的技术框架。     

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。     

等、变深度舰船水压场的理论计算

在浅水、薄船、无限宽水域的条件下,舰船以亚临界速度(F_H<1)运动时,利用E.O.Tuck提出的渐近匹配展开法,可以得到定深度扰动速度势的摄动方程。对水深缓慢变化的海底,舰船的绕流不再是定常的,根据A.Plotkin所采用的多重尺度法,可以得到变深度浅水舰船扰动速度势的摄动方程。如果仅考虑扰动速度势的一阶摄动方程,则可得到考虑了线性兴波影响的舰船水压场的计算公式。     

通过协作的人机交互进行态势估计

数据融合表征为在4个抽象级上进行:单元级、态势级、威胁级以及资源分配级。单元级特性试图确定各个平台目标属性。在态势级,探测诸如战斗群这样的单元编队。在威胁级和资源分配级,对可能的敌方意图和我方可能作出的反应进行推理。然而,对于更高级的抽象,也就是战斗力和威胁的抽象,没做什么工作。这篇论文提出了一种态势估计方法,其中包括战斗力与威胁的明确概念化。对这些战斗力与威胁的图形说明是为了加强单元级描述,避免含糊不清。这篇论文采用了一种崭新的用户接口——该接口允许人与计算机进行协作,使得战术估计优于人或机器独自工作的水平。论文随后说明人机责任的自然分工,并以战争情景为例说明这种协作系统的益处。     

靶体表面破碎对侵彻深度的影响

本文从弹体侵彻现象着手,根据Ｇｒａｄｙ的能量断裂破碎观点分析靶体表面破碎所造成的弹体侵入能量损失,按能量守恒原理计算弹体经过第一部分弹抗后的剩余速度,然后根据型型空腔理论计算弹体在靶体介质中的侵入深度,并分析靶体表面破碎弹坑对弹体整个侵彻深度的影响。     

金属材料表面缺陷的激光超声检测技术

为了完成对金属材料表面缺陷深度的检测,提出了透射法检测与估计表面缺陷深度的方法。基于热弹机制和干涉接收方式,搭建了激光超声检测实验平台,实现了工件表面缺陷的非接触检测,完成了缺陷处的B-scan信号采集和成像,建立了透射系数与表面缺陷深度之间的关系。实验结果表明:由B-scan信号可见缺陷处透射声信号的幅值与表面缺陷深度有关;由透射系数-表面缺陷深度拟合曲线估计了深度0.3 mm表面缺陷,估计误差为16%,实现了表面缺陷深度的测量。     

防空反导智能战场态势估计研究

在军事科技理论面临着巨大变革的背景下,为解决防空反导战场态势估计智能化发展的问题,通过对态势估计的三层模型进行分析以及对防空反导态势的要素构成进行探讨,研究了OODA环中防空反导态势估计的过程,建立了防空反导智能战场态势估计的系统模型,深入地探讨了阻碍防空反导智能化战场态势估计研究的五方面问题以及有望解决问题的关键技术措施,从而为防空反导智能战场态势估计研究提供了新思路。     

离散动态贝叶斯网络的递推算法

离散动态贝叶斯网络是对动态系统进行建模和定性推理的有力工具。由于观测证据会随时间增加,直接计算推理算法的公式会变得冗长而且推理速度还会下降。在直接计算推理算法的基础上推导出递推公式,并给出算例验证。递推计算公式简洁,仿真表明递推算法的推理速度较直接计算推理算法有明显提高,因而适合实时在线推理。最后将递推算法应用于航天器的态势感知。     

基于深度学习理论的数学教学策略

时代的飞速发展对于人才培养的规格与质量提出了新的要求,为了进一步提高学生的核心素养,实现以减负增质为导向的教育教学目标,以深度学习理论为基础,对数学课堂教学实践中引用深度学习策略的必要性进行分析,探究了当今数学课堂教学实践中面临的某些问题,从而寻找能够进一步提高学生学习效率的教学方法,促使学生能够积极主动参与教学过程。     

基于深度置信网络的火炮炮口振动预测研究

火炮炮口振动数据准确预测后,可以对火炮随机振动误差进行补偿,对高机动条件下提高装备火控系统的精度具有重要意义。机器学习方法的进步为提高数据预测精度提供了有效途径。提出一种基于深度置信网络的火炮炮口振动预测模型,通过定义阶段、预处理阶段、训练阶段、测试阶段和评价阶段5个阶段,对火炮炮口振动数据进行了预测。结果表明,深度置信网络对炮口振动数据预测可以根据历史数据提取更丰富的数据特征,相较于传统BP神经网络,可以达到更好的预测精度。