坚持以科学发展观为指导推进国防后备力量建设创新发展

胡锦涛主席明确指出,要“在国防和军队建设中贯彻落实科学发展观”。这一重要论述,为新时期加强国防和军队建设指明了发展方向,提供了科学依据。国防后备力量作为我国武装力量的重要组成部分、捍卫国家安全稳定的重要力量,必须坚持用科学发展观统揽全局,理清发展思路,破解发展“瓶颈”,推动工作     

人武系统提高谋打赢能力的几点思考

提高谋打赢能力是人武系统建设新型军事机关、加强民兵预备役建设的中心工作。当前,由于在人武系统的一部分人中存在着“到了武装部、别想再进步”的认识和“熬年头、混日子”的思想,所以造成了谋打赢能力不够强、行动不够自觉的问题。为有效克服上述问题,切实提高人武系统的谋打赢能力,应努力把握好以下三个方面:一是用党的创新理论成果武装头脑,切实增强提高谋打赢能力的紧迫感和自觉性。面对新的形势和任务,人武系统的党委机关和领导干部应牢记职责、不辱使命,以军委胡主席的重要论述为指导,自觉地把思想和行动统一到谋打赢上。二是不断…     

提高民兵、预备役部队军事训练的层次与质量

“军无习练,百不当一;习而用之,一可当百”。军事训练是和平时期提高部队战斗力的根本途径。近些年,各级抓民兵、预备役部队军事训练的力度大、工作实、成效好,快速动员和遂行任务能力得到进一步提高。但也应清醒地看到,民兵、预备役部队军事训练还存在着观念陈旧、手段单一、层次较低等突出问题,必须深入贯彻落实科学发展观要求,着眼新形势新任务,在抓转型、抓落实、抓改革上下工夫,提高训练层次与质量。转变指导思想,推进军事训练逐步转型。思想先进,行动才能自觉。当前,世界新军事变革使战争形态加速向信息化演进,我军军事训练领域正在发…     

围绕任务需求统筹编组国防动员力量

提高国防动员力量整体建设水平,需要强化训练、落实编组、搞好保障,但最首要、最根本、最关键的任务,就是要搞好统筹编组。根据目前我国国防动员力量建设现状,必须坚持以“处突”、防空、维稳、反恐、保交等任务为牵引,重点抓好五支力量的编组。一是落实首批动员使用力量。现代战争爆发突然,具有平战转换迅速、攻防节奏加快、战争进程缩短的特点。“初战即是决战。”在这种情况下,建立具备快速反应能力的首批动员使用力量,补充和支援现役部队,或直接参与对敌作战,对于夺取战争胜利至关重要。预备役部队和复退军人是未来作战首批动员使用力量…     

基于特征增强和损失优化的弱监督目标检测算法

针对弱监督目标检测中只能检测出图像中最具有辨别性部分和训练过程极易陷入局部最优问题,提出了一种特征增强和损失优化的弱监督目标检测算法。该算法设计了一种高效可选择通道注意力模块,该模块通过关联通道的选择来提高其局部信息的交互能力,以此来扩大最具辨别性的示例目标区域;此外,通过对网络回归损失函数施加针对性的动态权重,使其能够自动弱化回归分支中伪标注边界框不准确性的影响,提高目标定位的精度。在PASCAL VOC 2007及PASCAL VOC 2012数据集上的实验表明,相比其他同类算法,该算法能够有效地提高弱监督目标检测的精度。同时,由于该算法引入的额外训练参数和计算负担几乎可以忽略不计,因此还具有良好的高效性。     

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。     

基于在线学习的频谱感知次序策略*

认知无线电允许次级用户在频谱没有被主用户使用时动态地接入频谱进行数据传输。动态频谱接入是解决无线电频谱资源短缺和使用效率低下问题的有效方案,而频谱感知是实现动态频谱接入的关键挑战之一。次级用户的感知能力有限,为了快速找到频谱空闲概率最大的频段从而获得更多的频谱接入机会,研究了频谱感知次序问题。考虑到频谱空闲概率会随时间变化且对次级用户不可知,提出了一个在线学习框架,把频谱感知次序问题规约成经典多摇臂赌博机问题,并利用在线学习方法——满意折现汤普森抽样算法(satisficing discounted Thompson sampling)处理优化问题。仿真结果表明,和其他算法相比,所提算法可获得更多的频谱接入机会并且能够跟踪频谱空闲概率的变化。     

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。     

反舰导弹“双一”攻击最大攻击角计算方法

针对反舰导弹"双一"攻击作战中航路攻击角的制订缺乏定量依据、飞行航路中转弯角影响考虑不足等问题,研究最大攻击角计算方法。从反舰导弹飞行航路的航路点数量、转弯角、航路点间距、航程等方面对约束条件进行建模;提出了以攻击角最大、航程最短为目标函数的双目标规划方法;分析了航路点间距、航路点转弯角之间的关系。最后仿真计算了航路点数量确定与变化两种情况下的最大攻击角。结果表明:随着航路点数量的增加,反舰导弹最大攻击角迅速增大,但对反舰导弹的航程提出了更高要求;若过度追求大攻击角,将难以发挥反舰导弹的射程优势。     

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。