POMDP在战场决策评估中的应用和仿真

通过将贝叶斯统计方法和POMDP(部分可观测马氏决策过程)方法相结合,采用计算机模拟的方式,预测在给定条件下可能产生的各种作战决策的质量.为解决不确定条件下对决策质量的定量评估提供了一种比较可行的方法.     

某新型手枪不抽壳故障的原因分析及处理

某新型手枪在部队试用过程中出现不抽壳的不允许故障,通过对该故障的分析,验证,找出了该故障的原因并提出了解决办法。     

不对称及反恐怖战争对军事经济的影响

不对称作战与反恐怖战争已经成为新世纪军事斗争的新样式,它必然对各国军事经济产生重要的影响,并催化军事后勤理论与实践的创新高潮。文章以前瞻视角,立足于我军做好未来不对称作战与反恐怖军事斗争准备与后勤保障工作,深入探讨了这个带有战略性的问题。     

平衡炮内弹道不平衡冲量技术研究

基于某型平衡炮的弹道试验,研究了不平衡冲量对无后坐力身管武器系统的影响。建立了实体模型并装配平衡体和弹丸,利用有限元分析了阻力曲线并代入编写好的内弹道程序,计算出弹丸与平衡体的运动曲线,将其作为位移荷载导入有限元中,进行了内弹道的有限元分析,进而分析了内弹道过程中的不平衡冲量。根据结果对弹丸、平衡块行程和平衡体质量进行调整,得出不平衡量基本趋于零的结构参数,为无后坐力身管武器的相关设计提供了一定的参考。     

电磁发射用分段供电六相圆筒式直线感应电动机数学模型

为研究新型分段供电六相圆筒式直线感应电动机的运行规律,针对其不对称运行的特点,采用磁动势理论推导了气隙中与空间位置无关的脉振磁场的电感矩阵表达式,通过将其引入abc坐标系下对称的电机数学模型,从而构建了描述六相圆筒式直线感应电机不对称的数学模型。在Simulink环境下,采用隐式梯形法构建了该不对称模型的系统仿真模型。最后,对样机进行了仿真分析和实验验证,仿真结果与实验数据吻合良好,验证了模型的正确性。     

范班长的《谈心日记》

一颗真心,满腔真情便是爱兵的最好"钥匙"。这是范成光经常挂在嘴边的话。他有许多荣誉:优秀班长、优秀共产党员、优秀带兵人;他更有许多成绩:当兵13年,班里兵24人入党,15人立功受奖,8人考上军事院校。跟他谈起这些,他总是把话题岔开;若谈他手下的兵,他就会兴趣盎然,不仅可以详细地说出每一个兵的特点,也会担忧地告诉你个别战士的实际困难。他,就是战士心目中的"爱兵模范",领导和同事们心目中的爱兵人,武警8734部队76分队班长——范成光。     

基于证据理论的助推段弹道导弹目标威胁评估

针对助推段弹道导弹目标威胁评估面临信息不确定的情况,提出了一种基于证据理论的威胁评估方法.首先分析了影响威胁评估的主要因素,选取了威胁评估指标;接着分析了威胁评估面临的不确定性问题,给出了基于证据理论的威胁评估思路;然后提出了基于证据理论的助推段弹道导弹目标威胁评估方法;最后对方法的有效性进行了实例验证.本文的研究对反导部队作战准备和反导预警资源优化调度具有重要意义.     

基于改进信息熵的综合反隐身作战效能评估

首先提出了改进信息熵的作战效能评估方法,将作战过程划分为若干作战节点,节点的效能发挥受若干因素影响,并用不确定性自信息量来描述影响的不确定程度。在影响因素选取上,引入了未知因素,有效解决了具体作战中难以全面考虑节点效能发挥的所有影响因素问题。其次基于综合反隐身作战中的信息流关系建立了信息流图,并构建了对应的作战效能评估指标体系,最后计算了不同传感器组合和不同作战方式组合下的作战效能,并得出了结论：反隐身作战中,越多样化的传感器组合和越综合化的作战方式,作战的不确定性自信息量越小,作战效能越大。     

基于分类算法的装备健康度评估方法

装备健康度的准确评估是装备作战训练工作开展和维修保障对策实施的基础,针对传统装备健康状况难以科学评估的问题,提出了综合考虑装备寿命、使用维修情况、装备及其子系统健康状况的装备健康度评价模型,结合装备健康度分类多和样本数据不平衡的特点,采用7种分类算法和10种样本均衡方法对装备健康度进行评估。实验表明,综合运用Near-Miss、SMOTEENN、SMOTE Tomek采样方法和DT、GBDT、RF分类算法,可以有效提高装备健康度分类和指标水平,为装备健康状况的合理评估提供了有效方法。     

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。