基于强化学习的多对多拦截目标分配方法

针对空中对抗环境中多对多拦截的武器目标分配问题,提出了一种基于强化学习的多目标智能分配方法。在多对多拦截交战场景下,基于交战态势评估构建了目标分配的数学模型。通过引入目标威胁程度和拦截有效程度的概念,充分反映了各目标的拦截紧迫性和各拦截器的拦截能力表征,从而全面评估了攻防双方的交战态势。在目标分配模型的基础上,将目标分配问题构建为马尔可夫决策过程,并采用基于深度Q网络的强化学习算法训练求解。依靠环境交互下的自学习和奖励机制,有效实现了最优分配方案的动态生成。通过数学仿真构建多对多拦截场景,并验证了该方法的有效性,经训练后的目标分配方法能够满足多对多拦截中连续动态的任务分配要求。     

建立军事人力资源交流轮换机制的设想

同其他组织一样,军事人力资源系统只有进行合理有序的流动,才能保持其生机和活力。建立交流轮换机制,实现人力资源的合理流动,有利于优化人力资源的配置,激活人力资本存量,适应新军事变革对我军人才建设提出的更高要求。     

建立任职教育与学历教育协调发展机制推动后勤院校教育转型

贯彻落实第十五次全军院校会议精神,推动后勤院校转型,实现任职教育与学历教育的协调发展,必须建立科学的任职教育与学历教育需求形成机制、规划决策机制、教学内容协调机制,部队教育与国民教育分工协作机制、科学的资源优化配置与经费投入保障机制以及先训后用的军官晋升任用机制。     

多智能体系统指定时间双向编队控制

多智能体系统协同控制的收敛速率问题是当前系统与控制领域一个热点研究问题.结合指定时间控制思想,以一般线性动力学系统为控制对象,对多智能体系统双向编队问题进行研究.首先,利用庞特里亚金极大值原理,设计了指定时间双向编队控制器,双向编队指的是被分成两组的智能体最终以指定的编队队形、相反的方向进行运动;其次,通过运动规划算法...     

借鉴X效率理论加强国防人力资源管理

军队作为国防人力资源管理的垄断性组织同样存在X低效率。通常,X低效率水平等于军队最大的战斗力生成水平与实际战斗力生成水平之差。导致X低效率的原因有:传统的人事管理制度、国防人力资源的选择理性、劳动合同的不完全性和激励约束机制不健全。降低X低效率必须树立以人为本的管理思想,创新国防人力资源管理体制,完善激励约束机制,营造和谐的军营环境。     

改进YOLOv5的高空航拍图像检测方法

YOLOv5模型对普通场景图像的目标检测有更好的性能,但在高空航拍图像检测中表现不佳,针对这个问题,提出一种改进的YOLOv5模型。首先,建立高空航拍目标数据集,弥补该类图像不足的问题,对模型进行针对性训练,其次,采用多尺度细节增强提升处理数据图像,整体提升数据质量;最后,利用多尺度特征融合更好的平衡目标特征和位置信息,增加大尺度检测头提升小目标检测能力。经过实验分析,证明该方法在对高空航拍图像目标进行检测时平均精度、准确率和召回率分别比YOLOv5模型提高了12.6%、10.3%和6%,满足检测要求。     

旋翼无人机的多机协同自主探索决策技术综述

随着探索场景复杂性与任务要求不断提高,多机协同自主探索的研究受到越来越多的关注。其中旋翼无人机凭借其敏捷特性,常被用于复杂小范围场景的自主探索任务,对协同探索系统的实时性与自主性具有更高要求。聚焦于旋翼无人机的多机协同探索系统,并重点关注未知环境探索策略以及多机任务分配策略,对当前决策技术的研究进展进行了介绍并对其特点进行分析总结。将未知环境探索策略归类为基于边界、采样以及两者结合的方法进行介绍和对各自特点进行分析;将多机任务分配策略归类为基于市场、拍卖的方法,介绍了两类方法用于任务分配问题的建模过程,并重点关注协同探索工作在现实世界中的具体应用,特别针对考虑通讯限制的任务分配策略进行分析,分析了在限制场景下协同探索面临的挑战以及当前方法。最后,对多机协同探索技术的研究现状进行总结,并对未来研究重点进行了展望。     

基于多目标鲸鱼优化算法的动态武器目标分配

针对传统动态武器目标分配模型以武器打击收益最大化为目标,考虑过于单一,并且现有智能算法在求解该模型存在收敛精度低的问题,提出一种非支配排序多目标鲸鱼优化算法(non-dominated sorting multi-objective whale optimization algorithm, NSMWOA)求解动态武器目标分配模型。首先为提高初始解的质量,引入2次logistic映射初始化种群,合并父代与子代个体,通过计算个体的非支配等级和拥挤度大小对个体进行排序,其次为筛选优秀个体,实验结果表明,在与NSGA-Ⅱ和MOPSO算法的对比中,非支配排序多目标鲸鱼优化算法函数测试中的得出Pareto前沿更接近真实Pareto前沿,寻优精度更高,在动态武器目标分配模型中,能够得出更优的分配方案。     

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。