创新的动力源于用户的需求

上世纪末以来．是我国航天航空制造业高速发展的黄金时期,也给我国的特种加工技术带来了难得的发展机遇。由于航天航空飞行器的制造有许多加工难题需要攻克．它们或者是由于材料特殊,或者是由于形状复杂,或者是由于加工部位非常微细．采用传统的机械加工方法难以解决,这就正好给特种加工技术找到用武之地,正好可以发挥特种加工技术的特长。     

虚拟演播室技术

虚拟演播室系统利用色键功能,将真实的演员合成到虚拟的三维场景中,并与其中的虚拟对象进行实时交互,给视频媒体制作提供了广阔的空间。相对于传统的演播室,虚拟演播室的节目制作不再受实际演播空间和复杂场景制作的限制,场景的更换不再费时费力,而只需要从计算机中调入用3D软件预先创建好的虚拟场景。用户所要做的就是尽情发挥他们的想象力和创造力,就可以达到预想的演播效果,虚拟演播室系统为影视制作提供了一个虚拟空间的梦幻平台。     

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。     

基于深度学习的SAR图像目标检测实验

针对目前SAR图像目标检测算法只能进行单一目标检测和检测精度不高的问题,对深度学习目标检测框架在SAR图像目标检测的应用进行了实验研究,并结合SAR图像特点进行了优化。比较了基于区域建议的Faster-RCNN和无需区域建议的SSD目标检测框架在SAR图像上的目标检测精度和速度,分析优缺点;研究了预训练模型对SAR图像目标检测精度的影响;最后通过零均值规整化提高收敛速度和检测精度。实验结果表明优化后的目标检测框架,实现了SAR图像多目标识别并提高了检测精度,可以有效地应用于SAR图像多目标检测。     

潜艇大深度损失浮力仿真分析及操纵方法

针对潜艇舱室破损进水损失浮力后的安全操纵控制问题,分析了潜艇大深度航行的时机与操纵特点,在潜艇应急操纵运动模型的基础上,通过编制潜艇大深度航行安全操纵研究平台软件,仿真分析了潜艇大深度航行条件下的损失浮力后的运动响应及高压气应急吹除控制方案,制定了大深度航行舱室进水挽回限制线,总结出了大深度航行损失浮力时的操纵方法.研...     

链约束下加工时间恶化的Flow Shop排序问题

讨论作业具有线性加工时间,作业间具有链约束的两台处理机流水作业排序问题,目标函数为极小化完工时间。在作业加工时间简单线性恶化下,提出作业的非负开始和停止延迟恶化率,构造了满足约束条件的复合作业。在此基础上,给出作业间具有平行链约束的两台处理机流水作业排序问题的最优多项式算法。     

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。     

2023年深度学习技术主要发展动向分析

深度学习已成为人工智能领域的研究热点和主流发展方向之一,为诸多重要应用领域带来了革命性的进步。对2023年深度学习技术热门领域的主要发展动向进行了综合评述。首先介绍了深度学习技术发展现状,其次探讨了深度学习技术的军事应用任务和挑战,最后盘点了深度学习技术的未来重点发展方向。综述表明,大语言模型是深度学习领域在2023年最突出的亮点,世界模型框架下的自监督学习技术、强化学习框架下的人工智能智能体技术等也呈现加速发展态势;环境恶劣与强干扰复杂条件下的高鲁棒性深度学习、面向实时流数据高效处理与内在逻辑关联的深度学习、面向多变作战场景自主决策与快速决策的深度学习、面向跨域数据协同感知与协同推理的深度学习等,是深度学习技术未来重要的发展方向。     

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。