对军事信息系统军民融合深度发展若干问题思考

推进军事信息系统军民融合深度发展,必须以习主席关于军民融合深度发展的一系列重要论述为指导,研究军事信息系统军民融合深度发展的战略目标和体制机制,论证军事信息系统军民融合建设发展和拓展保障领域,探讨军事信息系统军民融合建设运用的方法、模式等基本理论问题.     

确定车削加工工艺系统刚度的一种实验方法

将工艺系统的弹性变形看成是由平移和弯曲两种变形构成,利用阶梯形工件,可以确定工艺系统的等效刚度。从而为合理地选择加工参数、保证加工质量提供必要的条件。     

深入挖掘民营企业内部潜力加快参与军民融合发展步伐

"四个全面"战略布局下,随着军民融合正式上升为国家战略、后续政策的陆续出台和相关法律体系的加速推进,民营企业参与军民融合正在驶入"快车道",只有把握历史机遇,发挥竞争优势,不断创新突破,才能在全要素、多领域、高效益的军民深度融合格局中有所作为.     

推进军民融合深度发展的几点思考

学习掌握并运用新的发展理念,应采取创新思路举措,在规划设计、体制机制和政策制度建设等方面积极探索实践,有效破解军民融合深度发展面临的各种矛盾问题,推进军民融合深度发展.     

辅助任务增强的中文跨域NL2SQL算法

自然语言到结构化查询语言(natural language to structured query language,NL2SQL)任务旨在将自然语言询问转化为数据库可执行的结构化查询语言(structured query language,SQL) 语句。本文提出了一种辅助任务增强的中文跨域 NL2SQL 算法,其核心思想是通过在解码阶段添加辅助任务以结合原始模型来进行多任务训练,提升模型的准确率。辅助任务的设计是通过将数据库模式建模成图,预测自然语言询问与数据库模式图中的节点的依赖关系,显式地建模自然语言询问和数据库模式之间的依赖关系。针对特定的自然语言询问,通过辅助任务的提升,模型能够更好地识别数据库模式中哪些表/列对预测目标 SQL 更有效。在中文 NL2SQL 数据集 DuSQL 上的实验结果表明,添加辅助任务后的算法相对于原始模型取得了更好的效果,能够更好地处理跨域 NL2SQL 任务。     

陆战场装甲目标细粒度识别技术

智能化作为新的改变战争游戏规则的颠覆性技术,成为世界各军事强国的发展重点。当前,智能化可以实现对陆战场军事装甲目标的自动识别,但是现有识别任务主要是粗粒度的目标类别识别,缺乏细粒度的目标识别。本文针对陆战场军事装甲目标细粒度识别任务,提出了一种适用于无人作战平台的轻量化细粒度目标识别方法,并初步验证了方法的可行性和有效性,基于此,提出了无人作战平台的新的作战运用。该方法可辅助操作人员进行陆战场装甲目标识别的决策判断,或提供无人打击武器自主打击的判断能力。     

融合图嵌入的Smooth-PCANet图像识别算法

主成分分析网络（Principal Component Analysis Network,PCANet）是一种简单的深度学习算法,在图像识别领域具有优秀的性能。然而PCANet在构建网络卷积核时只关注了图像的主分量信息,忽视了近邻像素点之间的位置关系。而通常情况下,图像的相邻像素点具有空间强相关性,因此利用图结构保持像素点的位置近邻关系更有利于网络提取有效特征。因此,我们将图嵌入思想融入PCANet,提出一种新的图像识别算法Smooth-PCANet。为了验证Smooth-PCANet算法的有效性,我们在人脸、手写体字符以及图片等不同数据集上构建实验,并将Smooth-PCANet与多种基于深度学习的图像识别算法作了对比。实验结果证明,Smooth-PCANet算法比PCANet获得了更高的识别性能,并且更有效地避免了过拟合,在小样本训练时具有显著优势。     

基于深度神经网络的OFDM系统IQ不平衡补偿技术

正交频分复用(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。本文研究了IQ不平衡对OFDM系统的影响,提出了基于并联深度神经网络的IQ不平衡补偿技术。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IQ不平衡的干扰信号来自镜像子载波的先验知识来初始化神经网络,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导频的最小二乘（LS）估计补偿IQ不平衡的算法,证明了深度学习方法解决物理层问题的优越性。     

基于深度学习的MPSK信号调制识别

为了有效实现信号调制方式的智能识别,提出基于深度学习的多进制相移键控(Multiple Phase Shift Keying, MPSK)信号调制识别方法。分析接收MPSK信号的循环谱,并通过提取MPSK信号循环谱的等高图获得二维特征信息,利用深度学习中的卷积神经网络对二维特征进行训练,使用测试样本对所设计的调制识别方法的有效性进行验证。仿真结果表明,所提方法具有良好的识别性能。     

基于深度神经网络的无线覆盖预测算法*

为保证新一代移动无线网络能够根据实时覆盖情况动态地调节小区天线参数,需要实现高效且准确的无线覆盖预测。传统的求解方法通过精确的场强预测来判断天线参数的优劣,虽然精度很高但需要大量的计算资源,无法满足5G和后5G移动网络通过实时覆盖预测进行射频参数动态调整的实际需求。现采用基于深度神经网络的算法对给定天线参数的覆盖效果进行预测,以取代对目标区域的精确场强预测。数值结果表明,该方法能够在保持计算准确性的同时显著减少计算量,为5G动态网络规划提供基础性参考数据。