基于数据仓库的数据挖掘技术在指挥控制系统中的应用

介绍了数据仓库和数据挖掘的概念、数据挖掘的过程和方法,简单分析了现代战争中信息处理的特点和需求,阐述了数据挖掘在军事指挥控制系统中的应用必要性,提出了军事应用中数据挖掘系统的层次体系结构,并针对该层次体系结构进一步提出了指挥控制系统中数据挖掘技术的应用模型.     

基于ResMLP模型的遥感影像场景分类算法式实现

基于深度学习的遥感影像场景分类研究进展迅速,但是大多数方案下的算法需要消耗大量的计算机资源,难以直接部署在嵌入式系统上,无法为潜在的卫星在轨任务提供支持。针对这一问题,研究了一种基于ResMLP模型的遥感影像场景分类算法,并根据嵌入式系统的特点对算法进行了优化,完成了模型的嵌入式实现,实验结果表明,该算法在嵌入式系统中仅需要18.4M的params对遥感影像分类的TOP-1准确率就达到了85.9%,兼具准确性和简洁性。     

风致及振动环境下压电俘能器的设计与研究

针对子弹药的自供能问题,设计了一种风致及振动环境下的压电俘能器,对子弹药平时和战时的自俘能技术进行了研究。基于压电效应方程和集总参数法对压电俘能器进行理论模型分析,得到了振动环境和风致环境下输出电压的理论值。制作了实验样机,分别测试了压电俘能单元的振动特性和在风致环境下的输出性能,对比理论值,验证了理论模型的有效性。同时,探究了振动频率、风速和扇叶角度对于压电俘能单元输出性能的影响。实验结果表明压电俘能结构的谐振频率为43 Hz,最佳负载为170 kΩ。当扇叶角度为30°时,压电俘能器的输出性能最佳,发生谐振时输出电压峰值可以达到22 V,最大输出功率为1.38 mW,在15 m/s的风速下,输出电压为2.56 V。     

多无人机协同空战任务规划仿真系统

面向多无人机协同空战任务规划方法性能验证的需求,开发了一种基于VR-Forces仿真引擎的多无人机协同空战任务规划仿真系统,对该仿真系统的总体架构、红方子系统、蓝方子系统、白方子系统和强化学习算法训练子系统进行了设计。对算法库、强化学习算法训练和人机交互等关键技术提出了针对性的解决方案,提升了该仿真系统的稳定性、可扩展性和功能性。利用该仿真系统对多无人机协同空战目标分配、重决策算法等典型任务规划方法进行了测试和仿真实验。结果表明,所开发的仿真系统可以很好地支持多无人机协同空战任务规划方法的测试和验证。     

陶瓷破片侵彻钛合金薄靶实验及数值模拟研究

为了研究非金属陶瓷破片对钛合金薄靶的侵彻效能,采用弹道冲击实验与有限元数值模拟相结合的方法,开展了破片直径和着靶角度对靶板破坏形态及弹道极限的影响研究。结果表明：在弹道极限情况下,陶瓷破片对钛合金薄靶的侵彻形态主要分为瓣裂穿孔和冲塞穿孔。其中,钛合金靶厚度为0.5～0.8 mm时,靶板的破坏形式主要以瓣裂穿孔为主,靶板厚度为1.0～1.5 mm时,对靶板的破坏形式为瓣裂穿孔和冲塞穿孔2种方式的耦合状态,靶板厚度为2.0 mm时,靶板的破坏方式为冲塞穿孔。随着破片直径的增大,陶瓷破片对靶板的弹道极限(V₅₀)逐渐减小,靶板背面造成的盘式隆起越明显。同时,随着陶瓷破片着角的增加,侵彻靶板的V₅₀也随之增加,当着角大于75°时,破片发生跳飞现象。研究结论对于反卫星武器战斗部威力设计具有重要意义。     

基于深度迁移学习的低分辨雷达目标识别方法

针对低分辨雷达人工目标识别效率较低的问题,提出了基于深度迁移学习的雷达自动目标识别方法。该方法利用雷达回波序列轮廓像构建空中目标数据集,使用深度卷积神经网络自动提取回波数据中的深层特征,并对雷达目标进行分类识别。为了解决深度学习对样本量的巨大需求,在分类模型训练时,引入迁移学习思想,将经ImageNet数据集预训练过的初始网络模型迁移到雷达目标识别任务中,再通过空中目标数据集对模型参数进行微调,实现小样本条件下对空中目标的粗分类。实测数据的结果表明：所提方法能够在小样本条件下较为准确地对空中目标的大小和架次进行分类识别,具有良好的识别性能。     

融合先验知识的异构多智能体强化学习算法研究

近年来,基于深度强化学习的机器学习技术突破性进展为智能博弈对抗提供了新的技术发展方向。针对智能对抗中异构多智能体强化学习算法训练收敛速度慢,训练效果差异大等问题,提出了一种先验知识驱动的多智能体强化学习博弈对抗算法PK-MADDPG,构建了双重Critic框架下的MADDPG模型。该模型使用了经验优先回放技术来优化先验知识提取,在博弈对抗训练中取得显著的效果。论文成果应用于MaCA异构多智能体博弈对抗全国竞赛,将PK-MADDPG算法与经典规则算法的博弈对抗结果进行比较,验证了所提算法的有效性。     

基于多标签学习的探索性仿真实验因素筛选方法

探索性仿真实验是一种认识、研究战争的重要手段,但往往面临想定样本空间复杂程度高,空间维度爆炸等问题。针对上述问题,提出一种定性定量相结合的基于多标签学习的实验因素筛选方法。首先,基于定性分析设计并实施仿真预实验,采集处理实验数据,解决机器学习样本数据缺失问题;随后,引入输入控制层搭建深度神经网络,引入稀疏正则化,在多标签模型训练过程中实现特征选择;然后,回归定性分析,补充完善实验因素;最后,以某作战样式下立体投送行动仿真推演为背景进行实验验证。实验结果表明,筛选的实验因素与作战行动现实情况吻合。