以科学的态度学习“七一”讲话

汀泽民同志的“七一”重要讲话内容十分丰富,博大精深,是对马克思主义的继承、丰富和发展,是马克思主义与中国实际相结合的又一次理论飞跃,是上中国化的马克思主义。在前一阶段的学习过程中,一些同志之所以对《讲话》中提出的一些新思想、新观点、新论断理解不深。     

把握好英语听力材料粗调输入的难度

学生在学习英语时倍感听力困难,教师在听力教材设计及课堂教学中应重视听力课中粗调输入(roughly—tuned—input),把握好粗调输入的难度,并通过开设泛听课给学生创造一个自然的外语学习环境,从根本上改变学生害怕英语听力的局面。     

争创先进带好头 无私奉献作表率

我1981年入伍,1998年任海口市支队后勤处长。入伍20年来,在各级党组织和首长的教育培养下,我立足本职,积极进取,严格要求,勤奋工作,为部队建设做出了应有的贡献。去年来,我带领后勤处的同志日夜奋战,深入一线,在较短的时间指导部队完成了基层后勤正规化建设任务,为支队争刨标兵支队打下坚实的物质基础。     

后勤处长抓规范化管理应把握的几个问题

抓好后勤规范化管理工作,既是各级后勤的职责,也是落实总部后勤工作总体思路的要求。后勤处长是基层后勤管理工作的直接领导者和组织者,是抓落实的关键人物。如何结合基层实际抓好规范化管理工作,是摆在后勤处长面前的重要任务。我们认为,后勤处长要抓好基层后勤规范化管理工作,应在五个方面下功夫。     

基于深度强化学习和导航向量场的卫星规避拦截算法

针对在轨卫星规避拦截问题,提出了一种新的基于强化学习和三维李雅普诺夫导航向量场（3D-LGV）算法。首先,采用3D-LGV产生收敛于椭圆轨道的趋近律,保证规避拦截后能再次入轨。其次,针对拦截卫星利用扰动流体动态系统算法（IFDS）产生扰动流场,利用该扰动流场对导航向量场产生的趋近律进行修正,从而保证卫星能有效地规避拦截。由于IFDS算法中扰动流场大小和方向主要受其中反应系数和方向系数的影响,采用近端策略优化深度强化学习算法作为决策层输出反应系数和方向系数,用于指导卫星在不同场景下提供合适的对导航向量场的修正。最后,通过将IFDS算法修正后的趋近律作为卫星的最终运动方向,实现了整个规避过程。在构建的不同场景下进行了对比实验,结果表明,相较于滚动时域优化算法（RHC）、人工势场算法（APF）和传统IFDS算法,基于强化学习的算法决策时间更短、规避效果更好,在不同场景下均能实现有效规避。同时,对该算法进行蒙特卡洛仿真,统计结果显示卫星规避成功率高达98%。因此,此研究对智能方法在卫星规避拦截领域的应用具有一定价值。     

基于深度时频特征学习的雷达辐射源识别

针对雷达辐射源识别中拓展能力不足和识别率不高问题进行研究,提出一种基于深度时频特征学习的智能识别方法。基于降采样短时傅里叶变换高效提取具备较高辨识度和稳定性的浅层二维时频特征,利用信号局部频域维稀疏性完成降噪等预处理;设计用于深度特征学习与识别的卷积神经网络,并采用不同尺度卷积核组合扩展网络广度,强化特征表征能力;利用高信噪比条件下8种辐射源信号样本对网络进行训练调优,低信噪比样本测试验证算法和网络的有效性。仿真结果表明,该方式在-8 dB信噪比条件下能达到98.31%的整体平均识别率,具备较强的鲁棒性。     

基于异环境重要性采样的增强DDRQN网络

针对局部可观测多智能体学习环境下,智能体与环境频繁交互造成环境不稳定,导致智能体无法使用经验回放机制(experience replay)的问题,采用了一种基于异环境重要性采样的回放经验利用机制。并结合该机制再深度强化学习算法,深度分布式循环Q网络(DDRQN)基础上进行了改进,提出一种增强型的深度分布式循环Q网络。通过对Deep Mind的Py SC2平台Defeat Roaches局部可观测多智能体学习环境实验结果对比分析表明,增强型的深度分布式循环Q网络相比于DDRQN网络,具有良好的学习性能,稳定性、收敛速度均具有显著提升。     

疫情防控对军队心理服务工作的启示

这场突发的新冠肺炎疫情,给全国人民的生命健康造成巨大威胁。疫情发生以来,习主席亲自指挥、亲自部署全国抗疫斗争。2月3日,强军网开通应对疫情心理服务热线,为部队各级特别是湖北武汉等疫情严重地区和一线医务工作者提供心理服务。2月6日,军事科学院防疫心理服务热线开通,为军队官兵和地方群众提供心理服务。2月中旬,中央军委政治工作部组织专家制作防控新冠肺炎心理教育系列微课,供广大官兵学习教育使用。各军事院校等心理学相关单位都在通过心理热线、在线心理咨询、公益讲座、科普文章等方式,为抗疫一线提供心理服务和科学支撑。在疫情防疫工作持续向好,军队心理服务工作取得积极成效的同时,也引发了我们很多思考。     

基于深度强化学习的兵棋推演决策方法框架

针对兵棋推演的自动对抗问题,文章提出基于深度学习网络和强化学习模型来构建对抗策略。文章结合深度强化学习技术优势,立足多源层次化的战场态势描述,提出面向智能博弈的战场态势表示方法;将作战指挥分层分域的原则同即时策略游戏中的模块化和分层架构相结合,提出一种层次化和模块化深度强化学习方法框架,用于各决策智能体与战场环境交互的机制以及对抗策略的产生;为满足实际作战响应高实时特点,提出压缩的深度强化学习,提升模型输出速度;为改善对不同环境的适应性,提出利用深度迁移学习提升模型泛化能力。