东方马脑炎病毒战剂伤害特点分析

东方马脑炎病毒可导致人、马等出现脑炎症状,对人致死率为10%-20%,是国际社会公认的致死性病毒战剂。人、马传播需要通过黑尾脉毛蚊和环跗库蚊等吸食媒介,也可以经含有病毒的气溶胶通过呼吸道感染人类。我国并未出现相关疫情,和平时期应加强国境卫生检疫,防止从国外传入。     

墨家思想对守护网络空间安全和平的启示

墨家思想就是中华传统文化和思想宝库中的重要代表,其倡导的"兼爱""非攻""备御""尚贤"等思想为后世所传承发展并借鉴利用。网络空间国际关系的协调和安全环境的治理,是当前国际上探索和研究的重点,我国应为其贡献中华民族的智慧,墨家思想的精髓可以为我们更好地认识网络空间发展规律、国际关系并维护好网络空间安全和平提供借鉴启示。     

战区军事职业教育培养联合军官存在问题及建议

发展战区军事职业教育培养联合军官,是加强联合作战指挥人才建设、实现军事人才现代化、推进联合作战指挥体系建设的重要内容。文章针对当前面临的矛盾问题,围绕加快发展战区军事职业教育、下大力培育联合军官提出了顶层设计、优化内容体系、拓宽实践渠道、激发队伍活力。     

基于深度卷积神经网络的异常行为快速识别

针对异常行为快速识别问题,提出了一种基于深度卷积神经网络的视频检测和定位方法。该方法利用全卷积神经网络和时间数据,将一个预先经过训练和监督的全卷积神经网络转移到一个无监督的全卷积神经网络,确保能够检测全局场景中的异常,提出利用级联检测的方式来降低算法的计算复杂度,从而使其在速度和精度方面获得较高的性能。提出的基于全卷积神经网络的异常行为检测架构解决了两个主要任务,即特征表示和级联离群值检测。实验结果表明,所提方法在检测和定位精度上优于现有算法,且运行速度更快,从而表明所提算法的有效性和可行性。     

使用多分辨力神经网络的凹自动目标识别

本文介绍用多分辨力神经网络根据目标的凹(分等级的分辨力)图像探测和分类目标的方法。目标识别决策是以使能量函数最小化为基础的。在现行凹图像中可同时获得的几个分辨级上,把一个候选的斑点与目标模型库相比较,由此计算能量函数。为此,通过一个新的多层霍普菲尔德(Hopfield)神经网络,实现一个并发的(自上而下和自下而上)匹配过程。有关的能量函数不仅支持在相同分辨级的单元之间的交互作用,而且支持在不同分辨级的节点组之间的交互作用。这允许不同分辨级的特征互相证实或反驳,以便对潜在匹配的有效评定做出贡献。凝视控制,即再凹向所获得图像空间的更显著区域,由搜索与候选斑点无疑义的高分辨力的特征来实现。提供使用实际的二维(2—D)目标的试验以及它们的仿真凹图像。     

基于来袭鱼雷方位变化率的制导类型识别技术

对来袭鱼雷的制导类型进行识别是水面舰艇实施有针对性鱼雷防御的前提条件,方位变化率则可作为类型识别的一个重要的识别依据。首先,从不同类型潜射鱼雷的发射方式和弹道特征入手,分别推导出潜射直航鱼雷、声自导鱼雷、尾流自导鱼雷方位变化率的表达式。其次,仿真分析了不同类型潜射鱼雷方位变化率的影响因素。最后,在给定的态势下,给出了四种不同类型潜射鱼雷方位变化率随雷舰距离的变化规律曲线。仿真结果能为鱼雷制导类型识别提供一定的参考依据。     

一种新型RFID帧时隙ALOHA算法

在射频识别系统中为使标签能够被实时、高效地识别,提出了一种基于码分多址思想的帧时隙ALOHA防碰撞算法(CD-FSA)。首先分析了算法的设计思路,然后构造了算法的数学模型,推导出了其系统吞吐量的表达式,最后进行了仿真实验和比较分析。结果表明,CD-FSA算法与帧时隙ALOHA算法、动态帧时隙ALOHA算法和二进制树搜索算法相比,系统吞吐量高且识别相同数量的标签所用时隙数少。     

基于广义码重分布的交织类型盲识别研究

针对非协作通信领域中交织序列的交织类型识别问题,在对低码率线性分组码的分组交织和卷积交织序列进行深入分析的基础上,基于广义的码重分布法首次解决了截获序列的交织类型盲识别问题。该方法首先对截获序列按不同长度进行分组计算码重,利用分组交织和卷积交织后序列的不同码重分布特性,进一步计算广义码重分布距离来区分序列的交织类型。仿真结果表明该方法能快速识别交织类型,并具有较好的容错性能。     

基于高斯数据增广的小样本数据无人机编队类型抗扰识别

近年来,随着无人机的应用越来越广泛,对无人机编队类型进行准确识别具有重要意义。基于此,对小样本数据下无人机编队类型识别问题进行了研究。首先,对目前常用的各种无人机编队类型识别方法进行了介绍,针对小样本数据无人机编队类型抗扰识别面临的主要问题进行了分析;其次,对所提方法涉及的理论背景进行了研究;然后,对所提无人机编队类型抗扰识别算法进行了详细阐述;最后以带有噪声的菱形无人机编队的位置坐标作为输入数据,使用所提方法进行仿真实验,仿真实验结果表明,以参数均方误差作为队形识别的准确度指标,所提方法可将均方误差由45.1降低至0.46,显著提高了无人机机群特征聚类的精度与鲁棒性,证明了所提方法在小样本数据无人机编队类型抗扰识别问题上的有效性。     

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。