美军高级战术通信网——WIN—T

本文介绍了美国陆军目前最重要的战术通信开发计划,即指战员信息网-战术系统(WIN-T)计划,着重介绍其综合网络的结构、特点、计划的发展状况及应用前景。WIN-T号称是实现陆军2010年及以后作战概念最具竞争力的系统,该计划发展的程序和策略为开发新时期我军的战术通信系统提供了借鉴。     

台军推出“合理冒险训练”

台军新任总政治作战局局长杨天啸上任伊始,花样不断。近日,台“国防部”在湖口北区联合测考中心举办的所谓“合理冒险训练”示范观摩,就是由杨天啸一手策划并不遗余力推出的。台军图谋通过“合理冒险训练”,达到所谓的培养官兵临危不惧的勇气与胆识,强化瞬间心理调适能力,进而达到克服恐惧焦虑、建立个人自信及增进团队向心等三项训练目标。但令人好笑的是,就连参加这次示范观摩的种子教官,也不看好这种做法。     

舰艇编队目标武器分配问题的研究方法

分析了舰艇编队作战指挥流程,说明舰艇编队目标武器分配(WTA)研究的内涵和复杂性.在此基础上,总结了舰艇编队目标武器分配研究成果,将舰艇编队目标武器分配研究归结为2类分配模式下的优化问题,并论述了舰艇编队目标武器分配模式,综述了舰艇编队目标武器分配研究的主要方法.最后,提出了今后的研究方向.     

历史上的“八次战术飞跃”

战术,简而言之就是指导战斗的方法,它建立在一定的物质基础之上,依赖于社会生产力发展水平。战术从产生到现在已有四五千年的历史,在这漫长的历史过程中,战术发生了复杂而又深刻的变化,经历了一次又一次的质的飞跃。     

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。     

一种基于CAE的HRRP去噪重构与识别方法

针对HRRP识别研究中面临的噪声污染问题,提出了一种基于卷积自编码器(convolutional auto encoder, CAE)的HRRP识别方法。此方法将CAE的重构功能与卷积神经网络(convolutional neural network, CNN)的分类性能相结合,将未含噪声的数据作为标签,利用CAE学习含噪声HRRP的噪声特征,实现对HRRP的去噪重构,后利用CNN对重构后的HRRP进行识别。仿真实验表明：在10 dB、20 dB、40 dB峰值信噪比的噪声环境下,该方法对HRRP的识别准确率分别可达到76.48%、95.14%、98.33%,能够一定程度上克服噪声对HRRP识别带来的不良影响,保证识别精度。     

基于直觉梯形模糊信息的目标优先级排序方法

针对地面防空作战中空中目标的优先级排序问题,提出了一种基于直觉梯形模糊信息的优先级排序方法。使用直觉梯形模糊数来描述空中目标的属性参数,分析了目标优先级的影响因素,并利用熵权法确定了影响因素的权重;针对传统TOPSIS方法的缺陷,提出了一种利用相对熵作为距离测度的优先级排序方法;最后结合算例仿真验证了方法的合理性和可行性。     

基于整体变分和数学形态学的空间非合作目标边缘检测

非合作目标不提供已知的目标标识器和敏感器件,无疑增加了检测识别的难度.CCD相机能够提供大量包含有非合作目标的尺寸、形状、相对位置和相对姿态等信息的高分辨率图像,用常规方法进行非合作目标图像分割时,由于空间环境的影响,使得目标的轮廓线非常零碎,常掩埋在杂乱的背景分割线中.为了克服这种问题,提出了一种保持边界的整体变分方法和数学形态学相结合的方法.先用整体变分方法对图像进行平滑的同时可以最大限度地保留图像中的轮廓、边缘等特征信息以增强目标的边缘,然后采用数学形态学的方法对其进行膨胀、腐蚀以滤除众多的背景噪声.经大量的实验验证,这种方法可以有效地提取出非合作目标的边缘信息,并可滤除大量噪声,为进一步开展非合作目标识别工作奠定基础.