基于神经网络的舰船目标识别研究

为了实现对水下目标的识别,在现有特征提取方法的基础上,提出了一种从DEMON谱线谱和DEMON谱连续谱提取的特征方法,并设计了一个基于BP神经网络和多神经网络分类识别器的舰船目标识别系统。通过对实际舰船噪声目标进行识别,识别效果比较满意。这对舰船目标识别的发展具有一定的参考价值。     

潜艇的种种分类

潜艇,又称潜水艇。它是在水下航行并主要用于对敌方陆上,水上目标进行攻击,破坏敌方海上交通线等作战活动的舰船,潜艇作为海军的主要舰种之一,具有隐蔽性好,突击力强,续航力大,自给力强等特点,备受各国海军的重视。经过大约一个多世纪的发展,潜艇已形成了一个庞大的家族,拥有许多不同的种类。下面简要介绍几种常用的分类方法。     

基于BP神经网络的防空保卫目标分类

提出用BP神经网络模型对防空保卫目标进行分类的一种新方法。该方法建立分类评价的指标集,将分类的划分等级作为训练样本集,以指标的各等级标准值作为样本的输入特征值,建立多参数的BP神经网络防空保卫目标分类评价模型,然后用实例训练神经网络,得出了较合理的结论。     

无人机集群反制技术剖析

无人机集群作战具有作战效能高、战场生存能力强、效费比极高的巨大优势,将给传统防空系统带来巨大挑战。现有反无人机集群技术大多来源于反无人机技术,但反平台与反集群存在显著差异,必须针对无人机集群自身技战术特点,加强对精确/高效/低成本的集群反制技术研究。因此,本文以剖析无人机集群反制技术的可行性为出发点,首先,从反无人机集群作战视角,将无人机集群划分为无自主时空协同型(Ⅰ类)、半自主编组协同型(Ⅱ类)、全自主任务协同型(Ⅲ类)三种类型,明确Ⅱ类无人机集群为主要反制对象;其次,深入分析无人机集群的技术弱点与战术劣势,以此作为无人机集群反制技术可行性的关键切入点;最后,梳理出七大类有效的无人机集群反制技术,并对其可行性进行分析,以期为未来无人机集群反制技术发展方向提供参考。     

D-S证据论在空中目标分类中的应用

首先叙述识别、分类空中目标时需使用多传感器融合技术,分析可利用的各类传感器和从其可得到的各种目标属性参数,以及各种数据融合方法.然后详细介绍了基于D-S证据论的3种多源信息融合分类空中目标方法,并对具体仿真应用结果作了比较.     

战场信息分类

本文在分析战场信息的基础上,确定了战场信息的分类准则,并且为战场信息给出了一个完备的分类。提出这个分类,试图为今后的战场信息格式制订提供指导,为指挥自动化系统间的信息共享奠定基础。     

基于深度学习的跨语言文本情报分类方法研究

文本情报分类工作是情报分析领域的基础性工作。目前,文本情报分类工作通常面向单一语言,跨语言文本情报分类研究相对较少。针对跨语言文本情报分类问题,提出了“XLM-R+TextCNN”模型,通过基于大规模多语种语料训练的跨语言预训练模型(XLM-R)生成与具体语言表示形式无关的文本情报向量,将文本向量输入TextCNN模型,获取文本情报的类别特征,实现对跨语言文本情报的分类。以开源国防科技情报为基础,构建了跨语言文本情报分类数据集,并对模型进行了测试。实验表明,该模型在多项对比评测中,取得了不错的成绩,验证了本方法的可行性与有效性。     

把握知识经济时代特征,进行成人教育改革

知识经济时代对知识功能及其体现有了新认识 ,强调对知识的占有和分享。通过学习知识组织的方法 ,使知识得到再创造。成人学生知识的增长 ,结构化能力的形成 ,需要通过适应时代的学科教育来完成 ,从默认知识到明确知识 ,再将知识纳入到原有的知识结构中 ,内化为个体的内在素质     

无人机航迹规划中动态威胁评估方法

无人机利用动态威胁评估方法可以对航迹中的动态威胁等级进行评估,然后根据评估结果制定相应的规避策略完成规避动作。针对无人机航迹规划中动态威胁的规避问题,提出了基于模糊离散动态贝叶斯网络的动态威胁评估方法。基于模糊分类的信息处理技术可以处理部分连续观测值问题,基于动态贝叶斯网络的推理技术能利用先验信息和离散的证据信息进行不确定性推理,最后推理评估得到动态威胁等级。仿真结果表明,该评估方法在处理时序上不确定性问题具有较强的优势以及很好的鲁棒性。