目标网络分层描述与自修复机制研究?

针对目标网络分层建模与自修复机制问题展开研究。首先建立了分层次的作战目标网络模型,在此基础上提出六种维度的指标以评价作战目标网络在攻击前后能力的变化情况;其次,从预警网络层、火力网络层、指控网络层分析探索作战目标体系在遭受攻击后的最优自修复策略;最后,通过模拟攻击实验仿真分析上述自修复机制的可行性。实验结果表明该目标网络的自修复机制相比传统方法,能够更好地发挥剩余节点的作战效能。     

基于小波网络的非线性系统辨识研究

小波网络为非线性系统辨识研究提供了一种有效的方法,但目前用于小波网络学习的进化算法易陷入局部极小等缺陷.结合生物免疫系统的概念和理论,在非线性系统辨识中引入基于免疫算法的小波网络.该算法中抗体通过浓度相互作用的机制来促进或抑制抗体的生成,借此保持抗体的多样性,并产生了高亲和力的抗体对种群进行不断的更新,提高了算法的全局搜索能力和收敛速度.最后,把基于免疫算法的小波网络用于一个非线性系统辨识的标准实例中,仿真结果验证了该算法的有效性.     

BP神经网络的飞机机体研制费用估算

提出一种应用人工神经网络预测飞机机体研制费用的方法.该方法利用偏最小二乘法对飞机性能参数进行了主成分提取,用这些主成分作为BP网络的输入变量,建立了一种基于BP神经网络的飞机研制费用的估算模型,应用该模型对典型的飞机机体研制费用进行了预测.预测结果表明,该方法是有效的、可行的.     

加强军营网络道德教育

网络道德教育是基层经常性思想工作面临的重要任务。加强基层网络道德教育,要着力进行网络道德意识教育、网络道德规范教育和网络道德自律教育。     

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。     

多级同步感应线圈装置温升计算方法优化研究

多级同步感应线圈装置发射过程瞬态能量巨大,可能造成电机损坏,有必要对电机温升进行研究,但考虑到瞬态热有限元仿真时间过长;电流丝法温升计算编程过于繁琐,工作量大等问题,将一维热网络模型计算方法应用于多级同步感应线圈装置中进行算法优化,将电机发热等效成一维传热问题,推导发射电机状态方程,通过Matlab构建同步感应线圈发射装置的一维热网络模型。仿真结果表明：通过不考虑散热情况的理论计算以及对比三维有限元计算结果,对一维计算结果进行校验,一维热网络模型仿真结果与前两者计算误差保持在10%以内。相比于瞬态热有限元仿真与电流丝法计算,在减少了模型搭建难度基础上,显著降低发射电机温升计算时间,提高仿真运算效率。     

生成对抗网络及其在无人系统中的应用

生成对抗网络（GAN）在无人系统多个层次上的应用提高了其智能化、自主化水平,具有巨大的应用价值和发展潜力。对GAN在无人系统技术中的应用进行了综合评述并且进行了展望。首先介绍了GAN的基本概念、训练方式和传统GAN的模型结构,并且从模型结构的变动、目标损失的变化以及适用的领域等方面详细介绍了深度卷积生成对抗网络（DCGAN）、循环生成对抗网络（CylcleGAN）、生成对抗模仿学习（GAIL）、序列生成对抗网络（SeqGAN）等GAN的8种衍生模型。接着概述了与无人系统OODA回路相关的智能感知、智能判断、智能决策、人机交互等方向上GAN方法的实际应用。最后基于无人系统共性技术的发展趋势,对GAN在无人系统的单体智能、多体或群体智能以及人机混合智能等方向上的应用进行了展望。     

基于DBN的天基信息支援装备体系作战效能评估方法

为解决天基信息支援装备体系的作战效能动态评估问题,提出一种基于动态贝叶斯网络的天基信息支援装备体系作战效能评估方法。首先以系统动力学模型获取数据样本,然后以静态贝叶斯网络作战效能评估模型为基础建立动态网络,以EM参数学习算法构建动态贝叶斯网络作战效能评估模型,最后对天基信息支援装备体系进行作战效能分析。在作战效能评估模型的基础上,以海上方向打击移动舰船目标的作战场景为例,分析了天基信息支援装备体系中诸多影响因素之间的相互关系与影响程度。同时,仿真实验验证了该方法应用在天基信息支援装备体系作战效能评估中的有效性和可行性,能够为天基信息支援装备体系作战效能评估提供坚实的技术支撑。     

基于机器学习的联合作战任务筹划模型

战争复杂性日益提高,快速完成作战任务筹划对于提高指挥效率至关重要。提出了联合作战任务矩阵分析模型,为作战任务筹划提供了一种理论方法;以此为基础,构建作战任务-支撑要素-威胁要素信念网络模型;设计了信念网络关键参数的贝叶斯学习方法,采用想象力机制来提高算法在自博弈学习中的收敛速度;给出了一种深度最小威胁生成树搜索算法,该算法能够通过平衡搜索误差和搜索速度,高效完成任务优先级排序。最后,通过仿真实验验证了上述模型和算法的有效性。