基于改进Yolov5的晶振多缺陷检测

长期以来,晶振的缺陷检测主要依靠人工,存在着效率低、受外界影响程度大、成本高昂的问题。传统方法无法实现多缺陷一次性记录检出,而深度学习应用部署于工业界也存在着无GPU加速导致的推理速度慢的问题。针对以上问题,选定算法模型并通过在输入模块对图像增强、主干网络特征图融合、颈部网络引入新的尺度检测层和新的激活函数、输出预测时引入注意力机制的多种方式进行改进,在保留模型轻量化的同时增加小目标检测能力。最后进行模型剪枝和硬件加速推理,部署于PC端进行缺陷统计等工作。实验表明该系统的检出率在95%以上,实现了晶振缺陷检测的自动化和精细化。     

论指向核心素养的数学深度学习

数学核心素养是学生亲身经历"数学化"活动之后所积淀和升华的产物。数学核心素养的培养需要指向高级思维能力培养、注重学生学习行为高情感和高行为投入的深度学习。本文以"求无盖水箱最大体积问题"为例,从创设挑战情境,学生历经自主合作探究过程,反思数学与生活的关联,培养学生良好的情感态度价值观等方面对数学深度学习进行了探讨。最后指出,实现深度教学,教师需要转变教育理念,深刻理解数学核心素养的具体表现和内涵,要基于经验进行研究导向的持续教学改进与提升。     

在线学习的主用户仿冒攻击策略

在认知无线网络中,次用户通过频谱感知来学习频谱环境,从而接入那些没有被主用户占用的频谱空隙。事实上,多种恶意攻击的存在会影响次用户频谱感知的可靠性。只有深入研究恶意攻击策略,才能确保认知无线网络的安全。基于此,研究了一种认知无线网络中的欺骗性干扰策略,即主用户仿冒攻击策略,该攻击策略通过在信道上传输伪造的主用户信号来降低次用户频谱感知的性能。具体来说,将攻击策略问题建模为在线学习问题,并提出基于汤普森采样的攻击策略以实现在探索不确定信道和利用高性能信道间的权衡。仿真结果表明,与现有的攻击策略相比,提出的攻击策略能更好地通过在线学习优化攻击决策以适应非平稳的认知无线网络。     

基于深度学习的军事辅助决策研究

信息化战争对作战指挥的时效性、精确性都提出了更高要求,也为军事辅助决策研究发展指明了新方向。随着AlphaGo的出现,深度学习技术在多个领域均取得了显著成果,也给军事领域特别是军事辅助决策领域带来了深刻影响。通过综合分析总结当前军事辅助决策领域的研究现状,结合深度学习的原理和特点,从情报信息融合、样本自动生成、训练模型泛化、自然语言理解等方面,提出基于深度学习的军事辅助决策智能化建设发展的新思路。     

基于深度学习的战役初始态势认知方法

战役初始态势不仅影响着整个战役进程,而且对战役筹划的影响也极为显著。以深度学习为代表的人工智能技术突飞猛进,为我们利用人工智能技术实现自动识别复杂的战役初始态势、模拟战役指挥员的经验知识带来了契机,作者就此问题进行初步探索性研究。对战役初始态势的概念及其类型进行了介绍,探讨了基于深度学习的战役初始态势认知模型构建,对模型构建步骤、输入和输出的设计进行了探讨,对卷积神经网络的基本思想、结构、训练进行了介绍,在示例中介绍了样本数据的录入程序、卷积神经网络的具体结构与应用程序,验证了方法的可行性与有效性。所提出的战役初始态势认知方法可以在一定程度上获得指挥员对战役初始态势的经验知识。     

基于训练网络的目标检测方法及应用

传统的Faster-RCNN目标检测网络以VGG16作为训练网络,其网络提取能力弱、检测速度慢,提出将inception网络与深度残差网络作为训练网络用于Faster R-CNN。在TensorFlow框架下,搭建相应的网络模型,并选取飞机、车辆、操场以及水箱的遥感图像进行了实验验证。实验结果表明,相比于VGG16网络,基于inception网络与深度残差网络作为训练网络的Faster R-CNN模型在识别精度和识别速度上都具有明显的优势。     

潜艇目标态势对航空磁探测的影响分析

航空磁探潜是通过磁探仪探测磁异信号,进行航空反潜的重要手段。通过仿真各种情况的磁异常信号,能够得到各种态势下的潜艇磁场分布,为后续磁检测提供数据支撑。提出将潜艇速度,地磁场环境纳入潜艇磁异信号模型中,并定量分析了其对磁异信号的影响模式。     

战场态势估计和威胁估计

描述了战场态势、态势估计和威胁估计的概念。对态势估计从态势要素提取、态势评估推理及态势预测三方面进行了分析,重点对态势评估中的功能领域如:目标合并、协同关系推理、战场主动权指数计算、作战能力评估、重要目标估计及敌战斗序列估计等的含义、内容和实现步骤进行详细阐述。对威胁估计的内容和主要功能也进行了描述。