一种基于神经网络的磁性目标定位方法

磁性目标定位问题可归结为一类非线性规划问题的求解 .该问题的最大特点就是其目标函数的计算过程极为繁琐 .而目标函数计算的快慢对磁定位的实时性有很大影响 .在详细研究了目标函数之后 ,给出了目标函数的一种神经网络结构实现 .由于该网络结构易于并行计算和VLSI实现 ,从而可使磁定位的实时性得到改善 .     

使用低分辨率雷达和社会网络进行舰船目标识别

本文研究使用低分辨率下靶区雷达包络线,预处理和神经网络工具进行舰船目标分类的方法。     

中子弹核爆炸识别与当量测定原理和方法研究

从核爆炸效应的不同角度对中子弹核爆效应现象学进行了综合研究,得出了较全面系统的结果;同时,在对中子弹核爆炸效应进行分析的基础上,提取了一系列效应特征量,并推荐使用了优化特征量;利用多层神经网络系统,进行了中子弹核爆炸弹型识别的计算机仿真研究,得到了较理想的识别率;最后给出具有中子弹核爆炸识别、当量确定功能的核爆炸监测系统的原理与工作序列。     

基于深度学习的高超声速飞行器运动行为识别

高超声速飞行器具有机动大、速度高、航程远、威胁强等特点,已成为各大国重点发展的武器装备,识别其运动行为能为防御和拦截提供有力的技术支持。本文对有禁飞区等复杂约束条件下的高超声速飞行器运动行为识别问题开展研究：首先通过分析高超声速飞行器的运动特点,建立能够充分描述其行为模式的参数化运动方程;然后基于优化思想求解有禁飞区等复杂约束条件下的航迹规划问题,构建其数据集;最后基于深度学习方法设计高超声速飞行器运动行为识别算法。试验结果表明：所设计的识别算法能够实现对高超声速飞行器运动行为的识别,且具有一定的泛化能力,可为后续防御决策提供一定的参考。     

基于神经网络的螺丝表面缺陷检测

针对螺丝零件通常存在的缺陷检测问题,提出了一种基于神经网络螺丝表面缺陷检测方法。将SimAM注意力机制引入YOLOv7网络模型,用GIoU损失函数替换CIoU损失函数提高模型检测精度,在目标框位置预测过程中,引入Soft-NMS优化候选框选择方法,有效提升候选框位置选择的精度。实验结果表明,改进后的网络模型平均精度均值(mAP)达到98.9%,对小目标缺陷检测精度更高,误检漏检情况更少,可以有效满足螺丝表面缺陷检测要求。     

核工业科研院所推进党建与科研深度融合的思考——以中国核动力研究设计院第四研究所为例

文章围绕落实贯彻党的十九大精神、大力实施创新驱动发展战略,以中国核动力研究设计院第四研究所为例,研究分析了强化核工业科研院所党建与科研生产中心工作深度融合的现实意义,总结提炼了党建与科研融合工作的现状与存在的问题。结合工作实践,从四个方面提出了强化核工业科研院所党建与科研生产中心工作深度融合的对策。     

基于BP神经网络的炮光集成武器系统作战效能评估与预测

为了有效地评估和预测炮光集成武器系统的作战效能,以反舰导弹为例,针对空袭目标低空突袭的特点,建立了炮光集成武器系统的效能评估模型和BP神经网络预测模型。用BP神经网络对炮光集成武器系统的作战效能进行了预测,并与效能评估模型的计算结果进行了对比。结果表明:BP神经网络的预测结果与效能评估模型的计算结果比较近似,说明BP神经网络模型对于炮光集成武器系统作战效能评估与预测是有效的,可以为下一步的炮光集成武器系统的研制提供一定的理论参考。     

我国人工影响天气事业中的军民融合发展问题

根据军民融合发展战略分析我国人工影响天气工作现状,结果表明人工影响天气军民融合在飞机人工增雨作业、地面作业装备维保与改造、弹药仓储与作业民兵选送、装备弹药研发中发挥了重要作用,取得了显著综合防灾减灾和生态文明建设效益。主要存在体制机制不顺畅、政策法规不完备、标准规范不一致,军民转化平台和作业装备比较落后,资源、人才、技术分散导致保障乏力等问题。需要加强顶层设计,加强人影作业能力和军民融合工程建设,优化资源配置,加强军民融合技术创新体系建设。     

基于深度逆向强化学习的行动序列规划问题研究

针对深度强化学习在解决序贯决策任务中严重依赖回报函数,而回报函数又存在着反馈稀疏和反馈延迟等问题,论文提出了基于深度逆向强化学习方法的行动序列生成与优化方法,通过专家示例轨迹数据重构回报函数,实现高质量示例轨迹数据中隐性专家经验的获取和利用,挖掘数据背后的规律。然后将重构的回报函数与环境固有的回报函数进行奖赏塑型,生成的新的回报函数能够更加及时、准确地对智能实体的行为给予反馈,大幅加速了强化学习的收敛速度。     

基于CNN的SAR图像舰船目标检测算法

为了提升合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船目标检测的精度和速度,对卷积神经网络(Convolutional Neural Network,CNN)在SAR图像舰船目标检测上进行了研究。通过改进OTSU方法对SAR图像进行分割,并且用最小外接矩形将疑似目标标记出来;依据矩形中心在原始图像上提取出固定大小区域作为候选区域;将提取的目标通过训练好的卷积神经网络进行判定,去除虚警目标并将检测结果在原图中标记出来。实测数据的实验结果表明,该算法在降低虚警的同时提升了检测速度。