水下传感器网络部署优化研究

水下传感器网络具有广阔的应用前景,但也存在能量有限、延迟较长、部署区域不连通和通信能耗大等问题,理论和实践证明传感器节点的优化部署是解决已上问题的有效方法。为此综合考虑水下传感器网络的工作环境及传感器特性,建立了提高网络可靠性的网络部署模型,给出了网络部署的成本函数及约束条件,并使用遗传算法对传感器节点和中转节点的部署成本及网络生命周期内的能量消耗进行优化。通过仿真实验表明,该模型收敛速度快,部署节点结果合理,达到了较好的优化网络的目的。     

基于网络理论的体系作战能力建模

在分析信息化体系作战能力"跃迁"特征的基础上,进行了作战体系的网络化结构建模分析;研究了感知网络、指控网络以及执行网络能力模型,构建了基于网络理论的体系作战能力综合模型。结合仿真算例分析,探讨了体系信息结构力的产生机理,为体系作战能力综合研究提供了借鉴和支撑。     

网络化防空作战C~2结构模型抗毁性

从网络动力学特征的角度,研究网络化防空作战C2结构模型抗毁性问题,针对以往的抗毁性测度指数不适用于C2网络抗毁性研究的现状,考虑C2网络信息融合的时延及战场感知覆盖率等因素,提出的抗毁性测度指标:最大连通片尺寸与网络规模比,最大连通片平均最短路径长度L,网络化效能系数。在指标的基础上对C2网络模型的抗毁性进行研究,并分析不同的空袭策略对防空作战C2网络抗毁性的影响。     

变结构离散动态贝叶斯网络的快速推理算法

变结构离散动态贝叶斯网络是对传统离散动态贝叶斯网络的推广,具有更广泛的建模应用价值,但是其推理算法还有待进一步完善.针对变结构离散动态贝叶斯网络的推理算法难以理解、编程计算难、推理速度慢的问题,给出了实现变结构离散动态贝叶斯推理算法的数据结构,并推导了进行并行计算的推理算法和编程步骤,并通过实例进行了算理验证.给出的方法对变结构离散动态贝叶斯网络的编程应用具有参考价值,同时可以加快变结构离散动态贝叶斯网络的推理计算速度.     

AHP-BN方法在武器装备动员敏捷性评价中的应用

文章将敏捷动员的理念引入武器装备动员领域,从武器装备动员组织、法制、基础、信息化和预案建设等几个方面论述了影响武器装备敏捷动员的因素,建立了武器装备动员敏捷性评价指标体系,提出了一种利用层次分析法和贝叶斯网络对专家知识和经验进行有效集成的综合评价方法,并将此方法应用于武器装备动员的敏捷性评价。     

现代战争的神经中枢C4KISR系统

C4KISR系统在现代战争中起着力量倍增器的作用,是提高军队整体作战效能的有效途径.通过对C4KISR系统的基本内容、发展现状的描述,结合实例进行了分析,并对发展趋势进行了展望.使其在作战中有效打击敌方隐藏的目标和日益增多的特殊目标.     

砺剑太行谋打赢——山西省军区党委探索科技兴训新路成效明显

烈日流火,风扯旗动。“八一”前夕．山西太原市西山脚下,代号为“砺剑—2006”的山西省民兵预备役部队军事比武和建设成果汇报在这里紧张进行。来自全省11个市的40余支民兵预备役分队展示了网络攻防、城市防空、卫星导航干扰、防化洗消等硬功：民兵网络分队通过网络向敌指挥系统植入“木马”病毒,使敌指挥控制网络瞬间陷入瘫痪;我联合指挥部遭敌空袭被破坏,指挥部随即启动应急预案,预备役通信团迅速在指定地域开设野战指挥所,紧张地架线、联网后,野战指挥所投入运行;敌巡航导弹进入我严阵以待的数字化高炮群火力网后,在火控雷达的指挥下,一个长点射,敌机凌空化作碎片……     

一种适于片上路由器的自适应缓冲调整策略

在典型的片上网络路由节点中,来自不同方向的报文被存储在相互独立的缓冲资源中。在网络负载不均衡的情况下,某些方向的报文将很快填满该方向的缓冲,而其他方向仍可能有较多的缓冲资源处于空闲状态,这样就导致了网络中的缓冲资源利用率不高,进而影响片上网络的整体性能。提出了一种自适应的片上缓冲调整策略,能够根据网络负载情况动态调节缓冲结构,有效地提高了缓冲资源的利用率。在90nmCMOS工艺下设计实现了多端口共享缓冲资源的片上网络路由器,实验结果表明,在负载不均衡的网络中,提出的路由器能够带来性能改进及功耗降低;在达到相同性能的情况下,新路由器的面积较典型路由器减少了20.3%,而其缓冲功耗节约了41%左右。     

基于网络分析法的联合作战指挥能力评估

为科学评估联合作战指挥机构的指挥能力,通过建立联合作战指挥机构指挥能力指标体系,分析各层级指标之间的相互关系以及指标组内部元素之间的相互影响关系,运用超级决策软件建立了联合作战指挥机构指挥能力评估指标的关系图,得到最终指标体系的权重,采集两组战役级指挥机构演习评估数据,计算能力评价结果。通过分析指标权重,指出提升联合作战机构的指挥能力尤其要突出抓好筹划决策能力、情报侦察能力、作战调控能力建设三个重点。     

基于深度学习的枪声联合识别定位

针对现有枪声识别与定位任务中,识别与定位需分别进行,造成计算耗时、系统冗余、开发流程复杂等问题,提出使用一个Two Stage CRNN深度学习网络模型处理枪声识别与定位任务。首先,对采集到的枪声信号进行对数梅尔变换并计算广义相变互相关谱作为网络模型输入;其次,第一阶段通过CRNN网络对枪声信号进行识别;最后,第二阶段通过引入掩码实现判断是否将CRNN网络权重共享实现定位。相关实验表明,此方法能有效解决传统方法中识别与定位任务分别实现、系统冗余、开发流程复杂的问题,在实现联合识别定位中具有一定的应用价值。