深化反腐败问题的沉思

挑战腐败,我们党和政府的态度推常坚决。面对阶段性战果,人们兴奋之余不免愁眉,毕竟立案总数有增无减,腐败现象在变着花样向隐蔽化、高级化和复杂化发展。为什么我们的斗争力度在不断加大,而腐败现象却难以根治?时代向我们提出了一个看似答案简单明了而解开却又颇为复杂的“两难问题”。问题就是冲撞我们思维的最实际的呼声．     

基于卷积神经网络的卫星网络协调态势评估方法

为充分发掘利用海量卫星网络数据,提高决策效率,加强空间频轨资源获取与储备的分析手段,尤其是对地球静止轨道资源的协调获取问题,提出基于机器学习算法的卫星网络态势评估策略。通过对卫星网络协调因素进行特征分析,选择卷积神经网络(Convolution Neural Network, CNN)为目标算法模型,并建立算法模型的训练数据集及Label规则,采用分裂信息增益度量方法对数据进行降维处理,建立CNN评估模型,并进行了验证分析。结果表明,CNN模型对卫星网络协调态势评估问题测试的正确率高达80%以上,具有较高的评估效能。随着数据量的增多,CNN评估效果逐步提升,是一种在卫星网络协调态势分析、资源储备的有效评估方法。     

具有坐标耦合和处理时滞的二阶离散多智能体系统的一致性

根据系统的拓扑结构、离散步长和旋转矩阵的旋转角,确定系统的渐近行为,给出多智能体系统达成二阶一致性的充要条件。证明了当0是拉普拉斯矩阵的一个简单特征值且离散步长、旋转角小于由代数方程确定的临界值时,会出现渐近一致性。数值模拟结果证明理论结果的正确性。设计了特征参数影响二阶一致性的相关案例,说明特征参数相关结论可为控制理论的一致收敛分析提供重要判据和理论支撑。     

联合多层次深度特征的SAR图像目标识别方法

提出了联合多层次深度特征的合成孔径雷达(SAR)目标识别方法。采用卷积神经网络(CNN)学习SAR图像的多层次深度特征。多层次的深度特征从不同方面描述原始SAR图像中的目标特性,从而为目标识别提供更充分的决策依据。为了充分发掘不同层次深度特征的独立特性以及它们之间的内在关联,采用联合稀疏表示对多层次的深度特征进行联合分类。根据各层次特征的整体重构误差判定目标类别。采用MSTAR (Moving and Stationary Target Acquisition and Recognition)公共数据集对提出方法进行了性能测试。实验结果表明,该方法的识别性能显著优于现有的SAR目标识别方法。     

基于Viterbi算法和ROMP的多弹道目标分离与特征提取

为实现对中段飞行中多弹道目标进行分类和特征提取,首先利用重排Gabor分布与Viterbi算法相结合的方法,获取目标散射点的时频曲线,对目标信号时频曲线拟合后进行频谱分析,完成目标运动类型分类。根据目标微动类型确定对应散射点的回波信号形式并构造相应的匹配原子库,设定待估计参数,利用ROMP方法对参数进行提取。仿真实验表明,该方法有效实现散射点分离并判断出目标的微动类型,同时验证了该方法对目标参数的提取精度。     

着眼时代特点和问题导向 全面提升《纲要》落实质效

习主席指出,基层是部队全部工作和战斗力的基础,基层强则部队强。随着改革深入推进,广大官兵响应号召,全身心投入强军实践,引领基层发展走上正轨、初见成效。但对照"三个过硬"要求,末端检视还存在一定的差距不足。今年初,军委出台新版《纲要》,为解决基层深层次问题提供了目标路径,需要各级对照理清思路、加深思考理解、强化实际检验。一、强化制度落实,解决组织虚化的问题习主席深刻指出了基层"战斗堡垒作用跟不上"的突出问题。实践反复证明,组织制度实起来,党委支部建设才有领导力、组织力。