大学英语X＋i教学改革与实践

要培养符合部队需要的复合型人才,大学英语教学就要跟上发展的要求。在分级教学的基础上,在两年的大学英语教学中,在各学期授课过程中加入教学模式。使学员在掌握扎实的英语知识的基础上,同时又掌握专业相关的背景知识,以达到英语课教学改革的最终目标。     

国产大飞机发动机CJ-1000A模型亮相

9月21日,观众在北京航展上参观展出的CJ-1000A模型。当日,中航工业自主研发的大型飞机发动机CJ-1000A模型在北京航展中航工业展台亮相。据悉,这是该款发动机模型的首次亮相。CJ-1000A大型客机发动机将用于中国国产大飞机,预计在2016年完成研发。     

美国通用动力公司为“布雷德利”战车生产反应装甲

7月30日据有关报道,美国政府目前正在离华盛顿不远的军事基地修建一座生物武器研究所,尽管研究目的在于模拟、分析生物恐怖袭击,寻找反恐薄弱环节和对抗袭击办法,但这一机构的高度机密等级仍然引起许多人的质疑,而且在法律上对作为《禁止生物武器公约》缔约国的美国也是一个不小挑战。     

一种基于级联滤波设计的背景噪声均衡方法

针对阵列信号处理中背景噪声对目标检测影响问题,提出一种基于级联滤波设计的背景噪声均衡方法.该方法依据背景噪声起伏特性设计多尺度组合形态学滤波器对空域重采样数据进行处理,降低不同方位起伏噪声对目标检测的影响;根据噪声特性设计同态滤波器,降低乘性噪声对目标检测的影响;按类内类间离散度比最小准则实现背景噪声门限的自动推荐,进而实现对背景噪声均衡处理,提升对目标检测概率.数值仿真和实测数据处理结果表明:相对S3PM方法和OTA方法,在两者失效的情况下可有效实现对目标检测和判决,对环境适应性提高了近3 dB;有效降低了背景噪声对目标检测性能的影响,提高了目标检测的环境适应性.     

武器装备研发成本补偿引入保险机制

随着我国军民融合武器装备研发生产体系的深度发展和社会主义市场经济体制的不断完善,武器装备研发中投入的研发成本面临很高的投资风险,成为困扰企业参与武器装备研发的重要因素。面对庞大的研发费用支出以及研发成本补偿措施不完善,企业要独自面对研发活动中的风险,这在一定程度上降低了企业参与装备研发的积极性。本文认为,通过保险机制的引入,鼓励企业为武器装备研发活动投保科技保险,同时,军方在对研发活动进行分析评判后,对企业的保费按比例进行分摊,能够在拓宽补偿途径的同时,利用保险分担企业研发过程中的风险,激发企业参与武器装备研发的热情,更好地为军队武器装备发展建设做出贡献。     

探雷声纳背景图像仿真的快速实现

为了真实地模拟海底背景,提出了一种适用于探雷声纳模拟训练的背景图像仿真快速实现方法,该方法将声波照射三维起伏海底掠射角的随机性体现在海底底质的比例系数中,可以逼真地仿真出各种起伏海底的背景图像,仿真计算时间小于探雷声纳最小重复周期,满足了探雷声纳模拟训练的需要。     

分形成像技术原理及应用方法

分形技术是一种新兴的随机成像技术,在各种仿真模拟领域得到了广泛应用。结合"双37小高炮训练模拟系统"实例,详细阐述如何运用分形技术随机生成天空背景的漫游图像。     

海天背景下舰船可见光图像目标区域定位方法

针对行均值法用于海天背景下舰船目标区域定位可靠性不高、容易受到舰船目标大小和海天背景复杂程度影响的不足,提出一种基于图像行灰度熵的舰船目标区域定位方法。该方法在分析海天背景下舰船目标可见光图像成像特点基础上,结合信息熵理论给出了图像灰度熵及行灰度熵的概念,利用图像行灰度熵描述图像在行方向上的灰度变化程度,选用滑动区间方差搜索策略得到图像行灰度熵曲线的突变区间,从而实现舰船目标区域定位,最后通过实际图像进行了实验验证。实验结果表明,该方法能对舰船目标所在区域有效定位,其准确性及鲁棒性均优于行均值法。     

基于ST-YOLOv7的无人机视角下行人及车辆识别

由于无人机视角下的背景复杂,识别的目标多为远距离小目标,因此容易导致漏检及误检问题。为了实现无人机视角下对行人及车辆高精度识别,提出了以YOLOv7网络模型为基础的ST-YOLOv7算法,主干网络中融合了Swin Transform模块,构建复杂背景与小目标的全局关系,融入SENet通道注意力机制,为不同通道的特征分配不同权重,增强小目标特征的捕捉,在头部网络中,加入了YOLOv5网络中的C3模块,增加网络的深度和感受野,提高特征提取的能力,增加了1个小目标检测层,进一步提升对小目标识别的精度。实验证明：ST-YOLOv7网络模型在自制的航拍数据集中对行人的识别精度高达83.4%,对数据集中的车辆的识别精度达到了89.3%。均优于YOLOv5和YOLOv7目标检测算法,以较小的效率损失取得了较高精度。     

视频监视前景图像估计的盲源提取方法

在视频图像运动检测的背景消减方法中,场景图像或帧可建模为前景图像和背景图像的叠加或线性混合。然而,实际中图像的背景和前景往往相关,常用的主成分分析和独立分量分析等方法难以实现准确提取。为此,将视频图像的前景提取建模为盲源提取问题,提出了一种基于均方交叉预测误差的盲源提取方法,可以从相关的源视频图像中提取期望的前景图像,并将该方法扩展应用于基于基本模型和特征背景模型的背景消减方案中。基于人工和实际视频的实验验证了盲源提取背景消减方法的可行性和有效性。