基于遗传神经网络的联合作战方案评估

遗传神经网络是处理不确定性和非结构化问题的一种有效工具。提出了一种基于遗传神经网络的联合作战方案评估方法,其基本原理是通过网络对已知作战方案样本的学习训练,对新样本进行模式识别。网络的输入为某型联合作战方案特征指标数据,输出为方案评估等级。仿真结果表明,该方法相比标准BP网络评估收敛速度更快,准确性更高;相比径向基网络计算精度有所改善,具有较好的适用性。     

考虑主观思维区间性的效能量化模糊评估方法

针对武器装备在效能量化评估时,用一个数值量化定性指标和权重的不足,基于模糊综合评判理论、Vague理论和区间数算法,提出了一种考虑主观思维区间性的效能量化模糊评估方法。该方法定义定性指标和权重值为一个弹性区间,充分体现了专家对主观性事物认识的不确定性。模糊计算的效能值为一个区间,为确定评估对象的效能等级,引入Vague理论中相似度概念,能够直观判断其效能等级。通过与传统模糊方法和考虑定性指标区间性的模糊方法对比,验证了该方法的有效性和可信性。     

晚清军事改革理论之嬗变

面对西方列强的"坚船利炮",第一次鸦片战争失败使得一些晚清的有识之士,开始寻求新的富国强兵之路。以"师敌长技"理论为起点,"师夷长技""中本西辅""中本西末""中体西用"等思想相继产生,并在军事改革中发挥了重要作用。然而,这些思想从产生到被抛弃,并未对摇摇欲坠的晚清政治统治以及军事改革产生"挽狂澜于即倒"的应用之效。这是因为,晚清军事改革并没有催熟一个符合时代发展的军事改革理论体系,深层原因在于思想观念的保守、落后和认识上存在局限性。军事改革缺乏系统的观念认知,在进行武器装备更新、体制编制调整及新式人才培养的同时,忽视了军事改革进程中系统观念确立这个关键因素,以致出现了将军事改革诸因素割裂开来分段推进的怪现象,造成了军事改革的总体贻误。     

分布式综合化航空电子网络拓扑优化技术

针对分布式综合化(DIMA)架构下实时动态消息流和网络资源能力,优化航空数据和通信网络(ADCN)拓扑问题,提出一种基于业务拓扑、网络拓扑以及延迟、线缆约束下的多目标网络拓扑优化算法。该算法能够基于驻留任务的信号、逻辑连接、物理连接关系,在资源约束下优化机载网络拓扑。算法通过组合优化方法计算折中全局最优解集(Pareto最优)。对于大规模机载网络架构优化,为了减少计算规模和提高计算时间,又提出一种预计算路径算法。算法通过类A320机载网络拓扑场景和类A380机载网络拓扑场景进行验证。结果表明,相比手动功能映射和网络拓扑优化设计,优化效率能提高10%～30%。     

基于深度学习的SAR图像目标检测实验

针对目前SAR图像目标检测算法只能进行单一目标检测和检测精度不高的问题,对深度学习目标检测框架在SAR图像目标检测的应用进行了实验研究,并结合SAR图像特点进行了优化。比较了基于区域建议的Faster-RCNN和无需区域建议的SSD目标检测框架在SAR图像上的目标检测精度和速度,分析优缺点;研究了预训练模型对SAR图像目标检测精度的影响;最后通过零均值规整化提高收敛速度和检测精度。实验结果表明优化后的目标检测框架,实现了SAR图像多目标识别并提高了检测精度,可以有效地应用于SAR图像多目标检测。     

特征敏感度与模糊度的弹道目标聚类识别评估

针对现有弹道导弹目标聚类识别算法中,很少同时考虑目标特征敏感度与模糊度的问题,提出了一种基于特征敏感度与模糊度的弹道目标聚类识别算法。该算法通过目标特征类内类间距离,定义目标特征聚类识别敏感度,将两类目标形成的类看成两个圆,利用圆之间的位置关系,定义目标特征聚类识别模糊度,将所定义的特征敏感度与特征模糊度合理组合,作为目标特征对聚类识别好坏的评估因子。仿真实验从特征评估分析和特征组合分析两个方面验证了算法的有效性。     

基于K-Means聚类算法的空中态势威胁挖掘

战场环境复杂多样,各种探测手段层出不穷,空中威胁属性指标种类繁多,增大了指挥员对空中态势威胁分析难度。正确、快速地对空中态势进行威胁分析,将给战场部署提供有效的决策依据。建立基于K-Means聚类算法的空中目标威胁等级聚类模型,通过对空中目标威胁属性特征的数据进行分析,对威胁目标聚类进行深度挖掘,将目标威胁等级问题转化为最优聚类问题。实例分析表明该算法在对威胁目标等级聚类中有效,提高了目标威胁等级聚类的可靠性、精确性。     

基于BP神经网络的智能军车车牌识别系统设计与实现

本文提出了基于BP神经网络的智能军车车牌识别系统设计与实现,该系统由军用车辆号牌图像预先处理、字符的定位、字符的分割和字符的识别等流程组成,重点研究BP神经网络识别车牌技术,进行Matlab仿真实验,并对实验结果进行了统计分析。