经济建设贯彻国防需求中的企业激励问题

经济建设贯彻国防需求是指民用经济建设过程搭载国防功能,为动员能力扩张做准备,形成潜在的国防供给能力。在经济建设中贯彻国防需求就要对企业形成有效激励,促使其有效落实国防需求,确保政府国防动员目标的实现。有效的激励方式应包括利益激励、强化激励及竞争激励等。     

转轨经济军事工业商业化研究

转轨经济军事工业具有两重性,体现在行业特性、市场特性和垄断特性上。垄断特性在一定程度上保证了计划性、安全性和保密性,却造成了资源的浪费和社会效益的损失。军事工业适度参与民品投资能够提高资源的社会效益;军品领域吸引投资,引入竞争者将提高资源的使用效率;政府对军品出口实行补贴政策能够提高本国的社会净收益。     

军事行政消耗性支出的效应分析

文章通过理论与模型相结合的方法,分析了军事行政消耗性支出的经济效应、社会效应、归宿效应,得出了在保证军队发展的基础上维持军事行政消耗性支出的稳定增长、但规模应尽量压缩的结论。     

信息化条件下经济反动员问题探讨

文章分析了信息化战争经济反动员的新特点和发展趋势,探讨了信息化条件下经济反动员在理论研究、信息化建设、思想观念转变、计划和预案编制和组织实施等方面的思路和对策。     

一种基于CAE的HRRP去噪重构与识别方法

针对HRRP识别研究中面临的噪声污染问题,提出了一种基于卷积自编码器(convolutional auto encoder, CAE)的HRRP识别方法。此方法将CAE的重构功能与卷积神经网络(convolutional neural network, CNN)的分类性能相结合,将未含噪声的数据作为标签,利用CAE学习含噪声HRRP的噪声特征,实现对HRRP的去噪重构,后利用CNN对重构后的HRRP进行识别。仿真实验表明：在10 dB、20 dB、40 dB峰值信噪比的噪声环境下,该方法对HRRP的识别准确率分别可达到76.48%、95.14%、98.33%,能够一定程度上克服噪声对HRRP识别带来的不良影响,保证识别精度。     

改进YOLOv5的高空航拍图像检测方法

YOLOv5模型对普通场景图像的目标检测有更好的性能,但在高空航拍图像检测中表现不佳,针对这个问题,提出一种改进的YOLOv5模型。首先,建立高空航拍目标数据集,弥补该类图像不足的问题,对模型进行针对性训练,其次,采用多尺度细节增强提升处理数据图像,整体提升数据质量;最后,利用多尺度特征融合更好的平衡目标特征和位置信息,增加大尺度检测头提升小目标检测能力。经过实验分析,证明该方法在对高空航拍图像目标进行检测时平均精度、准确率和召回率分别比YOLOv5模型提高了12.6%、10.3%和6%,满足检测要求。     

侵爆战斗部对桥梁结构及桥面目标的毁伤研究

为获取侵爆战斗部终点弹道参数对桥梁以及桥面目标损伤效应的影响规律,建立战斗部侵彻桥梁并起爆的整个过程非线性动力学仿真模型,分析不同侵彻速度与不同引爆延时下桥梁产生的裂纹、结构失效分布以及桥面冲击波的传播规律。研究结果表明：基于桥梁失效分布计算了桥梁损伤后的抗弯能力,侵彻速度为800 m/s时采取1.95～2.95 ms的延时引爆可以使箱梁抗弯能力达到最低;延时14.95 ms引爆可以使最大长度的桥墩混凝土崩落,承载能力最低。基于冲击波超压对目标的损伤判据,侵彻速度为800 m/s时采取0.95 ms左右的延时引爆可以在爆心半径3 m范围内重伤或致死桥面人员,装甲车辆受到轻度或中等破坏。研究成果可为侵爆战斗部侵彻速度及引爆时间合理设置,为增大桥梁损伤程度提供参考。     

基于多目标鲸鱼优化算法的动态武器目标分配

针对传统动态武器目标分配模型以武器打击收益最大化为目标,考虑过于单一,并且现有智能算法在求解该模型存在收敛精度低的问题,提出一种非支配排序多目标鲸鱼优化算法(non-dominated sorting multi-objective whale optimization algorithm, NSMWOA)求解动态武器目标分配模型。首先为提高初始解的质量,引入2次logistic映射初始化种群,合并父代与子代个体,通过计算个体的非支配等级和拥挤度大小对个体进行排序,其次为筛选优秀个体,实验结果表明,在与NSGA-Ⅱ和MOPSO算法的对比中,非支配排序多目标鲸鱼优化算法函数测试中的得出Pareto前沿更接近真实Pareto前沿,寻优精度更高,在动态武器目标分配模型中,能够得出更优的分配方案。     

基于特征增强和损失优化的弱监督目标检测算法

针对弱监督目标检测中只能检测出图像中最具有辨别性部分和训练过程极易陷入局部最优问题,提出了一种特征增强和损失优化的弱监督目标检测算法。该算法设计了一种高效可选择通道注意力模块,该模块通过关联通道的选择来提高其局部信息的交互能力,以此来扩大最具辨别性的示例目标区域;此外,通过对网络回归损失函数施加针对性的动态权重,使其能够自动弱化回归分支中伪标注边界框不准确性的影响,提高目标定位的精度。在PASCAL VOC 2007及PASCAL VOC 2012数据集上的实验表明,相比其他同类算法,该算法能够有效地提高弱监督目标检测的精度。同时,由于该算法引入的额外训练参数和计算负担几乎可以忽略不计,因此还具有良好的高效性。     

基于改进YOLOv7的融合图像多目标检测方法

针对微光环境下目标检测精度较低的问题,提出了一种基于改进YOLOv7的微光与红外融合图像的多目标检测方法。结合可见光、红外图像的优点,利用生成对抗网络法制作融合图像数据集。在YOLOv7模型中引入BoT结构,使网络更加关注整体图像信息,提升特征提取能力,从而提高行人和汽车检测的准确率,并将回归损失函数由CIoU改进为SIoU,降低自由度,加速网络收敛,得到了YOLOv7的改进算法—BoT-YOLOv7。在公开数据集LLVIP和MSRS上进行了实验。结果表明：相比可见光或红外图像,BoT-YOLOv7对融合图像的检测精度较高;改进算法对融合图像取得了92.6%的平均精度均值,较原始YOLOv7模型提高了5.83%;BoT-YOLOv7算法在检测行人和汽车等目标时漏检和误检率较低,具有较好的准确性和实时性,可以满足微光环境下多目标探测的要求。