基于空地协同的山地冰川连续探测系统

针对无人机、无人车在复杂环境下运行不稳定、协作性差的问题,提出一种可以在冰雪表面、地形起伏等山地冰川环境下运行的空地机器人冰川探测系统。首先,该系统中无人机可适应高原山地低压、大风环境,无人车可在低温环境、冰雪表面长时间行驶,相应的轻量级地形建模和预测框架可将冰川表面环境点云模型转换成数据量更小的模型,且不造成大幅精度损失。其次,所提系统不仅可通过对驾驶数据、车辆状态数据与地形数据之间的相关分析建立驾驶技能模型,并利用增量式学习方法使驾驶技能模型快速适应冰川环境和复杂地表结构,其基于无人机机动性、无人机能耗、水平距离约束和视距约束的空地协同策略还可以保证系统的通信稳定和平稳运行。验证实验表明,提出的驾驶技能学习方案可以保证无人车在驾驶建议下平稳通过冰川危险地带,提出的空地协同策略可以保持较低水平的跟踪误差与通讯延迟。     

基于AHP-DQN的作战效能优化方法研究

针对舰艇编队威胁海域安全的案例,设计了红方突防攻击、蓝方防空反导的想定以及陆、海、空3种反航母作战策略,基于墨子系统开展多方案作战仿真,获得了双方战损数据。在此基础上,建立了以引诱、攻击等性能参数为基础的指标体系,以层次分析法(AHP)分析了3种策略的作战效能。进一步提出了一种以AHP权重定奖励的深度强化学习(DQN)算法,对海基策略进行了优化,作战效能提高了5.36%。研究结果表明,基于墨子系统这一类作战仿真软件开展想定设计、作战策略仿真,再建立AHP-DQN进行作战效能优化的方法可为反舰作战提供参考。     

基于深度强化学习的作战概念能力需求分析

作战能力需求分析是作战概念开发过程中的关键环节,在形式化描述作战概念能力需求分析问题的基础上,通过定性与定量结合,设计了一种基于深度强化学习的作战概念能力需求分析方法。该方法通过模拟仿真实验,获取高可信度的仿真小样本数据集;基于经验数据构建作战概念的代理模型,并以高可信度仿真数据集为输入,应用多目标优化算法对代理模型进行优化训练;最后,将训练得到的代理模型与深度强化学习框架进行交互寻优,实现作战概念能力需求的反向探索。选取“超越式登陆”为实例进行验证,实验结果表明方法可行。     

人武系统提高谋打赢能力的几点思考

提高谋打赢能力是人武系统建设新型军事机关、加强民兵预备役建设的中心工作。当前,由于在人武系统的一部分人中存在着“到了武装部、别想再进步”的认识和“熬年头、混日子”的思想,所以造成了谋打赢能力不够强、行动不够自觉的问题。为有效克服上述问题,切实提高人武系统的谋打赢能力,应努力把握好以下三个方面:一是用党的创新理论成果武装头脑,切实增强提高谋打赢能力的紧迫感和自觉性。面对新的形势和任务,人武系统的党委机关和领导干部应牢记职责、不辱使命,以军委胡主席的重要论述为指导,自觉地把思想和行动统一到谋打赢上。二是不断…     

复杂海战场环境下AUV全局路径规划方法

针对无人自主水下航行器(Autonomous Underwater Vehicle,AUV)在复杂海战场环境中路径规划时环境模型复杂、约束条件多的情况,建立了包括战场地形、敌方威胁、障碍物和海流场等在内的比较完善的海战场环境模型.以AUV航行时间、威胁时间最短为优化目标,给出了一种基于振荡型入侵野草优化(Invasiv...     

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。     

基于在线学习的频谱感知次序策略*

认知无线电允许次级用户在频谱没有被主用户使用时动态地接入频谱进行数据传输。动态频谱接入是解决无线电频谱资源短缺和使用效率低下问题的有效方案,而频谱感知是实现动态频谱接入的关键挑战之一。次级用户的感知能力有限,为了快速找到频谱空闲概率最大的频段从而获得更多的频谱接入机会,研究了频谱感知次序问题。考虑到频谱空闲概率会随时间变化且对次级用户不可知,提出了一个在线学习框架,把频谱感知次序问题规约成经典多摇臂赌博机问题,并利用在线学习方法——满意折现汤普森抽样算法(satisficing discounted Thompson sampling)处理优化问题。仿真结果表明,和其他算法相比,所提算法可获得更多的频谱接入机会并且能够跟踪频谱空闲概率的变化。     

OFDM系统中深度神经网络指导的IQ不平衡补偿算法

正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是现代移动通信中一项重要的物理层通信技术,并且OFDM系统要求子载波间严格正交。然而,在实际系统中,振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase,IQ)不平衡,从而破坏子载波的正交性,严重影响OFDM系统的性能。通过研究IQ不平衡对OFDM系统的影响,提出了一种并联深度神经网络架构下的IQ不平衡补偿算法。该算法利用了深度神经网络不依赖于模型的特点,直接从接收到的频域信号恢复原输入信号的二进制序列,并利用干扰信号来自镜像子载波的先验知识来初始化模型驱动的神经网络,加快其网络优化的收敛速度。仿真结果表明,该算法能有效地补偿IQ不平衡失真,并且在幅度和相位失真的补偿上,其性能都优于传统的基于导频的最小二乘补偿算法,证明了深度学习方法解决物理层问题的优越性。     

基于卷积双向长短期神经网络的调制方式识别

针对现有卷积神经网络方法下调制识别时间较长、网络较复杂等问题,将卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)相结合,提出一种基于CNN-BiLSTM的调制方式识别方法。利用CNN卷积运算提取信号的空间特征,利用BiLSTM提取到信号的时序相关性,利用softmax层输出识别概率,达到多调制识别的目的。实验结果表明,在没有信道和噪声等先验信息的条件下,该方法的识别性能得到了进一步提升,能有效识别16QAM、64QAM等11种调制类别,且该方法的复杂度较低,大大节省了训练识别时间,具有较好的工程应用价值。