动力翼伞风扰补偿高度控制方法

外界风场是影响翼伞高度跟踪精度的最主要扰动因素。针对该问题,建立了动力翼伞的八自由度模型,并在传统自抗扰控制的基础上,设计一种基于风场前馈补偿的改进抗扰控制器,对外界的风场干扰进行针对性补偿,实现翼伞系统的高度跟踪控制。在通过仿真实验对控制器进行初步验证的基础上,进行了翼伞系统的实际飞行实验。在实际飞行环境下,仿真中所调节的控制器参数可直接应用于实际飞行实验,翼伞系统的平均高度跟踪误差在2.5 m以内,证明所设计的控制器存在一定的实际应用价值。     

C2组织结构设计:平台-任务关系设计

以联合作战战役为例建立作战平台和任务模型,对C2(Command and Control)组织结构设计中平台-任务关系设计问题分析了传统多维动态列表规划算法(Multidimensional Dynamic List Scheduling,MDLS)在解决作战平台资源调度(平台-任务分配)问题的不足,提出了在平台-任务分配过程中采用任务选择平台组、平台选择任务以及两者选择冲突消除改进的MDLS算法,以解决MDLS算法的不足,并对不同方法的结果进行了比较.     

基于假设检验的编队组织决策设计

从集中式和分散式组织结构分析出发,采用假设检验的方法,探讨了分布式结构假设检验在海军舰艇编队环境评估中的组织决策设计,并从决策设计和算法上对其进行了复杂性分析.研究结果表明,基于假设检验的组织决策是一个NP问题,就存在的问题提出算法和组织设计研究的思路.     

在学习贯彻党章中不断提高"四个本领"

为了使各级党组织和广大党员在履行新世纪新阶段我军历史使命中,更好地发挥核心领导作用和先锋模范作用,当前学习贯彻党章,应与加强党组织能力建设结合起来,着力提高军队党组织加强部队思想政治建设的本领、提高抓军事斗争准备的本领、提高推进中国特色军事变革的本领和加强部队正规化建设的本领。     

基于自抗扰控制的高超声速飞行器再入制导律

鲁棒制导律设计是增强高超声速飞行器再入突防能力、提升飞行安全性的重要保障.针对多约束条件及多种气动参数摄动影响的高超声速飞行器再入轨迹抗干扰跟踪问题,首先,在标准轨迹制导的框架下,结合模型辅助线性自抗扰控制和基于航向角误差走廊的几何制导逻辑,提出了一种可满足纵向和横侧向平面制导任务需求的自抗扰再入制导律;其次,采用反馈...     

2023年深度学习技术主要发展动向分析

深度学习已成为人工智能领域的研究热点和主流发展方向之一,为诸多重要应用领域带来了革命性的进步。对2023年深度学习技术热门领域的主要发展动向进行了综合评述。首先介绍了深度学习技术发展现状,其次探讨了深度学习技术的军事应用任务和挑战,最后盘点了深度学习技术的未来重点发展方向。综述表明,大语言模型是深度学习领域在2023年最突出的亮点,世界模型框架下的自监督学习技术、强化学习框架下的人工智能智能体技术等也呈现加速发展态势;环境恶劣与强干扰复杂条件下的高鲁棒性深度学习、面向实时流数据高效处理与内在逻辑关联的深度学习、面向多变作战场景自主决策与快速决策的深度学习、面向跨域数据协同感知与协同推理的深度学习等,是深度学习技术未来重要的发展方向。     

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。     

上架结构参数与弹丸起始扰动映射关系的研究

为有效提高超轻型火炮射击密集度,探索了某薄壁箱型上架多个结构参数组合对弹丸起始扰动的影响规律。以上架外形尺寸、板厚等结构参数为对象,基于最优拉丁超立方方法,筛选得到影响弹丸起始扰动的上架关键结构参数并构建基因组;基于弹炮耦合结构动力学模型,分析了上架结构参数与弹丸起始扰动相关参量多对多的映射关系。根据映射关系,进一步分析不同板厚组合对弹丸起始扰动的影响规律。研究结果表明：在多对多映射时,不同板厚组合对弹丸起始扰动的影响呈非线性,上架侧板和围板的板厚参数是影响弹丸起始扰动的关键因素。采用特定的结构参数组合的上架可以有效降低弹丸起始扰动,为火炮总体设计中使用组合参数设计方法提供了依据。     

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。     

基于多域卷积与自注意机制的SAR图像变化检测

针对基于深度卷积神经网络的合成孔径雷达(synthetic aperture radar, SAR)图像的变化检测方法,在利用图像块分析特征的过程中易将噪声引入到边缘区域,造成SAR图像变化检测精度较差等问题。提出了一种基于多域卷积与自注意机制的SAR图像变化检测方法。该方法先通过多域卷积模型增强输入SAR图像块的中心区域,减少边缘噪声的影响;然后,再利用注入空洞卷积的改进自注意机制模型充分挖掘SAR图像的重要空间结构信息,来提高变化检测的性能;最后采用3种不同类型的SAR数据集进行实验结果表明,本文中所提出方法能获得较高的检测准确率和KC系数,优于各种对比方法。