基于网络抗毁性的装备贡献度评价

高新技术的应用使装备间关联关系更加复杂,武器装备论证更加困难。装备对体系贡献度研究为武器装备论证发展提供了新思路。基于作战环思想构建武器装备体系作战网络模型,同时完成作战环理论所划分的同类型装备的网络化建模,提出复杂网络背景下装备贡献度的定义及基于网络抗毁性的贡献度评价方法,通过美国国家导弹防御系统进行算例分析来验证该方法的可行性。结果显示,不同装备对体系的贡献度大小可以通过复杂网络模型进行预判。     

基于介数中心性重要节点的能量均衡机制

针对无线传感器网络中瓶颈节点和准瓶颈节点对网络影响的特例性问题,将重要节点的概念推广到对节点介数的研究,提出了基于介数中心性重要节点的能量均衡机制。该机制将介数值大于网络平均介数值的节点判定为重要节点,并利用重要节点的邻居节点建立缓冲机制来减少其数据的转发次数,在牺牲较少数据传输延时的情况下节省了介数中心性重要节点的能量消耗。仿真实验表明该机制能够较好地均衡无线传感器网络中的节点能耗,提高了网络生命周期。     

基于动态贝叶斯网络的复杂网络抗毁性分析

复杂网络抗毁性是复杂网络在节点或边遇敌攻击后能继续维持基本功能的能力,是衡量军事信息网络鲁棒性和敏捷性的重要指标。针对复杂网络及对作战体系支撑能力的多指标、复杂化和动态演绎特点,在静态分析方法基础上,提出基于动态贝叶斯网络的抗毁性分析方法。建立了复杂网络抗毁性指标体系。构建了基于动态贝叶斯网络的复杂网络抗毁性评估模型,提出确定评估模型参数的方法。仿真验证了方法的可行性和有效性。     

基于三方动态博弈模型的网络生存防御策略优化配置

针对网络攻防环境中防御方以提高系统生存能力为目的所进行的最优生存防御策略的选取问题,提出了一种基于完全信息动态博弈理论的生存防御策略优化配置算法。将恶意攻击方、故障意外事件及防御方作为博弈的参与人,提出了一种混合战略模式下的三方动态博弈模型,对博弈的主要信息要素进行了说明,以混合战略纳什均衡理论为基础,将原纳什均衡条件式的表达式转化为可计算数值结果的表达式,并据此增加了近似的概念,最后,将提出的模型和近似纳什均衡求解算法应用到一个网络实例中,结果证明了模型和算法的可行性和有效性。     

基于网络教学平台的实验化学教学改革

针对我校《实验化学》大循环教学模式的弊端,以信息技术与课堂教学的深度融合为契机,依托网络教学平台,构建了实验化学课程"一体化"体系.从多元化的学习型资源建设",问题反馈机制"的课堂",PST"模型的主体翻转学习空间",STES"理念教学等开展实验化学混合式教学改革,取得了较好的教学效果.     

网络电磁空间与赛博空间区别分析

本文立足我军网络电磁空间力量建设基础问题,从分析网络电磁空间概念内涵出发,首先指出其作为独立空间概念的重要性;接着展开分析了我军网电空间概念与美军赛博空间概念的联系与区别,指出两者在内涵侧重和作用方式上的差异,突出网电空间独有的融合域特征,力求为相关研究提供有益借鉴.     

为基层政治教育课堂讲授支几招

进入大数据时代,官兵获取信息的速度和数量达到了前所未有的进步。想“征服”他们的心本来不易,如果还把“上级发的”“网上下的”“书上抄的”“别人备的”拿来照本宣科念稿、居高临下说教、枯燥乏味讲理,结果必然是使课堂失掉了活力、提不起官兵兴趣。为此,笔者针对如何“增强政治教育课堂的吸引力,提高官兵听课兴致”,谈几点认识和体会。     

生成对抗网络及其在无人系统中的应用

生成对抗网络（GAN）在无人系统多个层次上的应用提高了其智能化、自主化水平,具有巨大的应用价值和发展潜力。对GAN在无人系统技术中的应用进行了综合评述并且进行了展望。首先介绍了GAN的基本概念、训练方式和传统GAN的模型结构,并且从模型结构的变动、目标损失的变化以及适用的领域等方面详细介绍了深度卷积生成对抗网络（DCGAN）、循环生成对抗网络（CylcleGAN）、生成对抗模仿学习（GAIL）、序列生成对抗网络（SeqGAN）等GAN的8种衍生模型。接着概述了与无人系统OODA回路相关的智能感知、智能判断、智能决策、人机交互等方向上GAN方法的实际应用。最后基于无人系统共性技术的发展趋势,对GAN在无人系统的单体智能、多体或群体智能以及人机混合智能等方向上的应用进行了展望。     

基于模糊贝叶斯网络的飞机易损性评估方法

针对在飞机进行易损性评估的过程中,因为目标数据的不精确而进行的模型简化,结合模糊数学理论和贝叶斯网络提出了基于模糊贝叶斯网络的飞机易损性评估方法。介绍了模糊理论和贝叶斯网络的基本知识,以及基于模糊贝叶斯网络的飞机易损性评估流程,并建立了基于某型飞机的模糊贝叶斯网络易损性评估模型,最后通过算例证明了该方法的合理性。     

基于深度置信网络的火炮炮口振动预测研究

火炮炮口振动数据准确预测后,可以对火炮随机振动误差进行补偿,对高机动条件下提高装备火控系统的精度具有重要意义。机器学习方法的进步为提高数据预测精度提供了有效途径。提出一种基于深度置信网络的火炮炮口振动预测模型,通过定义阶段、预处理阶段、训练阶段、测试阶段和评价阶段5个阶段,对火炮炮口振动数据进行了预测。结果表明,深度置信网络对炮口振动数据预测可以根据历史数据提取更丰富的数据特征,相较于传统BP神经网络,可以达到更好的预测精度。