节点实时性能自适应的集群资源分配算法

由于配置和所运行作业的不同,集群各节点的实时性能差异较大。为提高集群性能,提出节点实时性能自适应的集群资源分配算法 (node real-time performance adaptive cluster resource scheduling algorithm,NPARSA)。节点实时性能用其配置(CPU核数及速度、内存容量、磁盘容量)和实时状态参数(CPU、内存和磁盘的剩余数量及磁盘读写速度)表示。NPARSA根据作业类型自主选择节点性能评价指标的权值,实现节点实时性能对于作业类型的自适应。实时性能最优的节点分配给作业。虚拟机实验和物理集群实验表明,与Spark默认资源分配算法、没有考虑作业类型与节点匹配的算法、使用作业和节点匹配差异程度作为资源分配依据的算法相比,NPARSA能更有效地缩短作业执行时间、提高集群性能。     

基于超网络的装备保障网络重组的动态演化模型

现有演化模型没有针对网络中的不同类型节点提出对应的演化规则,并对装备保障实体所具有的演化行为描述的不够全面,提出一种考虑节点重组的动态演化模型。根据所建装备保障超网络模型,定义节点的演化行为和演化相关约束,并结合节点演化行为制定了考虑节点重组的网络演化规则和演化步骤,最终建立起装备保障超网络动态演化模型。仿真分析表明,该模型在建设阶段具有良好的网络集聚性,能够有效描述装备保障网络的动态特性;在对抗阶段面对随机攻击和蓄意攻击,与其他模型相比都能保持相对较好的网络性能,具有一定的优势。     

在伟大建党精神指引下阔步前行

站位"两个大局"交织、"两个一百年"交汇的历史节点,迈向实现第二个百年奋斗目标新征程,既有机遇更有风险考验。要深入汲取百年奋斗智慧力量,用好伟大建党精神蕴含制胜机理,奋进新征程、建功新时代。坚持真理、坚守理想,立牢"至死不渝、百折不挠"的价值追求。心有所信,方能行远。回望我党百年,正是靠着无数革命先辈"革命理想高于天"的笃定执着,才有了一次次的绝境逢生、愈挫愈勇,取得一个又一个奇迹般的胜利。     

基于PCA-RBF网络的储运过程管道堵塞故障诊断方法

针对现代储运过程管道堵塞故障诊断时,提取的过程参数多导致诊断速度慢、性能差等问题,提出了基于主成分分析（PCA）和径向基函数（RBF）神经网络故障的诊断方法。首先利用PCA方法对储运过程高维历史数据矩阵进行特征提取,提取的故障特征信息作为训练集,并给出故障特征信息的分类号;然后将其作为RBF神经网络分类器的输入输出进行故障模式识别。仿真实验表明：该方法应用于储运过程管道堵塞故障诊断,不仅大幅度地降低了诊断模型的训练时间,而且提高了诊断正确率。     

基于改进萤火虫优化算法的BP神经网络目标群威胁判断

以舰艇防空作战目标选择决策和规划需求为背景,针对萤火虫算法求解精度不高且收敛速度较慢的问题,提出可动态调整步长的改进萤火虫优化算法。在改进萤火虫优化算法的基础上,建立基于改进萤火虫优化算法的BP神经网络目标群威胁判断结构模型。通过改进萤火虫算法优化BP神经网络的初始权值和阈值,能够更好地预测测试集。实验结果表明,该方法可快速、准确地实现目标群威胁判断。     

基于雷达的通信系统研究进展

雷达技术与无线通信技术的相似性使得在雷达基础上实现通信功能成为可能。根据雷达与通信结合的程度,把基于雷达的通信系统分为两类,分别介绍了松耦合的雷达通信一体化系统和紧耦合的雷达自通信系统,概览了国内外学者在该领域上的研究进展情况,对未来需突破的关键问题进行了梳理。     

自媒体时代高校辅导员思想政治教育话语能力提升的研究

自媒体的广泛传播对大学生的思想和行为产生了重要影响,高校辅导员思想政治教育话语权也面临着挑战。本文分析了自媒体时代高校辅导员思想政治教育话语面临的困境,从扩展思想政治教育新阵地、塑造新时代辅导员新形象、打造思政教育联合体等提出提升高校辅导员思想政治教育话语能力的具体路径。     

构建野战干线节点通信网模型研究

本文从野战干线节点通信网(以下简称“干线网”)的实际组织运用入手,分析了影响干线网组织运用的主要因素,提出了量化这些因素的方法和量化值,并根据面向对象的分析设计原则,进行了数据类型抽象和类层次模型的构建。     

用不确定性度量作战效能的评估方法研究

本文把作战过程分解成多个节点,用不确定性自信息量度量各节点完成任务的程度,改造了信息熵函数,得出一种适合求解作战效能的评估方法,并研究了一具体实例。     

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。