基于活动环路的作战网络节点重要度评估方法

在原有研究的基础上,将作战活动和作战活动间的关联关系抽象成作战网络模型,对复杂作战网络节点重要度进行更细化的评估。在利用环介数指标评估的基础上分析了节点间的依赖关系,考量了作战活动环路的大小,定义了影响作战活动效能的影响因子。还分析了OODA环的节点重要度,证明考虑依赖关系和影响因子的作战网络节点重要度评估更为精确。通过与其他的评估方法比较分析,证明了该方法具有更高的区分度,适用于评价作战网络。     

微胶囊型自修复碳纤维增强复合材料性能研究

为了分析内嵌环氧树脂基微胶囊的碳纤维增强复合材料(CFRP)的力学性能,开展了材料在准静态载荷条件下力学性能试验研究,对比分析了有、无微胶囊时碳纤维增强复合材料的静态力学性能,详细探究了微胶囊的质量分数对碳纤维增强复合材料的力学性能和自修复性能的影响,分析了材料的拉伸强度,弹性模量,断裂伸长率以及自修复性能情况。在相同冲击能量下,采用落锤法对不同微胶囊含量的层合板进行冲击试验,研究其在冲击载荷作用下的动态力学响应。结果表明,微胶囊具有增韧效果和自修复能力。随着微胶囊质量分数的增加,自修复碳纤维增强复合材料的拉伸强度降低,弹性模量先略微升高后降低,断裂伸长率先降低后升高,但总体变化不大,修复效率随微胶囊含量的增加而升高。在相同冲击能量下,微胶囊含量越大,最大冲击力越小,材料的冲击力-位移曲线斜率越小,抗冲击性能越差。研究结果可以为推动自修复型CFRP材料的实际工程应用和理论研究提供相关参考。     

基于GA的卷积神经网络结构化剪枝算法

为解决传统神经网络模型过参数化问题,提高深度学习模型工程化实现的效率,提出了基于GA的结构化模型压缩算法.该方法从全局搜索空间对模型各层卷积核进行结构化剪枝,并以"高检测精度,低网络规模"为准则建立适应度函数,解决传统权重剪枝易陷入局部最优和剪枝结果对硬件平台不友好问题,获得精度损失低、模型压缩率高的轻量化模型结构.     

智能化网络研究进展及舰艇应用分析

智能化网络是网络技术与人工智能技术深度融合的产物,可以使网络具备感知、思考、学习和行动的能力。首先分析舰艇装备对网络智能化发展提出的要求,其次介绍智能化网络相关概念及标准化进展,从ICT设备厂商、电信运营商、学术研究团队、美国海军等维度介绍智能化网络研究进展,最后总结舰艇网络发展现状,探讨分析舰艇网络智能化发展趋势,为推动舰艇网络向高效能、智能化方向演进提供支撑。     

基于熵权法和FMEA的舰船信息流网络关键节点识别

舰船系统作为一种典型的信息物理系统(CPS),随着其信息化程度的不断提高,CPS信息安全事件频发。现有针对复杂网络的关键节点识别方法多是针对电力系统网络,基于这些网络的评价指标难以应用于电力系统之外的CPS网络。针对现有的关键节点识别方法在CPS中的不足,提出一种基于熵权法和FMEA的信息网络关键节点识别方法。将有效影响范围这个概念加入失效模式与影响分析(FMEA)的指标定性中,利用熵权法对FMEA中的指标进行客观赋权。结合主观性较强的FMEA中的风险顺序数,以风险顺序数中的三个评估指标作为熵权法中决策矩阵的指标。最后,通过舰船保障任务信息流节点网络案例验证该方法的正确性和可行性,分析结果表明,基于熵权法对三种指标综合赋权后的排序比单一的指标要更加合理。     

基于多标签学习的探索性仿真实验因素筛选方法

探索性仿真实验是一种认识、研究战争的重要手段,但往往面临想定样本空间复杂程度高,空间维度爆炸等问题。针对上述问题,提出一种定性定量相结合的基于多标签学习的实验因素筛选方法。首先,基于定性分析设计并实施仿真预实验,采集处理实验数据,解决机器学习样本数据缺失问题;随后,引入输入控制层搭建深度神经网络,引入稀疏正则化,在多标签模型训练过程中实现特征选择;然后,回归定性分析,补充完善实验因素;最后,以某作战样式下立体投送行动仿真推演为背景进行实验验证。实验结果表明,筛选的实验因素与作战行动现实情况吻合。     

一种基于自抗扰方法的姿控直气复合控制系统设计

在建立的复合控制导弹短周期线性化运动模型基础上,提出了气动力/直接力复合控制方案.气动力控制子系统采用三环控制结构,过载环采用PI控制,攻角环和角速度环采用自抗扰控制.随后根据模糊控制设计了气动力/直接力分配策略,用矢量合成方法设计了直接力控制子系统的点火逻辑.最后,在典型仿真场景下进行了仿真验证.结果表明,拦截高空目...     

基于卷积神经网络的卫星网络协调态势评估方法

为充分发掘利用海量卫星网络数据,提高决策效率,加强空间频轨资源获取与储备的分析手段,尤其是对地球静止轨道资源的协调获取问题,提出基于机器学习算法的卫星网络态势评估策略。通过对卫星网络协调因素进行特征分析,选择卷积神经网络(Convolution Neural Network, CNN)为目标算法模型,并建立算法模型的训练数据集及Label规则,采用分裂信息增益度量方法对数据进行降维处理,建立CNN评估模型,并进行了验证分析。结果表明,CNN模型对卫星网络协调态势评估问题测试的正确率高达80%以上,具有较高的评估效能。随着数据量的增多,CNN评估效果逐步提升,是一种在卫星网络协调态势分析、资源储备的有效评估方法。     

基于深度时频特征学习的雷达辐射源识别

针对雷达辐射源识别中拓展能力不足和识别率不高问题进行研究,提出一种基于深度时频特征学习的智能识别方法。基于降采样短时傅里叶变换高效提取具备较高辨识度和稳定性的浅层二维时频特征,利用信号局部频域维稀疏性完成降噪等预处理;设计用于深度特征学习与识别的卷积神经网络,并采用不同尺度卷积核组合扩展网络广度,强化特征表征能力;利用高信噪比条件下8种辐射源信号样本对网络进行训练调优,低信噪比样本测试验证算法和网络的有效性。仿真结果表明,该方式在-8 dB信噪比条件下能达到98.31%的整体平均识别率,具备较强的鲁棒性。     

基于体系仿真大数据的效能评估方法

随着复杂系统仿真技术、计算能力和数据管理能力的发展,仿真数据逐步呈现大数据特点,评估指标之间也存在高维度、高冗余、高相关等突出问题。结合上述背景,分析了基于体系仿真的效能评估问题研究现状,介绍了深度学习技术的研究进展。指出采用合理的指标约简方法、使用高效的神经网络模型进行效能评估是下一步的研究重点。