时间不等人

时间是构成生命的材料,是生生不息的自然存在,一切事物的发展变化都离不开时间。历史的变迁、社会的变革、时代的变化,由时间来刻录;人生的意义、生命的价值、理想信念的追寻,由时间来承载。一个个连续不断的时间节点组合成了我们的来路与前途、成就和梦想。人是时间的驾驭者,时间的意义被人所赋予。越是伟大的事业,我们越要珍惜时间。正如习主席在春节团拜会上所说:"时间不等人!     

基于MC-CNN网络的磁性舰船目标运动参数估计

传统磁性目标运动估计效果依赖于目标的初始状态信息,为克服这一缺陷,建立了磁性运动目标三分量投影模型,并据此生成了磁性舰船运动目标在运动速度、航向、信噪比等参数变化情况下的10类目标的训练数据集、验证数据集以及测试数据集。进一步,设计了多通道卷积神经网络（MC-CNN）对目标的正横距离和运动速度进行了估计,并比较和分析了不同的学习方式和激活函数对网络性能的影响,结果表明Adam+tanh的组合方式的估计性能要优于其它的组合方式,而且对磁性目标运动参数的估计效果比较精确,此方法相较于卡尔曼滤波、粒子滤波等估计算法的优越性在于运算复杂度低以及参数估计不需要目标初始状态信息。     

面向癫痫脑电的简化深度学习模型

针对脑电信号随机性强、动态变化迅速等特点,提出了一种简化深度学习模型研究癫痫脑电识别问题。提出的模型以一维卷积神经网络为基础,在结构方面简化了卷积层、池化层等以提高模型效率,在整体框架方面应用了Keras框架,在训练优化算法方面采用RMSProp算法作为模型优化算法,通过预定义的目标函数来进行损失估计,模型设计上加入了批标准化层和全局均值池化层。基于所提模型,从三个方面研究了癫痫脑电识别问题,即:利用经验模态分解,分别选取前三阶、前五阶、前七阶、前八阶的本征模态函数分量,在简化模型上进行对比分析;利用提出模型所具备的深度学习特点,直接识别原始脑电信号而无须特征提取环节;增加了三种不同方法分别提取7类特征,对相同的脑电数据进行对比分析。性能分析结果表明:对于五类不同的脑电信号,前三阶的本征模态函数分量的识别率达到92.1%,比其他几种处理方式识别率高;前八阶的本征模态分量识别率不及原始信号,表明人工数据处理时会给数据带来噪声; 所提出的简化深度学习模型能高效处理癫痫脑电识别问题,具备较高效率和较好性能。     

基于ANP对装备网络体系中作战环节点效能评估

针对装备作战体系的网络结构特点,将作战体系网络分解成作战能力环。分析了作战环要素组成及要素间关系特点,提出将作战环转化成对应网络层次结构;将作战环中中心作战目标和作战环节元素分别设为对应顶层及二级指标层,作战环节装备对应具体战绩指标设为三级战技指标层;集成ANP(网络分析法)与能力需求度评判对作战环节点及作战边进行评估,为装备体系网络拓扑结构研究提供支持。最后,通过实例证明评估方法合理可行。     

基于声诱饵对抗的火箭助飞鱼雷命中概率仿真

针对舰艇使用火箭助飞鱼雷与潜艇对抗的典型样式,分别建立了潜艇自航式声诱饵对抗声自导鱼雷模型、火箭助飞鱼雷对目标提前位置射击参数解算模型、鱼雷运动模型、潜艇机动模型和命中概率计算模型,采用模拟法计算了火箭助飞鱼雷单雷射击和双雷齐射的命中概率,总结了射击距离和潜艇航速对火箭助飞鱼雷命中概率的影响,研究结论可为火箭助飞鱼雷作战使用提供理论指导。