基于衰减记忆的地形辅助导航算法

地形辅助导航是解决惯性导航系统定位误差随时间不断增大的缺点的重要方法之一。提出了基于衰减记忆的地形辅助导航算法,算法使用了一个新的相关算子,根据量测值存在的历史时间长短,对量测值赋以不同的权值,用一个递归表达式递归地计算相关值。该算法在提高定位精度的同时减少了计算量和存储空间,从而提高计算速度,并连续输出定位结果。仿真结果表明该算法的正确匹配率、均方根误差和圆概率误差均优于TERCOM算法。     

传承伟大建党精神的红色记忆维度

以红色记忆传承伟大建党精神,是应对虚无主义解构中国共产党建党历史记忆、文化基础和主流价值的现实需要。理论逻辑上通过建构红色记忆介质系统唤醒红色记忆、构筑红色记忆互动结构凝聚红色情感、运用红色记忆意义再生产机制构筑价值体系。根据知—情—意—行的机制展开具体的实践,即通过塑造红色记忆符号强化伟大建党精神的历史认知,推进红色记忆复现凝聚伟大建党精神情感认同,赓续红色记忆促进伟大建党精神向实践层面转化,进而推动传承伟大建党精神。     

基于卷积双向长短期神经网络的调制方式识别

针对现有卷积神经网络方法下调制识别时间较长、网络较复杂等问题,将卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)相结合,提出一种基于CNN-BiLSTM的调制方式识别方法。利用CNN卷积运算提取信号的空间特征,利用BiLSTM提取到信号的时序相关性,利用softmax层输出识别概率,达到多调制识别的目的。实验结果表明,在没有信道和噪声等先验信息的条件下,该方法的识别性能得到了进一步提升,能有效识别16QAM、64QAM等11种调制类别,且该方法的复杂度较低,大大节省了训练识别时间,具有较好的工程应用价值。     

大国动员呼唤大国防观

国家崛起总是伴随着国防觉醒,观念革命往往领先于技术革新,这是历史留给我们的深刻印记。自上世纪末海湾战争以来,我们的战争记忆就屡次被刷新。进入新时代,战争形态加速演进,国防动员系统在战场上扮演着越来越重要的角色,由此引发了国防观念的革命性重塑。庚子之春,这场突如其来的战“疫”,发于一域、战在全局。     

基于ZMNL的雷达杂波仿真研究

为了研究杂波环境下的信号处理问题,借助ZMNL 法(零记忆非线性变换法) 设计了一套雷达杂波仿真系统,利用统计模型对雷达接收机可能遇到的气象杂波、地杂波、海杂波、箔条干扰等各种杂波类型进行了计算机模拟,并给出了有价值的仿真结果.仿真信号还可用于无源干扰信号抑制方法的研究.     

雷达引信地杂波建模与仿真

介绍了一种用零记忆非线性变换(ZMNL)模拟具高斯谱特性的相参相关Weibull分布地杂波的方法,详细阐述了Weibull分布杂波随机序列产生的流程.仿真结果表明,该法形成的地杂波信号与理论值吻合较好,适合雷达引信的实际应用.     

矗立在共和国心脏正中

2014年8月31日,十二届全国人大常委会第十次会议经表决,通过了关于设立烈士纪念日的决定:"近代以来,为了争取民族独立和人民自由幸福,为了国家繁荣富强,无数的英雄献出了生命,烈士的功勋彪炳史册,烈士的精神永垂不朽。为了弘扬烈士精神,缅怀烈士功绩,培养公民的爱国主义、集体主义精神和社会主义道德风尚,培育和践行社会主义核心价值观,增强中华民族的凝聚力,激发实现中华民族伟大复兴中国梦的强大精神力量,第十二届全国人民代表大会常务委员会第十次会议决定:将9月30日设立为烈士纪念日。每年9月30日国家举行纪念烈士活动。"     

反思，须从“头”开始

如果说一战是一场春秋无义战的话,二战绝不能如此轻描淡写,遗忘在人类的历史记忆里。“血腥暴力”和“惨绝人寰”是二战抹不去的命名。     

轴向应力对铁磁材料磁极性影响研究

为研究外加应力作用下铁磁材料磁极性变化规律,制作Q235钢轴状静载拉伸试件,在MTS810型液压伺服试验机上进行正向或反向多级加载,采用EMS2003金属磁记忆仪检测拉伸过程试件表面磁记忆信号变化,分析加载顺序、加载次数及应力大小对磁极性影响。研究结果表明：同一加载方向上试件磁极性不变,加载应力大小决定磁极性强弱,正反方向加载试件产生相反的磁极性。同一加载方向、同一加载应力条件下,加载次数不影响磁极性;改变加载方向,加载应力需逆转磁畴结构取向,加载次数增多使磁极性略有增强。     

战友沙龙

士兵文本腊月梅花香下连队,是新兵们最向往的事,然而十几年前,我那个美好的憧憬却被现实打碎了。心中勾画了三个月的军营竟坐落在一座凹凸不平的大山之中。那天,在丝丝寒风中,我被一名小个子上士带进了那个在梅树林中用红石砌起的房子。小个子上士对我说:"南方来的吧,到我们岗楼去待上若干年,在那里你将会留下人生最