新型武器装备系统中的人工神经网络技术

本文首先分析了现代战场环境对武器系统智能信息处理的应用需求,然后对神经网络理论与技术在武器装备系统中的现实应用与潜在前景给出了一个从理论到实例的较为详细的介绍与分析。着重介绍了神经网络在雷达、红外及声纳目标的检测、识别、多机动目标跟踪及武器系统的智能控制等方面的应用情况,力图展示神经网络用于武器装备系统的特色与优势,并给出了其在武器装备系统各方面应用情况的一个概貌。在文章的最后,针对目前存在的神经网络实验研究到实际装备之间的缺环,我们分析了神经网络能力验证的研究即神经网络本身可靠性研究的必要性与迫切性。     

削高排除定理的另一独立论证

论证了“削高排除法”这一求解指派问题的新方法及其理论体系的重要组成部分———削高排除基本定理。该工作进一步丰富和扩展了指派矩阵同解改造理论。     

不适定问题和Tikhonov正则化方法

介绍了解不适定问题的Tikhonov正则化方法,给出它的基本概念、基本结果以及它的进一步发展。     

致富信息

果园高效施肥五法环状施肥对幼龄果树在树冠外围挖一条30至35厘米宽、20至30厘米深的环形沟,将基肥与表土混合施入。     

拦截高速机动目标分段最优制导律研究北大核心

能量管理是在远距离拦截高速、频繁机动的目标时必须要考虑的问题,因为此时不仅拦截弧段长、拦截飞行时间也更久,拦截制导律设计不能不计能量代价地跟随目标机动。通过将非线性弹目运动关系降阶,在运用最优控制理论的基础上,引入分段线性阻尼项,提出了一种针对高速、机动目标的最优制导律,可以满足终端碰撞角约束及能量管理需求。该方法得到的制导律可令导弹在拦截高速机动目标时,对目标机动的敏感度随弹目距离而变化,并分析了不同的分段线性阻尼对拦截弹道的影响。通过二维非线性仿真验证了制导律的性能。     

雷达辐射源识别中数据库的构建及应用北大核心

为满足雷达辐射源识别技术发展和特征参数挖掘的需要,在分析辐射源基本信息和特征参数以及二者之间关联关系的基础上,通过数据库管理系统SQL Server,以E-R模型、数据类型设计为切入点,分别构建了雷达辐射源信息库和特征库。最后,分别从雷达辐射源数据可视化管理、信号调制类型识别、辐射源匹配识别等方面探究了数据库的应用实例。从应用实例的运行效果来看,验证了所构建数据库的科学性和可行性。     

基于多尺度稀疏字典的SAR图像目标识别方法

针对合成孔径雷达目标识别问题,提出一种基于多尺度稀疏字典的SAR图像目标识别方法。稀疏字典选择是稀疏表示中的关键问题之一,该方法利用小波多尺度分析构造过完备稀疏字典,将训练样本图像在小波解析域中进行小波多层分解,充分利用小波多尺度分析突出图像局部特征的特点,并和过完备稀疏表示有效结合组成级联字典。通过求解测试样本相应的稀疏系数矢量并根据系数矢量中对应训练样本类别的重构误差判定目标类型。实验结果表明,该方法在识别前无需对SAR图像进行预处理,具有良好的识别效果。     

基于瞬时转速多特征融合的内燃机各缸工作状态识别

为分析内燃机瞬时转速波动过程与各缸工作相位的对应关系,进而识别各缸工作状态,提出了基于硬件计数原理的内燃机瞬时转速精确测试方法,在某自行火炮发动机上测取了发动机正常工作、燃烧不良和失火工况下的瞬时转速信号。对信号进行频谱分析,并利用分频带滤波方法分离出电调信号和各缸做功冲击信号,进而提出5个特征参数并计算各特征参数的相对偏差和偏差极性,最后根据不同特征参数的相对偏差幅值和偏差极性分布规律判别各缸工作状态并定位状态异常缸。     

基于TensorFlow的四旋翼无人机着陆地标识别

针对多旋翼无人机在无人干预情况下的自主着陆问题,提出一种基于迁移学习的地面标识图像检测方法.该方法基于TensorFlow深度学习框架,使用迁移学习技术在地面标识数据集上重新训练Inception-v3模型以构建新的地面标识识别模型.以四旋翼无人机为例,将其拍摄的着陆坪图片与其他地面标识图片作为训练集输入神经网络,通过多次训练校正神经网络参数.实验结果表明,基于迁移学习的四旋翼无人机着陆地标识别比直接基于In-ception-v3模型的识别效果要好得多,在仅有数千张训练图片的情况下,测试准确率超过90％.在Windows下训练、测试的模型可移植到树莓派3B上,完成了基于Python和TensorFlow开发的程序在不同操作系统下运行的验证工作.