鱼雷纵向运动二次型稳定H∞控制

讨论了二次型稳定H∞鲁棒控制理论及其在鱼雷纵平面航行控制中的运用.用模型的参数摄动来描述鱼雷纵平面航行模型的建模误差,设计了基于状态反馈的H∞控制器,并对系统进行了分析和仿真.所设计的控制器在被控对象存在一定范围参数摄动的情况下,仍能使系统保持预期的性能.     

基于微分对策的多型反舰导弹火力优化模型

根据多型反舰导弹对抗舰艇编队的基本作战模式,以最大毁伤作为优化目标,对作战双方不同能力层次的武器进行区分,建立了能够动态反映对抗过程的微分对策火力分配优化模型,实时反映对抗双方的毁伤,从而最终寻找得到作战双方的最优火力分配策略;运用拉格朗日构造法解算微分对策模型,给出迭代求解模型参数的方法。立足体系作战思想,整合作战资源,灵活运用军事运筹学以提高各作战单元的组织度,研究成果主要为运用多型反舰导弹对海攻击任务的方案制定、训练演习提供参考。     

一种提升树算法在网络故障关联分析中的应用

针对移动网络故障反馈与故障分类的准确率问题,提出一种基于k-NN的多分类器提升树算法,该算法采用k近邻对特征向量空间划分,结合adboost误差函数和迭代算法,实现多分类器决策判别,并利用R语言可视化方法的关系数矩阵提取和筛选出投诉/故障映射主属性,进而建立基于基站退服、覆盖盲点、非网络原因3类故障投诉关联分析及预测模型。实验结果表明,与C50决策树、RIPPER分类规则及SVM比较,在网络故障关联预测方面新算法的分类准确率提升约2%～10%。     

石英/双酚E型氰酸酯复合材料的制备与性能

采用实验方法研究双酚E型氰酸酯树脂的黏度和固化特性,揭示催化剂对双酚E型氰酸酯树脂固化特性的影响规律;采用树脂传递模塑和真空导入模塑工艺制备石英纤维/双酚E型氰酸酯复合材料,并考察其力学性能。结果表明,双酚E型氰酸酯树脂室温至90℃范围内的黏度小于300 m Pa·s,凝胶时间大于10 h,起始固化温度、固化温度和终止固化温度分别为186±5℃,235±5℃和286±5℃;固化特征温度随着催化剂含量的增加而降低,直至催化剂饱和,其饱和范围为0.02%~0.03%,可使双酚E型氰酸酯树脂体系的固化温度降低约60℃,从而避免爆聚,实现液相法成型其复合材料;真空导入模塑工艺制备的石英纤维/双酚E型氰酸酯复合材料的力学性能明显优于树脂传递模塑制备试样。     

基于GIOWA算子的坦克分队火力配系方案决策

针对决策过程中评估属性值以语言信息来描述的情况,提出了一种基于GIOWA算子的坦克分队火力配系方案决策方法,并详细给出了该方法的计算步骤和算法。研究表明,该方法能够使得决策者在决策过程中简单、直接地表达自己的想法,同时可以不去确定评估属性的权重,使得决策结果更为客观合理,最后通过一个示例来验证方法的可行性和有效性。     

哈萨克斯坦哈萨克族大学生语言状况调查

哈萨克斯坦是一个多民族的国家,独立后推行的第一部《语言法》已经有20多年的历史.通过调查哈萨克斯坦高校哈萨克族大学生的语言状况,分析哈萨克族大学生在家庭、学校、社会、网络等方面的语言使用状况,学生对哈萨克语、俄语、英语的态度,三种语言的能力状况,从而分析新《语言法》在哈萨克斯坦推行的效果.     

基于二元语义和比较得分算子的敏捷指挥控制决策表达方法?

敏捷指挥控制是应对现代战场复杂多变特点和快速响应要求的有效途径。在指控群体决策中,为了实现指控的敏捷性,决策成员应当尽可能快速准确地表达自己的决策信息,以利于决策信息迅速集结和提高决策质量。针对利用二元语义分析方法进行决策时决策者很难精确给出符号转移值的问题,提出一种基于比较得分算子的符号转移值确定方法,对于多个备选方案被评价到同一语言评价等级上的情况,采用比较得分算子来确定这些方案的权重,再利用转换函数将权重转换为符号转移值。最后通过算例证明方法的有效性。     

复杂海战场环境下AUV全局路径规划方法

针对无人自主水下航行器(Autonomous Underwater Vehicle,AUV)在复杂海战场环境中路径规划时环境模型复杂、约束条件多的情况,建立了包括战场地形、敌方威胁、障碍物和海流场等在内的比较完善的海战场环境模型.以AUV航行时间、威胁时间最短为优化目标,给出了一种基于振荡型入侵野草优化(Invasiv...     

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。