打造固若金汤的网络安全系统——对网络安全软件发展思路的另类思考

网络犯罪的递增、大量黑客网站的诞生,日益促使人们思考网络安全的重要性。作为中国教育行业最具影响力的信息平台——CERNET,对于网络安全、信息安全应该也是同样的关注,而所     

新型微机电系统射频离子迁移谱仪的技术分析及应用评述

介绍了一种带有微型漂移管(0.6cm^3)的微机电系统射频离子迁移谱仪及其检测性能。该仪器的检测下限可达PPb浓度水平,同时在毒剂检测和识别化合物方面具有传统飞行时间离子迁移谱所不具备的高选择性。文中对其工作原理及制造工艺进行了详细的分析和阐述,并对其应用前景进行了评述。     

土壤基质中二苯氯胂和二苯氰胂总量的检测方法研究

通过对多种萃取溶剂、内标物、衍生化条件、GC-MS联用条件进行选择,采用质谱选择离子检测,建立了土壤中二苯氯胂和二苯氰胂定性、定量检测方法,使土壤基质中二苯氯胂和二苯氰胂的最低检测含量可达到0．02mg/kg,特别是可用同一种方法在同一实验中测定这两种化合物的衍生物,更体现了该检测方法的优越性。     

Viterbi算法在DFH系统中的应用

本文根据DFH(差分跳频)系统的原理,提出了一种适合DFH系统频率检测的一般检测算法。并分析了该算法在发生频率检测错误时存在的问题。为了解决此问题,本文提出了采用Viterbi算法对DFH系统进行频率检测,并对该方法进行了详细的阐述。     

结合YdUaVa颜色模型和改进MobileNetV3的视频烟雾检测方法

为降低视频烟雾检测中的虚警率和提升检测效率,提出Y^dU^aV^a颜色模型,该模型可以表征烟雾的空间域分布特性和时间域变化特性。利用该颜色模型快速筛选出疑似烟雾图像块,降低虚警率和提升运算效率。提出改进的MobileNetV3网络结构,用于提取图像深度特征并对疑似烟雾图像块进行分类识别,检测视频中是否存在烟雾。视频烟雾检测仿真结果表明:该方法准确率和检测帧率高,虚警率低。     

【专题】基于深度学习及FPGA的装备目标检测研究

本文应用深度学习技术实现海天背景下基于可见光、红外方式成像的舰船及角反、烟幕干扰的目标检测,这也是反舰导弹作战使用的关键技术之一。采集的可见光与红外成像目标检测数据集涵盖实施典型干扰下的态势场景,贴近实战;结合四种不同的目标检测机制,选取YOLOV3、Faster R-CNN、SSD及CenterNet四种典型模型分别进行训练与验证,通过对比分析进一步提高弱小目标、复杂干扰态势的的检测,可以实现端到端的高精度装备目标检测模型。在确保精度的前提下基于现场可编程门阵列（FPGA）进行软硬件协同设计,通过对比分析选定基于Vitis AI的实施方案,经过模型的量化、编译与优化,可在保证检测效率的前提下快速实现模型的小型化部署,便于进行装备移植。研究结果表明,该研究内容可有效提高现役反舰导弹目标检测的准确率。     

【专题】智能化装备检测能力建设研究

装备检测是装备性能监测、故障预测和诊断、健康管理、战斗力评估和再生的基础和前提。随着大数据、云计算、智能算法、智能芯片等智能化技术的突破性发展,军事智能化时代已经在全球兴起,并驱动装备体系向信息化、智能化方向发展。针对信息化、智能化装备综合性强、技术性高、战斗力强及结构复杂等特点,本文首先给出了装备检测的意义,然后分析了智能化装备检测面临的问题,最后从构建科学化规范化装备检测标准、智能化检测系统、多样化检测方法、智能化数据处理和智能化检测人才队伍建设五个方面给出智能化装备检测能力建设的意见和措施,以期为未来军队智能化装备检测能力建设提供一定的科学理论支撑。     

改进的YOLOV3算法在小目标检测中的研究与应用

战场目标的图像检测与识别对于战场监视、侦察、毁伤状态评估和火控系统研究等具有重要作用.以坦克装甲目标为研究对象,选用识别精度高、速度快的YOLOV3为基础目标检测模型,针对复杂战场环境中获取图像目标特征信息少的问题,引入多尺度特征增强结构的方法对YOLOV3模型进行改进,通过丰富特征图多样性的方式,提高模型性能.在坦克数据集上的实验结果表明,改进后的算法对于复杂战场环境下的小目标特征具有更强的敏感性,较大程度上增强了模型的识别精度.     

萤火虫优化的异构集成学习网络入侵检测方法

在网络入侵检测中单独使用一种机器学习方法检测存在盲区,检测精度较低,提出一种基于GSO优化权值的异构集成学习入侵检测算法.在构造基分类器中,通过对样本集的采样和特征集的选择增大各个基分类器样本间的差异性;通过不同学习算法对样本集的学习增强基分类器的差异度,通过加权方式集成得到检测结果.在设计权值时,引入萤火虫优化算法,对各个基分类器的分类结果权值进行优化.在通用数据集和CSE-CIC-IDS2018数据集上的实验,表明提出的方法能够有效提高检测的精度,降低误报率和漏报率.     

涡轮泵故障检测的频段能量比SOM算法

为了解决缺少故障样本情况下的涡轮泵健康状态判别问题,分析了涡轮泵振动信号的频谱,提取了频段能量比作为其故障检测特征,并讨论了自组织映射的竞争学习原理及聚类结果的U-矩阵表示,提出了一种基于频段能量比的自组织映射故障检测算法,并实现了该算法最佳匹配神经元的选择和权重向量的自适应更新。通过某型液体火箭发动机历史试车数据的验证,结果表明,健康涡轮泵数据利用该算法聚类时仅存在一个类别,相邻神经元距离小于0.1;反之,故障涡轮泵数据利用该算法聚类时明显存在两个或多个类别,且相邻神经元的最大距离大于0.1。因此,基于频段能量比的SOM算法能有效地判别涡轮泵的健康状况。