美国国防部开展审计监督的主要做法及启示

在各国的国防体制中,最早将审计监督的职能用于国防建设领域的国家要算美国。在发现和制止浪费和管理不当方面,国防部的审计工作取得了很大的成效。美国国防部加强审计监督的主要做法是:     

地面炮兵集中配置方式定位定向系统

提出了一种适用于地面炮兵测地作业,并与地面炮兵射击指挥控制系统一体化的集中配置的指挥测地车式地面炮兵定位定向方案,并对方案的可行性,测地精度,反应时间进行了分析。     

谈审计监督在军事经济监督中的骨干作用

要充分发挥审计监督在军事经济监督合力中的骨干作用,各种形式的经济监督机构和各级各类审计监督人员必须从全局出发,自觉树立监督合力观念;审计部门要经常指导、帮助被审计单位严格内控制度,协调配合专业部门不断强化监督功能。     

经济体制转轨时期军队审计监督与军队财务监督刍议

在经济体制转轨新时期,军队审计监督在军事经济监督中发挥着主导和支配作用。但由于审计工作在我军起步不久,许多同志对审计监督与财务监督的认识模糊不清,因此,在市场经济新形势下对两者间的关系作一全面、客观的分析,摆正军队审计监督在军事经济监督中的位置,保持军队审计监督的独立性,完善军事经济监督体系尤为重要。     

强化纵向监督 进一步提高被装供应效益

被装供应体制由于受市场经济的负面影响,在供应中出现了一些问题,如虚报实力、冒领被装等现象。为防止虚报冒领现象的发生,保证供应准确无误,上级业务部门对部队被装供应要树立全程控制、监督的指导思想,重点把住几个关口:第一,把被装供应实力与其他相关专业实力结合起来联审,把住人员出入关,保证供应实力准确;第二,把被装预算与决算结合起来联审,把住物资出入关,保证被装报销数量准确;第三,把检查机关业务手续与基层实际供应情况结合起来联审,把住标准制度的落实关,保证发给官兵的物资数量准确;第四,把检查帐目手续与清点库存实物结合起来联审,把住帐物相符关,保证上级物资安全无损。     

对跳出治乱兴衰的历史周期律及其两个答案的思考

在中国共产党的百年奋斗历程中,“两个答案”为我们提供了一种新的思路,即毛泽东在新民主主义革命时期提出的人民监督政府的民主新路,以及习近平在新时代中国特色社会主义建设时期提出的党的自我革命,这为我们提供了一条跳出治乱兴衰的历史周期律的道路。文章探讨跳出历史周期律、人民监督、自我革命的含义；人民监督与自我革命之间相互促进、相辅相成的关系；进而得出自我革命和人民监督彰显人民至上的执政理念、深化对三大规律的认识以及为党和国家的监督体系提供创新指导,为世界政党和政党文明提供有益启示的深刻意义。     

新时代提升纪检监察机关全面从严治党斗争质效的几点思考

<正>党的二十大报告指出,全面从严治党永远在路上,党的自我革命永远在路上,决不能有松劲歇脚、疲劳厌战的情绪,必须持之以恒推进全面从严治党,深入推进新时代党的建设新的伟大工程,以党的自我革命引领社会革命。纪检监察机关作为党内监督和行政监察专责机关,是党进行自我革命的重要力量,必须把思想和行动统一到贯彻党的二十大精神上来,坚持全面从严治党战略方针,坚定贯彻党的自我革命战略部署,保持永远在路上的战略定力,踔厉奋发、勇毅前行,敢于斗争、善于斗争,为走好新的赶考之路提供坚强政治保障。     

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。     

导弹同心筒发射时导弹头部压强环境研究

为了研究导弹发射时头部的压强环境,利用计算流体动力学软件Fluent对导弹发射时同心筒内流场进行数值仿真。建立前盖不加装凸台结构的计算模型,分析发射过程中导弹头部的压强环境,并把仿真结果与试验结果进行对比,仿真结果与试验结果吻合较好。然后建立前盖加装凸台结构的计算模型,并改变凸台结构的直径、高度和截面形状,研究这些参数对导弹头部压强环境的影响,发现前盖加装凸台结构能明显减弱导弹头部顶端的压强集中现象,通过优化凸台结构的直径、高度和截面形状,可以最大化减小导弹头部的压强峰值,为后续导弹头部压强环境的优化设计提供参考。     

基于特征增强和损失优化的弱监督目标检测算法

针对弱监督目标检测中只能检测出图像中最具有辨别性部分和训练过程极易陷入局部最优问题,提出了一种特征增强和损失优化的弱监督目标检测算法。该算法设计了一种高效可选择通道注意力模块,该模块通过关联通道的选择来提高其局部信息的交互能力,以此来扩大最具辨别性的示例目标区域;此外,通过对网络回归损失函数施加针对性的动态权重,使其能够自动弱化回归分支中伪标注边界框不准确性的影响,提高目标定位的精度。在PASCAL VOC 2007及PASCAL VOC 2012数据集上的实验表明,相比其他同类算法,该算法能够有效地提高弱监督目标检测的精度。同时,由于该算法引入的额外训练参数和计算负担几乎可以忽略不计,因此还具有良好的高效性。