基于深度强化学习的作战概念能力需求分析

作战能力需求分析是作战概念开发过程中的关键环节,在形式化描述作战概念能力需求分析问题的基础上,通过定性与定量结合,设计了一种基于深度强化学习的作战概念能力需求分析方法。该方法通过模拟仿真实验,获取高可信度的仿真小样本数据集;基于经验数据构建作战概念的代理模型,并以高可信度仿真数据集为输入,应用多目标优化算法对代理模型进行优化训练;最后,将训练得到的代理模型与深度强化学习框架进行交互寻优,实现作战概念能力需求的反向探索。选取“超越式登陆”为实例进行验证,实验结果表明方法可行。     

基于MDO方法的卫星集成设计系统分析与实现

为解决多学科设计优化方法中多学科设计、多学科分析、多学科优化过程与卫星总体设计流程集成的问题,采用变复杂度建模技术,并借鉴产品数据管理思想,设计并实现了面向总体设计的卫星集成设计软件系统。阐述了软件的设计思想、系统组成和功能特点,并给出了月球探测卫星概念设计问题的具体应用实例,结果表明软件在解决多学科设计优化方法应用于卫星集成设计问题时的可行性。     

人武系统提高谋打赢能力的几点思考

提高谋打赢能力是人武系统建设新型军事机关、加强民兵预备役建设的中心工作。当前,由于在人武系统的一部分人中存在着“到了武装部、别想再进步”的认识和“熬年头、混日子”的思想,所以造成了谋打赢能力不够强、行动不够自觉的问题。为有效克服上述问题,切实提高人武系统的谋打赢能力,应努力把握好以下三个方面:一是用党的创新理论成果武装头脑,切实增强提高谋打赢能力的紧迫感和自觉性。面对新的形势和任务,人武系统的党委机关和领导干部应牢记职责、不辱使命,以军委胡主席的重要论述为指导,自觉地把思想和行动统一到谋打赢上。二是不断…     

对营造基层单位学习氛围的思考

习主席在"不忘初心、牢记使命"主题教育总结大会上强调:"中国共产党人依靠学习走到今天,也必然要依靠学习走向未来。"作为党领导下的人民军队,由无数个基层单位组成,而基层单位的学习事关人民军队的建设发展与兴衰成败,必须抓紧、抓实、抓好。现实中有些基层单位不想学、不会学、学不好的问题还比较突出,习主席在中央军委基层建设会议上深刻指出当前基层部队存在的"六个跟不上"问题现象,都跟学习有密不可分的关系。所以,基层单位营造良好的学习氛围至关重要,如此才能真正达到"学为解、解为用"的目的。     

工作场所学习视域下中职学校深化校企合作的策略研究

中等职业学校是国家培养技能型专业人才的重要场所,校企合作是职业教育发展的基本趋势。当前中职学校在校企合作中面临着企业动力不足,重工轻学,学徒制建设不完善等问题。本文从史蒂芬·比例特工作场所学习的视角出发,在分析工作场所学习内涵和特征的基础上,提出深化校企合作的策略,如完善校企合作课程体系、建设全面参与的新型学徒制、引企入校的办学模式、以绩效和胜任力为驱动等工作方法。     

美国陆军网络装备作战评估及启示

作战试验能有效地推动装备体系的建设发展,本文通过分析美国陆军网络集成评估与联合作战评估的作战试验特点,提出军队开展装备作战试验的几个建议。首先,总结了美国陆军网络集成评估到联合作战评估的发展演变,主要包括网络集成评估的地位和作用、网络集成评估的实施流程以及13次网络集成评估和3次作战评估的有关情况;其次,分析了网络集成评估的一系列作战试验特点,诸如实际作战需求牵引、逼真场景构建、试训一体化模式、部队战斗力的直接生成以及作战能力的军民融合式发展等;最后,提出了网络集成评估带来的若干启示,从满足实战能力需求开展作战试验、突出装备体系的互操作能力评估、探索试训结合的作战试验模式、组建专门的作战试验部队及鼓励工业部门参与作战试验等方面推动军队作战试验的发展。     

深入学习领会习近平关于斗争精神重要论述

进入新时代以来,习近平在讲话中多次提到斗争精神。这些关于斗争精神的重要论述,科学回答了新时代发扬斗争精神、增强斗争本领的重大理论和实践问题,是运用辩证唯物主义和历史唯物主义方法论,基于马克思主义特有品质得出的必然结论和提出的时代要求。我们要学习领会习近平关于斗争精神的重要论述,并深入贯彻到进行伟大斗争的实践当中。     

OFDM系统中深度神经网络指导的IQ不平衡补偿算法

正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是现代移动通信中一项重要的物理层通信技术,并且OFDM系统要求子载波间严格正交。然而,在实际系统中,振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase,IQ)不平衡,从而破坏子载波的正交性,严重影响OFDM系统的性能。通过研究IQ不平衡对OFDM系统的影响,提出了一种并联深度神经网络架构下的IQ不平衡补偿算法。该算法利用了深度神经网络不依赖于模型的特点,直接从接收到的频域信号恢复原输入信号的二进制序列,并利用干扰信号来自镜像子载波的先验知识来初始化模型驱动的神经网络,加快其网络优化的收敛速度。仿真结果表明,该算法能有效地补偿IQ不平衡失真,并且在幅度和相位失真的补偿上,其性能都优于传统的基于导频的最小二乘补偿算法,证明了深度学习方法解决物理层问题的优越性。