特殊的国旗献给“华盛顿”号航母

2001年10月11日早晨,美海军“华盛顿”号(CVN73)航母上气氛十分庄严肃穆。4名海军预备役人员完成了每年为期两周的现役训练。 这4名海军预备役人员是基南、莫尼卡、尤金和克里斯,隶属于驻纽约州加登城海军陆战队分遣队的海军卫生兵。 在这两周里,“华盛顿”号成了他们的避难所,使他们暂时远离了作为纽约全职专业医护人员所不得不而对的惨境,远离了悲伤和恐惧。     

对“先胜之师”的呼唤

兵法祖师孙子曰:“胜兵先胜而后求战。”意思是说,胜利的军队,总是先创造取胜的条件,尔后才寻求与敌决战。反映中国军人面对世界新军事变革所作深层次思考的电视剧《DA师》,正是对“先胜之师”的呼唤。 首先,指明了“先胜之道”。若要“先胜”,必须首先弄清未来打什么仗,怎么打赢这样的仗。以钟元年、龙凯峰、林晓燕等为代     

法国一油轮遭恐怖袭击

2002年10月6日清晨,一艘自伊朗哈尔克岛启程,航经波斯湾、阿曼湾及阿拉伯海后抵达也门亚丁湾的30万吨级法国油轮“林堡”号,静静地锚泊在也门哈达拉毛省谢哈尔港石油码头附近3海里处的海域,等待着引导船的引领入港。     

“哥伦比亚”号：三名海军人员为您殉职

1月16日,美国“哥伦比亚”号航天飞机,成功升入太空进入预定轨道。经过16天航行,完成预定任务,2月1日8时08分,休斯敦地面控制中心,向它发出了进入脱轨程序的指令;8时53分,出现不祥之兆,飞船左翼温度传感器失灵;8时59分,地面控制中心与飞船失去联络;9时06分,一声巨响,天空中布满了金属碎片;11时,肯尼迪航天中心降半旗;14时05分,美国布什总统发表演说：“‘哥伦比亚’号失事,没有幸存者。”这是继1986年“挑战者”号航天飞机失事以来,美国又一次重大的航天空难事件。     

神州五号研制有条不紊

在非典肆虐的非常时期．航天科技集团公司一手抓非典防治．一手抓科研生产．确保以载人航天为重点的科研生产任务按时完成。目前．神舟五号载人飞船和发射飞船的长征二号F火箭的研制工作正在有条不紊地进行。     

基于增强CNN模型的手写字体图像识别

为了提高汉字的识别率,提出了一种改进的图像识别算法,根据偏微分方程理论,提出一种增强CNN模型识别汉字,将原有的图像用高阶差分法进行增强处理,然后在原始的LeNet-5网络结构的基础上,将前两层的激活函数改为ReLu函数,并且去掉C5层以及F6层,通过增加输出层的神经元数来增加汉字的识别率。研究结果表明:经过图像增强和增加输出神经元数的改进,对汉字进行识别,识别率达到了98.44%,相比较于其他汉字识别算法提高了3%～9%,从而证明了算法的可行性。     

高轨双星辐射源跟踪的高斯和-容积Kalman滤波算法

针对辐射源运动方程和观测方程的强非线性,提出基于高斯和框架与5阶容积Kalman滤波(5CKF)的跟踪算法GS-5CKF。该方法将起始时刻的时差观测量所确定的位于地球表面的时差线按经度等间隔划分,初始化多个并行的5CKF,线性组合各滤波器的输出获得辐射源运动状态的估计。针对5CKF,提出新的非线性测度并引入滤波器分裂与合并,从而提高了跟踪精度,同时保持GS-5CKF算法复杂度基本不变。仿真表明,相对仅使用单个5CKF和基于高斯和框架但使用3阶容积Kalman滤波器的GS-3CKF等方法,提出的算法具有更高的估计精度。     

改进YOLOv5的高空航拍图像检测方法

YOLOv5模型对普通场景图像的目标检测有更好的性能,但在高空航拍图像检测中表现不佳,针对这个问题,提出一种改进的YOLOv5模型。首先,建立高空航拍目标数据集,弥补该类图像不足的问题,对模型进行针对性训练,其次,采用多尺度细节增强提升处理数据图像,整体提升数据质量;最后,利用多尺度特征融合更好的平衡目标特征和位置信息,增加大尺度检测头提升小目标检测能力。经过实验分析,证明该方法在对高空航拍图像目标进行检测时平均精度、准确率和召回率分别比YOLOv5模型提高了12.6%、10.3%和6%,满足检测要求。     

载人航天器自主故障诊断与预测技术研究进展综述

载人航天器的自主化和智能化使其探索空间和飞行任务范围不断扩展,是主动应对未来太空军民融合领域变革的重要手段。对载人航天器自主健康管理技术这一热点领域的研究进行了综合评述,并对未来研究进行了展望。首先,在阐述载人航天器自主健康管理技术基本概念的基础上提炼了其体系框架;其次,分析总结了载人航天器自主故障诊断与预测技术的研究现状;然后,探讨了研究进展与挑战;最后,从故障机理、智能技术和预测评估三个层面对发展趋势进行展望。综述表明,失效机理和故障模型都还需持续进行研究,以混合智能技术为核心的自主故障诊断与预测技术有望取得突破,进一步发展面向可重复使用载人航天器的准确诊断和预测技术。     

基于多分支注意力改进的YOLOv5无人艇目标检测方法

针对水面无人艇目标检测类别多、尺寸小、形变大等难题,提出了基于多分支注意力改进的YOLOv5检测算法。首先提出了一种SAv2Attention模块,通过对通道的“复制-转换-合并”等处理,实现卷积层通道间与通道内特征融合,提升网络的局部感受野,然后将其嵌入到YOLOv5网络,最后在构建的真实海试数据集上进行了大量对比实验。结果表明,SAv2Attention可有效提升YOLOv5的检测精度,典型海面目标数据集上,mAP@0.5检测精度达到94.6%,mAP@0.5:0.95检测精度达到60.9%,相较于原生算法分别提高1.4%和3%,对小尺寸目标平均检测率APS提升4.3%,证明所提方法能有效提升无人艇对水面小目标的检测能力。