舰船轴频电场产生机理及控制技术

为了减小舰船轴频电场信号,在深入分析尾轴结构的基础上,建立轴频电场等效电路模型,明确碳刷和滑环接触电阻的波动是轴频电场产生的主要因素。在对主动式轴接地(Active Shaft Grounding,ASG)系统原理进行分析的基础上,研制了原理样机,并进行了实验室船模试验和海上实船试验。试验结果表明:所研制的ASG系统能有效抑制滑环和碳刷接触电阻变化所引起的轴频电场信号,抵消效果可达90%以上,且当轴地等效电阻在回路中的比例较大时,ASG系统开启后,将导致静电场信号增加。对ASG系统输出电流的影响因素进行分析,结果表明:ASG系统的最大输出电流与阴极保护状态密切相关,与航速关系不大。     

Learning ‘Under Fire’: Israel’s improvised military adaptation to Hamas tunnel warfare

What organisational attributes enhance a military’s ability to effectively adapt on the battlefield? Upon the outbreak of war in July 2014 between Israel and the Palestinian militant group Hamas, the Israel Defense Forces (IDF) encountered an expansive network of tunnels from which Hamas was launching large-scale assaults into Israel. This article illustrates that the IDF’s ability to successfully adapt ‘under fire’ to this battlefield surprise was facilitated by several important attributes related to its organisational learning capacity: a dynamic, action-oriented organisational culture, a flexible leadership and command style, specialised commando units which acted as ‘incubators’ for learning and innovation, and a formal system to institutionalise and disseminate lessons learned.     

The military as a learning organisation: establishing the fundamentals of best-practice in lessons-learned

The post-Cold War era has witnessed the rapid expansion of organisational learning initiatives within NATO militaries, especially formal “lessons-learned” processes. The effectiveness of national lessons-learned processes in recalibrating military activity to the demands of ongoing operations has been highly-differentiated. However, the academic literature on military change and practitioner guidance has been slow to investigate the key features of best-practice in military learning. This article breaks new ground by drawing upon the literature on dynamic organisational capabilities to explore the fundamental organisational processes and activities which are necessary to implement successful lessons-learned. It examines, in particular, the organisational features which facilitate “knowledge transformation”: the effective combination of new knowledge gained from intra- and inter-organisational learning with existing organisational knowledge. The article concludes by highlighting several potential future empirical and theoretical research agendas in military learning and the importance of engagement between lessons-learned practitioners and organisational learning scholars.     

信号稀疏分解理论在轴承故障检测中的应用

将信号稀疏分解理论引入到轴承故障检测问题中,提出新的轴承故障检测方法。通过字典学习的方式可有效实现轴承正常状态振动信号稀疏表示的超完备字典。利用该字典只适用于轴承正常状态信号稀疏分解的特点,将待分析信号在该字典上展开,通过比较信号稀疏表示误差与所设定阈值的关系来判断轴承对应的状态,从而实现轴承的故障检测。实验结果表明:当误差阈值设置合理时,该方法可有效地判断出轴承是否发生故障。     

交流感应电动机精确解耦的自抗扰控制

为了实现交流感应电动机高性能调速,快速跟踪变化的负载转矩,对静止两相αβ坐标系中的电动机数学模型精确反馈线性化,实现转速和转子磁链系统的完全解耦。针对解耦的转速和磁链子系统的设计2个结构完全相同的自抗扰控制器,实现对转速和磁链的完全独立控制。实验研究表明:电动机转速和磁链分别大约在0.7 s和0.3 s时达到参考值;负载转矩的变化将引起转速7 rad·s~(-1)范围内的变化,但磁链仍保持给定值;当转速稳定时,电磁转矩在1 s时间内能快速跟踪变化的负载转矩,其超调量不超过20 N·m;控制系统能适应转子电阻±10%和定子电阻+10%范围的变化。     

主动防护系统分布式火控平台设计与仿真

为设计和验证主动防护系统的分布式火控原理和算法,设计了主动防护系统分布式火控验证平台。根据主动防护系统的攻击原理和功能要求,构造了完整的硬件结构和软件架构,给出了详细的仿真流程,并对系统中涉及的各关键技术进行了分析和建模。最后,整个系统采用面向对象的程序设计方法和虚拟现实技术,实现了数字化的主动防护系统分布式火控仿真系统平台。该平台能够在虚拟作战场景中模拟真实的作战场景,能够有效地再现主动防护系统对目标的打击过程,也为主动防护系统的分布式火控原理验证和功能测试提供了技术手段。     

近似推理在水雷参数分析专家系统中的应用

为了尽快分析出未知水雷障碍参数,根据水雷战的特点,提出了建立未知水雷障碍参数分析专家系统的观点,对专家系统的设计方法进行了一定的探讨,并针对专家系统建立中的"瓶颈"问题,提出了基于Vague集插值近似推理的专家系统知识自动获取方法,在介绍推理过程的基础上给出了算例.从推理的结果来看,该方法具有较高的可信度,从而为专家系统的研制提供了一定的方法支持.     

基于科学计量的机器学习技术发展评估分析

机器学习是通过数据训练使机器获取新的知识和技能的计算机技术,是人工智能技术的核心和前沿领域之一。本文以Web of Science?核心合集收录的机器学习领域相关SCI论文和incoPat全球专利数据库收录的机器学习领域相关专利为数据源,运用科学计量方法对文献数据和专利数据进行时间、地域和机构分布分析,展示了机器学习领域研究实力的分布情况,并对机器学习的发展趋势进行了分析;然后利用主题聚类分析方法及可视化软件VOSviewer,挖掘出机器学习领域的关键技术、技术热点;最后对结果进行了总结分析,以期为我国机器学习发展布局提供参考和借鉴。     

在线学习的主用户仿冒攻击策略

在认知无线网络中,次用户通过频谱感知来学习频谱环境,从而接入那些没有被主用户占用的频谱空隙。事实上,多种恶意攻击的存在会影响次用户频谱感知的可靠性。只有深入研究恶意攻击策略,才能确保认知无线网络的安全。基于此,研究了一种认知无线网络中的欺骗性干扰策略,即主用户仿冒攻击策略,该攻击策略通过在信道上传输伪造的主用户信号来降低次用户频谱感知的性能。具体来说,将攻击策略问题建模为在线学习问题,并提出基于汤普森采样的攻击策略以实现在探索不确定信道和利用高性能信道间的权衡。仿真结果表明,与现有的攻击策略相比,提出的攻击策略能更好地通过在线学习优化攻击决策以适应非平稳的认知无线网络。     

强化学习框架下移动自组织网络分步路由算法

移动自组织网络是一种无基础设施、由移动通信节点组成的无线网络,具有高动态特性。传统的路由协议并不能适应节点移动性带来的频繁拓扑变化,简单的洪泛路由也会因开销过大降低网络的性能。针对如何在移动自组织网络中自适应地进行路由选择,提出强化学习框架下的分步路由选择算法。该算法以最小链路总往返时延为目标,基于强化学习进行路由搜寻,在筛选出符合目标需求节点集合的基础上,结合置信度选择路由。在链路变得不可靠时,数据包被广播给筛选出的邻居节点集以提升路由可靠性并降低开销。对提出的算法在分组到达率和路由开销等主要性能指标进行数值仿真分析。仿真结果表明,提出的分步路由算法相比于基于强化学习的智能鲁棒路由,在降低开销的同时,保持着相当的吞吐率。