陆军人工智能专业人才培养

陆军的智能化建设与发展离不开专业化的陆军人工智能人才培养。本文分析了智能化技术对战争形态转换、装备演化、指挥决策优化的影响,论述了陆军培养军用人工智能专业人才的必要性,提出了军用人工智能专业人才的能力模型,依据该模型设计了基础课程体系。     

基于Floyd算法的常规导弹连续波次作战运输规划

为提高常规导弹连续波次作战效能,对常规导弹连续波次作战运输规划问题进行研究。以Floyd算法为基础,首先生成了作战机动区域的交通网络最短路径、距离矩阵;其次将常规导弹连续波次作战运输过程分解为不同阶段,以运输过程中的整体暴露时间最短为目标,构建了初始规划方案0-1整数规划模型;然后考虑道路通行量及地域容量限制,对初始规划方案中存在的地域容量超过限制及单行道路中会车、超车情况进行逐步循环优化,以得到最佳运输规划方案;最后选择了一个作战案例想定,通过Matlab编程对案例进行了求解,得到了针对此案例的最佳运输规划方案,验证了模型的正确性和算法的有效性。     

修正的响应面方法优化螺栓法兰连接结构几何参数

采用响应面法对螺栓法兰连接进行优化设计时,考虑到经典响应面模型的局限性,在获得结构优化参数与响应指标内在联系的基础上,提出了修正响应面模型;设计了数值试验并对比了数值试验值与前述两种响应面模型预测值,结果表明修正响应面模型的预测值不仅误差相对比较均匀,且最大误差绝对值要明显小于经典响应面模型的相应值。采用遗传算法对修正响应面模型进行了以法兰质量最轻为优化目标的参数优化,取得了比较理想的优化结果。     

基于数据冗余的BDS长报文传输机制改进算法?

北斗卫星导航系统（ Beidou Satellite Navigation System,BDS）只能传输字节受限的短报文,对于长报文需要通过分包和多次重传改善报文传输的成功率,这样会造成系统平台数据发送延误和网络拥塞。提出一种基于数据冗余的数据分包传输机制,该传输机制以数据包为处理对象,采用异或运算得到冗余包,编码简单,编码解码速度快。通过Matlab仿真,证明基于冗余编码机制比无冗余编码单次发送机制的数据接收成功率高15％以上,两次发送对多包的数据接收成功率有较大提高。     

基于聚类分析的入侵检测算法?

聚类技术在入侵检测中被广泛研究,但是传统的K?means算法对初始值敏感,无法取得理想的效果;层次聚类算法时间复杂度高,性能较差。针对这些问题,设计了一种改进的K?means算法：算法优化孤立点和噪声处理能力,根据有效性指标获得最优K值,在此基础上,动态选取初始聚类中心进行聚类,可以取得较好的聚类效果。采用数据集KDD Cup99将改进的算法应用于入侵检测,进行仿真实验。实验结果表明,改进的算法有效地提高了检测率和降低了误检率,与现有算法相比具有一定的优势。     

基于图像拼接技术的电子对景图制作技术?

针对当前对景图制作存在的问题,提出了一种基于图像拼接技术的电子对景图的制作技术,该技术采用SIFT算法提取海区图像的特征点,使用RANSAC算法对特征点进行精确提纯,最后使用加权平均法实现图像的平滑过渡。实验表明该技术可实现海区图像的无缝拼接,真实感强。     

大数据在信息作战指挥决策中的运用

针对信息作战指挥决策中大数据的运用问题,通过对大数据的海量信息检索能力、交叉复现的分析能力、“全信息”运算能力、智能决策执行能力的研究,提出了大数据为其提供按需订制的情报信息、多元多维的决策视角、动态实时的决策支持、智能自主的决策方式的观点,初步探索了大数据在信息作战指挥决策中的运用,对将大数据引入信息作战指挥决策具有十分重要的指导意义。     

一种通用型舰载防空硬武器火力优化算法?

针对当前武器优化分配算法缺少通用性,难以兼顾效率和时间的问题,提出了一种通用型舰载防空硬武器火力优化算法。该算法首先提取各舰载武器能够攻击的目标集合,然后对各武器的目标集合逐一进行时间分配,并计算对目标的毁伤概率,最终完成所有武器的分配。计算表明,该算法具有很好的通用性和实时性,可适用于较大规模舰载防空硬武器的火力优化分配问题。     

分布式遗传模拟退火算法的火力打击目标分配优化

根据火力打击规则,建立了多目标函数的目标分配模型,提出了分布式遗传模拟退火算法对模型进行求解。分布式遗传模拟退火算法基于经典遗传算法进行改进:将单目标串行搜索方式变成多目标分布式搜索方式,适用于多目标寻优问题求解;采用保留最优个体和轮盘赌相结合的方式进行个体选择,在交叉算子中引入模拟退火算法,使用自适应变异概率,较好地保持算法广度和深度搜索平衡。最后,通过仿真实验验证了算法的有效性和可靠性。     

海量电磁数据中雷达信号的高效分选方法

针对海量电磁数据中雷达信号难以进行快速准确分选的问题,提出一种新的聚类分选方法,即改进k-means算法的Map Reduce并行化实现方法。通过引入初始聚类中心个数k1、最大聚类中心个数kmax和距离门限rt3个参数,克服了k-means算法需要事先确定k值和易受孤立点影响的局限;基于Hadoop平台实现了对改进k-means算法的Map Reduce并行化,克服了k-means算法串行实现时间复杂度高的局限。最后,实验表明改进k-means算法取得了更高的分选准确率,Map Reduce并行化后具有良好的加速比和扩展性,能够很好地对海量电磁数据中雷达信号进行高效分选。