IC卡技术在器材保障信息管理中的应用

主要就IC卡技术在我军器材保障信息管理中的初步应用,阐述了基于IC卡技术的便携式器材保障信息系统的特点和系统组成方案,并介绍了实现这种系统方案的关键技术.     

面向卫星的在轨服务任务规划方法

针对空间在轨服务日趋成熟以及在轨服务现实需求增长的背景,以在轨服务航天器为研究对象,研究面向卫星的在轨服务任务规划问题,探讨如何合理安排与调配在轨服务资源。将问题分解为在轨服务资源分配和在轨服务路径规划两层,并建立双层优化数学模型。设计在轨服务任务规划算法求解问题,包括基于多种群并行进化的混沌遗传算法和基于全局坐标转换的NSGA-Ⅱ+GSDE算法,并通过仿真结果对比分析,验证算法的可行性和有效性。     

对装备可计量性的思考

本文在提出可计量性的定义与对可计量性理解的基础上,梳理了可计量性与装备"五性"的关系,分析了可计量性研究对计量保障的作用,以及可计量性在武器装备全系统全寿命周期中的作用,并对如何开展在研和现役武器装备的可计量性研究提供了思路。     

系统配套，协调发展——关于加强技术保障装备建设的思考

依据现代高技术战争的特征和装备保障需求 ,分析了加强技术保障装备建设的重要性及必要性 ,阐述了当前技术保障装备发展的基本趋势和特点 ,提出了系统配套 ,协调发展 ,构建我军完备的技术保障装备体系的基本思路     

基于熵权的舰炮武器系统维修保障能力模糊综合评判

针对现有装备维修保障体制的特点,建立起舰炮武器系统维修保障指标体系,综合运用熵权和模糊综合评判法对某型舰炮武器系统维修保障能力进行评估。该方法用熵权确定权重,加重了评价体系本身的重要程度,充分利用了被评判指标的信息量,并且根据模糊评判的需要构造了评分隶属函数,使定性分析和定量分析很好的相互融合。仿真结果表明该方法可行,对科学、客观地评估舰炮武器系统维修保障能力有一定的应用价值。     

基于Elman神经网络的装甲装备维修保障系统效能评估

从影响装甲装备维修保障系统效能的主要因素出发,建立了比较全面的装甲装备维修保障系统效能评价指标体系。介绍了Elman神经网络的结构和学习过程,建立了维修保障系统效能评估模型。采用Delphi法和AHP相结合的方法,处理了原始数据,获得了10组训练样本和测试样本。利用Matlab7.0进行了评估模型的构建,利用训练样本对模型进行了训练和测试,证明了模型的可用性。研究结果可为在现有装甲装备维修保障系统的基础上开发和研制新型系统提供理论参考。     

央行数字货币在军队资金保障中的应用

资金是军事经济活动的"血液",是建设一支强大军队的重要支撑,也是应急财务保障的核心.近年来,我国央行数字货币研发工作稳步推进,我国有望成为世界上第一个发行法定数字货币的国家.本文阐述了央行数字货币的基本含义和发展历程,总结了央行数字货币使用便捷、消费留痕、可编程性、可控匿名及币值稳定五个主要特点,从增强日常资金结算便捷...     

基于支持向量机的装备故障诊断专家系统

针对现代化复杂武器装备故障诊断问题,结合支持向量机和专家系统的各自特点,提出了基于支持向量机的武器装备故障诊断专家系统整体结构和诊断模型.将支持向量机嵌入专家系统中,实现知识自动获取和快速逻辑推理,专家系统完成知识库管理与维护、符号推理诊断以及相关解释等工作,充分发挥支持向量机和专家系统两者的优势,提高了系统的综合诊断性能.     

适应保障建设需要 关注信息作战动员

新军事变革与军队信息化建设的发展,尤其是信息化武器装备的研制与发展,对装备保障和作战保障提出了越来越高的要求.而在常备军不断精简、"军民一体化"思想逐步深入之时,对国防动员的需求,特别是对信息作战动员的建设与发展的需求与日俱增.因此,在提出信息作战动员的基本内涵的基础上,结合国内外信息作战动员的发展现状,对如何有效实施信息作战动员提出几点看法.     

高分辨率遥感影像的自优化迭代分类方法

针对高分辨率遥感影像提出了一种面向像斑的自优化迭代分类算法,基于半监督聚类算法获取训练样本,以支持向量机为核心设计了自优化迭代分类器。使用分型网络演化算法获取像斑,并从中选取少量标记样本;结合标记样本,利用半监督模糊C均值算法对像斑进行聚类,并基于密集度筛选得到训练样本;设计了自优化迭代支持向量机分类算法,对所有像斑进行迭代分类直到满足分类要求,并在分类过程中对近邻分类结果进行统计得到高可信度样本以自主优化训练样本集。基于以上方法分别对武汉市Quick Bird和World View影像进行分类实验,分类总精度分别达到94.67%与92%,与基于人工选取训练样本情况下进行分类的分类总精度(82%与82.67%)、常规支持向量机分类总精度(87.33%与88%)、最小二乘支持向量机分类总精度(88%与89.33%)相比,精度有明显提升,分类效果较好。