摘要：为了解决坦克分队进攻战斗中的兵力部署和火力协同问题,提出坦克阵地部署模型和坦克火力分配模型,前者解决坦克分队从集结区域到作战区域的兵力分配问题,后者解决坦克接敌后的火力协同问题。针对坦克作战中的对抗特性,建立确定型火力对抗模型,在火力分配模型中体现敌我动态对抗过程。为了求取坦克阵地部署和火力分配最优方案,采取双层迭代策略,底层迭代求解火力分配模型,上层迭代调用底层迭代的结果,寻优坦克阵地部署最优方案。算法方面,基于模型的具体特点和先验知识,对人工蜂群(artifitial bee colony,ABC)算法进行有针对性的设计,提高了算法的收敛速度和收敛精度。仿真实验说明了本文对人工蜂群算法设计的有效性和双层迭代寻优策略的合理性。

摘要：军事数据是战争指挥决策的重要支撑。由于采集手段受限、共享交换渠道不畅、共享意识不强等因素,数据建设面临数据积累不足、数据孤岛、数据质量不高以及数据安全管控薄弱等问题与挑战。通过在数据采集、共享交换、综合处理、数据应用等数据全生命周期中,引入区块链技术,建立了基于区块链的军事数据安全治理架构,设计了数据可信采报、数据安全共享交换、数据访问控制及数据行为存证等关键技术,并针对军事数据安全治理提出了思考和建议。

摘要：传统的物理内存保护机制主要依赖具体硬件和操作系统实现,存在可靠性低、隔离性差、安全性弱等缺点.Intel VT的VM X架构通过引入扩展页表(Extended Page Table,EPT)机制实现对物理内存的访问控制.在深入分析EPT实现原理的基础上,设计了一种动态物理内存隔离与访问验证方法,并设计了原型系统PMM (Physical Memory Monitor),该系统能够隐藏Linux操作系统应用程序进程访问的物理内存.在Linux操作系统上进行了原型实现和验证,实验结果表明,该方法能够隐藏应用程序进程访问的物理内存,防止应用程序的物理内存隐私数据和功能代码被非法访问和篡改,并且带来较少的性能开销.

摘要：为提取高分辨率遥感影像的典型要素(建筑物及道路),基于深度学习,提出一种语义分割与全连接条件随机场(CRF)相结合的提取方法。以Deeplabv3+作为语义分割模型,提取较完整图像分割信息,并将其作为全连接CRF的一元能量函数的输入,利用平均场近似方法进行推理,实现对分割信息边界的优化。通过分析Deeplabv3+模型在噪声样本集数据的训练效果验证其鲁棒性,并基于公开影像及矢量数据源设计大规模遥感训练样本集智能采集系统。采集罗德岛2 000平方公里遥感影像及相对应典型要素标记数据作为样本进行实验,结果表明,该方法分割精度MIoU值达到80.32%,结合形态学滤波处理,要素边界轮廓明显优于初始分割结果。

摘要：针对现有基于深度学习的遥感影像分割方法难以充分考虑像素之间关系,而全连接条件随机场(fully connected conditional random fields,FullCRF)后处理效率低下且难以训练的问题,提出了结合改进金字塔场景解析网络(pyramid scene parsing network,PSPNet)算法与卷积条件随机场(convolutional condition random fields,ConvCRF)的方法。首先,在PSPNet中采用更加密集连接的DenseNet网络,并在高低层特征融合部分将原有的连接CNN网络末端特征图方式改为连接第三个dense模块。其次,在改进PSPNet基础上,设计与ConvCRF的集成方法,通过引入两个损失函数,设计两步法训练方式,实现了集成模型的端对端训练。最后,进行某区域无人机遥感影像4类要素分割及马萨诸塞州航空遥感影像道路分割试验。结果表明,改进PSPNet在无人机影像分割试验中MIoU(mean intersection over union)提升0.25%,总体精度提升0.47%;结合ConvCRF处理模块后,MIoU可进一步提升0.94%,总体精度进一步提升0.47%,单幅图像计算时间仅增加79 ms,且精度优于FullCRF,时间开销仅为FullCRF的35%,在马萨诸塞州道路分割试验中,本方法较其他精度更优。

摘要：针对传统频谱仪价格昂贵,体积庞大等特点,本文从理论上研究了频谱分析仪的原理,利用LabVIEW强大的信号处理功能和灵活的编程特点,设计了基于USB接口数据采集卡的多功能虚拟频谱分析仪。它不仅可以实现传统频谱分析仪的功能,还加入了信号产生、谐波分析、Hilbert变换、联合时频分析等特殊分析功能模块。操作方便、设计灵活,功能多样。

摘要：针对传统的遥感影像道路网分割方法鲁棒性差且难以挖掘影像中深层特征等问题,提出了一种基于深度学习语义分割的道路网提取方法,以Deeplabv3+语义分割模型为基础,采用双次迁移学习方式进行训练,通过多尺度预测进行结果融合,实现对预测结果的优化。针对训练样本标注工作繁琐,基于公开影像及矢量数据源,设计了大规模样本采集方法。针对大区域范围,设计基于网格划分的逐网格分割方法,实现大范围道路提取。基于瓦片地图思路,设计大规模分割数据存储方法,实现分割数据结果的存储管理。通过采集某区域500km2样本数据,验证了大规模样本采集方法的有效性。对该区域样本数据集训练分析,单尺度下道路提取精度MIoU达到77. 2%,多尺度融合预测可提升1. 1个百分点。最后,基于设计的道路分割系统,可视化验证了网格划分及大规模分割数据存储方法的有效性。

摘要：针对战场环境下装甲目标的检测任务,提出一种基于轻量级网络的快速检测方法.首先以轻量级卷积神经网络MobileNet 作为骨架网络,构建一个多尺度的单步检测网络;然后针对装甲目标的尺寸分布情况使用分辨率更高的卷积特征图,并在每个检测单元上新加入一个残差模块,增强了对小尺度目标的检测能力;最后引入focal-loss损失来替代传统的交叉熵损失函数,有效地克服了训练过程中存在的正负样本分布极度不平衡的问题.针对装甲目标构建了专用的目标检测数据集,并在该数据集上对几种目前主流的单步检测方法进行了训练和测试,实验结果表明,该方法在检测精度、模型容量以及运行速度上均取得了较好的效果,对于无人机等小型移动侦查平台具备良好的适用性.

摘要：针对传统遥感影像目标检测方法效率不高,并且无有效手段对检测信息进行管理利用的问题,提出了在B/S构架下基于深度学习的目标检测及定位方法。通过集成深度学习框架、WebGIS以及数据库,实现了集遥感影像目标检测、展示及管理于一体的目标检测定位系统,满足多用户基于前端浏览器的并发目标检测需求。利用网格划分策略,实现了基于前端的大区域范围的目标快速检测。基于某机场飞机目标及某城市区域运动场目标检测结果表明:本文设计的目标检测定位系统能够在前端实现目标快速检测定位,具有较高检测精度,并可有效管理检测信息,为深度学习循环再利用提供数据支撑。