声纳技术及其在军事上的应用

 水声学是指以水波为对象研究水下通信、数据传输、目标检测和定位、识别、导航等方面的一门独特的科学。到目前为止,声波还是惟一能在深海中作远距离传输的能量形式,故它在军事上有着重要的用途。于是探测水下目标的技术---声纳技术便应运而生。所谓声纳(Sonar,SoundNavigationAndRanging的缩语),其原意是“声音导航和测距”的意思,是利用声波在水下进行侦察的工具。本文将给大家介绍一下水声探测技术的基础知识、声纳的工作原理及其在军事上的应用。一、水声探测技术的基础知识大家知道声波是一种弹性波。     

光电对抗在现代防空作战中的应用与展望

在综述光电对抗内涵的基础上，论述光电对抗在现代战争作战平台中的具体应用，并着重从电子战的角度论述了光电对抗在现代防空作战中的最新应用。最后指出光电对抗技术在未来电子战中的作用和发展方向。     

基于卷积神经网络的焊缝缺陷图像分类研究

为有效地对焊缝缺陷进行分类,从而判断焊接质量的等级,对传统卷积神经网络进行改进,提出一种多尺度压缩激励网络模型（SINet）。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块（SE block）相结合。通过多尺度压缩激励模块（SI module）将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率,并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响,采用深度卷积对抗生成网络（DCGAN）进行数据集的平衡处理,并在该数据集上验证模型的有效性。与传统卷积神经网络相比,该模型具有良好的性能,在测试集上准确率达到96.77%,同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。     

基于伪模态转换的红外目标融合检测算法

为提高红外图像目标检测的精度和实时性,提出一种基于伪模态转换的红外目标融合检测算法.首先,利用双循环的生成对抗网络无需训练图像场景匹配的优势,获取红外图像所对应的伪可见光图像;然后,构建残差网络对双模态图像进行特征提取,并采取add叠加方式对特征向量进行融合,利用可见光图像丰富的语义信息来弥补红外图像目标信息的缺失,从而提高检测精度;最后,考虑到目标检测效率问题,采用YOLOv3单阶段检测网络对双模态目标进行三个尺度的预测,并利用逻辑回归模型对目标进行分类.实验结果表明,该算法能够有效地提高目标检测准确率.     

竞争性因果学习及其应用

因果关系的研究一直紧密围绕人类探索世界和发现世界的主题,传统的仅仅研究事物之间的统计相关关系作用有限,很难满足经济社会快速发展的需要.文章将自监督学习和对抗学习结合,利用图网络模型和系统动力学的反演模型,从大规模无监督数据中挖掘潜在的隐含信息,基于对比约束,构建物理驱动与数据驱动的统一框架,然后采用极大极小博弈策略学习不同因果模态的一致性表征,从而逼近真正的因果关系,为揭示潜藏在数据背后的内在规律提供了有力的分析工具.文章将非随机因果学习思想融入机器学习框架,对克服现有深度学习在抽象、推理及神经网络可解释性等方面的不足具有重要指导意义.     

基于Land实验的可见红外伪彩色图像融合方法

由Land在研究人类视觉颜色恒定性现象时从所做的某个实验出发,通过对该实验中所用红、绿色滤波片的理想化假设以及光源的等能分布假设,并建立红外图像与红色透明片、可见光图像与绿色透明片的对应关系,得到Land实验启发下的新的伪彩色融合算法。通过与Toet伪彩色融合算法的结果比较,说明了该方法的有效性。进而借鉴Toet算法中强调图像特有成分的思想,使本算法输出更丰富、更逼近真实景物的色彩。     

基于条件生成式对抗网络的油藏单井产量预测模型

为克服机器学习方法在油藏单井产量预测中的过拟合问题,提高油田生产中的产量预测精度,提出一种基于条件生成式对抗网络(CGAN)的油藏单井产量预测模型。该模型使用长短期记忆、全连接等基础神经网络,构建生成和判别网络模型。生成网络模型以产量影响因素为条件输入,生成预测产量数据,利用对数损失函数评价预测数据与真实数据之间的偏差,通过条件生成式对抗网络的博弈训练,并结合贝叶斯超参数优化算法,优化模型结构,综合提高模型的泛化能力。基于Eclipse数值模拟软件建立同一井网条件下不同地质和生产条件下的油藏单井产量数据库,以地质与生产条件等产量影响因素作为模型的条件输入,进行油藏单井产量预测。结果表明：与全连接神经网络(FCNN)、随机森林(RF)以及长短期记忆神经网络(LSTM)模型的预测结果相比,CGAN模型在测试集上的平均绝对百分比误差分别提升了2.59%、 0.81%以及1.72%,并且过拟合比最小(1.027)。说明CGAN降低了机器学习产量预测模型的过拟合程度,提高了模型的泛化能力与预测精度,验证了所提算法的优越性,对指导油田高效开发和保障我国能源战略安全具有重要意义。     

基于可见光-红外模态下双向特征生成的行人重识别方法

为了提高可见光-红外跨模态行人重识别的检测准确度,提出一种基于可见光-红外模态双向特征生成的双流网络模型,相对现有算法,使用双向特征生成方法进行跨模态行人特征迁移,显著提高了跨模态特征表达,同时利用双流网络提取具有判别性双模态特征,并通过设计的粗细粒度损失融合的策略,提高了跨模态行人检索的准确度。实验结果表明,与最新方法相比,文章提出的方法提高了跨模态行人重识别的平均准确度,在RegDB数据集上取得92.91%,在SYSU-MM01数据集取得66.17%。     

基于空洞循环卷积的近红外图像彩色化方法

针对近红外图像彩色化过程中存在近红外与可见光图像间模态差异较大、图像域样式不佳而导致其彩色化结果出现色彩纹理不吻合的问题,提出一种基于空洞循环卷积的近红外图像彩色化方法。改进CycleGAN网络,利用级联结构和空洞卷积块的优势设计了一种名为空洞级联模块,该模块采用编解码级联结构,代替原模型残差网络中的单向连接结构,进行特征通道的级联。在编解码级联层中引入空洞卷积模块,利用空洞卷积不损失图像纹理细节的优势,进一步提取不同尺度的近红外图像特征信息,最后通过解码将近红外灰度图像上色成彩色近红外图像。算法在生成网络中采用空洞级联方式改善误着色问题;在判别网络中引用感知损失函数改善网络收敛速度慢的问题。并且在NIR＿VIS数据集上开展验证和分析。实验结果表明,所提方法提升效果明显,更好地保持了原目标的结构及色彩纹理特征,有效地提升了近红外图像的可视化效果。     

近地背景下的机载红外探测系统弱小目标检测

机载红外探测系统在近地背景下检测目标时,地面将对弱小目标产生严重的干扰,导致传统检测方法对弱小目标的检测性能下降。针对该问题,利用生成对抗网络提出一种近地背景下的机载红外探测系统弱小目标检测方法。将深度自编码器作为生成对抗网络的网络框架,引入inception机制对视觉信息进行多尺度特征提取,并引入残差块来缓解梯度消失问题。在神经网络的对抗训练中,生成器考虑了移动损失与对抗损失两个损失函数,提高了生成器的训练效果。最终,在公开的无人机机载红外探测数据集上完成了实验,结果表明所提方法能在近地背景下成功检测出红外弱小目标,且检测的平均精度与速率均优于其它对比方法。