OODA智能赋能技术发展思考

随着科学技术的飞速发展,信息化支持下的体系作战将是未来战争的一种主要样式,"基于感知-判断-决策-行动（OODA）以快吃慢"成为未来战争的重要制胜机理。由于战场环境日趋复杂、对抗多域多维,从战场态势到作战策略的映射关系复杂,给OODA环快速解算带来了新的挑战。为确保OODA环解算满足任务需求,将人工智能（AI）技术赋能OODA各环节,驱动各环节高效运行,缩短环路解算时间,为打赢战争提供关键支撑。首先综述了人工智能在军事领域的应用进展,分析了导弹OODA智能化赋能面临的挑战,初步提出了智能赋能OODA环涉及的相关技术的思考,以支撑导弹智能化的发展。     

先进战斗机效能分析研究

OODA理论是对抗决策领域中著名的军事理论,在作战样式和作战过程模拟中,有广泛而深入的应用。本文通过建立空战过程的OODA模型和空战优势判据集,结合计算机模拟等手段,得出满足特定优势等级的先进战斗机能力需求。设定先进战斗机不同的初始条件（携导弹射程,隐身能力等）,可以得出不同参数对飞机能力需求的敏感度影响。     

军用智能软件未来发展研判

随着人工智能技术的飞速发展,军用智能软件已经成为世界主要发达国家在军事领域的重点研究方向。目前,各国都在不断增加对人工智能技术的资金投入以及产业布局,目的是加快人工智能技术的发展与实际军事应用,以提高本国的军事优势。军用智能软件作为实现人工智能技术在军事领域应用的载体,目前已在态势感知、智能决策、语音交互、协同作战等多个领域有了突破性进展,同时牵动了量子计算、脑机接口、智能芯片等多学科共同向前推进。因此,抢占军用人工智能领域的先机,是未来国家取得重大战略优势地位的必要条件。由于人工智能算法较于人类可以快速分析处理海量复杂信息,因此在未来军用智能软件将会在瞬时决策、智能侦查、自主作战、作战支持、全域协同等多个领域扮演重要角色,但同时算法的可靠性与可解释性也亟待提高。     

精确打击武器集群作战技术发展研究

对中远程精确打击武器集群作战进行综合评述，并对集群智能化技术体系发展布局进行探讨。首先基于分布式作战概念内涵提出了集群作战的共性特点，指出网络化和智能化是集群作战的本质特征。随后从目标指示、体系对抗、自主作战三个方面提出了对集群智能化作战的军事需求，并对由集群智能化技术带来的作战能力提升进行了分析研判。最后按照观察-判断-决策-行动作战循环梳理了集群智能化技术体系布局。综述表明，集群作战将是未来精确打击武器的主要作战形态，集群智能化技术是当前以及未来一段时间内的研究热点。     

面向航空智能制造的DT与AI融合应用

针对航空装备复杂制造场景下制造过程管控维度多尺度大、制造资源组成复杂性高、质量问题跟踪定位难度大等问题，结合数字孪生（DT）与人工智能（AI）技术特点，开展了面向航空智能制造的DT与AI融合应用研究。基于数字孪生与人工智能应用现状，系统性地阐述了数字孪生与人工智能融合机理，分析了支撑数字孪生与人工智能融合驱动航空智能制造的关键技术和数字孪生与人工智能融合驱动的AI控制中心构建涉及的关键问题，在此基础上重点讨论了加工制造过程自适应控制、智能车间生产过程智能管控、制造过程资源调度与优化决策、产品智能质量控制等应用场景，为数字孪生与人工智能在航空智能制造融合应用提供参考。     

虚拟现实技术在军事上的应用

虚拟现实技术汇集了计算机图形学、多媒体技术、人工智能、人机接口技术、计算机仿真技术、传感器技术、计算机视觉和人的行为学研究等多项关键技术,是一门基于多种学科发展起来的计算机领域的高新技术。本文主要介绍了虚拟现实技术在军事领域的应用以及真三维立体显示技术,表明基于虚拟现实技术的军事仿真训练系统在飞行训练、海军潜艇训练、立体三维坦克作战指挥系统、立体三维直升机训练系统、立体三维海军作战指挥系统、立体三维实战演示系统等领域具有非常广阔的应用前景。     

基于DDPG算法的无人机集群追击任务

无人机的集群化应用技术是近年来的研究热点，随着无人机自主智能的不断提高，无人机集群技术必将成为未来无人机发展的主要趋势之一。针对无人机集群协同执行对敌方来袭目标的追击任务，构建了典型的任务场景，基于深度确定性策略梯度网络（DDPG）算法，设计了一种引导型回报函数有效解决了深度强化学习在长周期任务下的稀疏回报问题，通过引入基于滑动平均值的软更新策略减少了DDPG算法中Eval网络和Target网络在训练过程中的参数震荡，提高了算法的训练效率。仿真结果表明，训练完成后的无人机集群能够较好地执行对敌方来袭目标的追击任务，任务成功率达到95%。可以说无人机集群技术作为一种全新概念的作战模式在军事领域具有潜在的应用价值，人工智能算法在无人机集群的自主决策智能化发展方向上具有一定的应用前景。     

关于未来战斗机发展的若干讨论

近年来，在第四代战斗机陆续批量服役和大国竞争的背景下，关于战争形态演变以及四代后战斗机如何发展的讨论络绎不绝。本文回顾了战斗机"代"的起源和跨代发展的驱动因素，概述了空战观察（Observe）、判断（Orient）、决策（Decision）、行动（Act）（OODA）环的演进历程，并提出了OODA 3.0的内涵。阐述了机械化、信息化、智能化发展的依托与跃升关系，就自主性、有人、无人，强平台、体系、分布式作战运用的辩证关系，以及敏捷高效的研发模式等进行了讨论。     

对地攻击飞机的作战方式和性能要求

对地攻击飞机是现代战争的主力，在最近几次局部战争中发挥着重要的作用，目前世界各国将攻击飞机作为发展空中力量的重点。军事技术的发展和武器装备的改进使现代战争的作战环境发生了巨大的变化，为对地攻击飞机提供了更多的发挥优势的机会。对地攻击既是进攻的主要方式，也是防御的积极手段。利用我方的攻击力量，对可能会袭击我方的敌方作战力量予以摧毁，是阻止敌人进攻的最有效的手段。为了适应作战环境的变化，发挥攻击飞机的作战优势，要求采用高新技术，提高攻击飞机的作战性能，为攻击飞机的作战方式的变化提供物质基础。现代战争对攻击飞机提出了新的要求，航空技术的发展为飞机性能的提高奠定了技术基础，两者协调统一构成了攻击飞机的发展方向。     

惯性导航技术在武装直升机上的应用

武装直升机已成为现代军事斗争的主战武器装备，越来越受到重视。然而随着现代高新科技的发展，使武装直升机的生存受到严重的威胁，为了提高武装直升机的全天候作战能力和生存能力，惯性导航技术在武装直升机上的应用就显得十分重要。本文简要介绍了惯性导航技术的作用原理，然后就惯性导航技术在武装直升机上应用的重要性及对其应用后的深远意义作了深入浅出的阐述。     

Relevant experience learning: A deep reinforcement learning method for UAV autonomous motion planning in complex unknown environments

Unmanned Aerial Vehicles (UAVs) play a vital role in military warfare. In a variety of battlefield mission scenarios, UAVs are required to safely fly to designated locations without human intervention. Therefore, finding a suitable method to solve the UAV Autonomous Motion Planning (AMP) problem can improve the success rate of UAV missions to a certain extent. In recent years, many studies have used Deep Reinforcement Learning (DRL) methods to address the AMP problem and have achieved good results. From the perspective of sampling, this paper designs a sampling method with double-screening, combines it with the Deep Deterministic Policy Gradient (DDPG) algorithm, and proposes the Relevant Experience Learning-DDPG (REL-DDPG) algorithm. The REL-DDPG algorithm uses a Prioritized Experience Replay (PER) mechanism to break the correlation of continuous experiences in the experience pool, finds the experiences most similar to the current state to learn according to the theory in human education, and expands the influence of the learning process on action selection at the current state. All experiments are applied in a complex unknown simulation environment constructed based on the parameters of a real UAV. The training experiments show that REL-DDPG improves the convergence speed and the convergence result compared to the state-of-the-art DDPG algorithm, while the testing experiments show the applicability of the algorithm and investigate the performance under different parameter conditions.     

基于生成对抗近端策略优化的机动策略优化算法

针对传统强化学习算法在生成空战机动策略时存在收敛效率低、专家经验利用不足的问题,研究了基于生成对抗-近端策略优化的策略生成算法。算法采用判别器-策略-价值(DAC)网络框架,在近端策略优化(PPO)算法基础上,利用专家数据和环境交互数据训练判别器网络,并反馈调节策略网络,实现了约束策略向专家策略方向优化,提高了算法收敛效率和专家经验利用率。仿真环境为基于 JSBSim开源平台的 F-16飞机空气动力学模型。仿真结高,PPO果表明,本文算法收敛效率高于算法,生成的策略模型具备较好的智能性。     

Surrogate role of machine learning in motor-drive optimization for more-electric aircraft applications

Motor drives form an essential part of the electric compressors, pumps, braking and actuation systems in the More-Electric Aircraft (MEA). In this paper, the application of Machine Learning (ML) in motor-drive design and optimization process is investigated. The general idea of using ML is to train surrogate models for the optimization. This training process is based on sample data collected from detailed simulation or experiment of motor drives. However, the Surrogate Role (SR) of ML may vary for different applications. This paper first introduces the principles of ML and then proposes two SRs (direct mapping approach and correction approach) of the ML in a motor-drive optimization process. Two different cases are given for the method comparison and validation of ML SRs. The first case is using the sample data from experiments to train the ML surrogate models. For the second case, the joint-simulation data is utilized for a multi-objective motor-drive optimization problem. It is found that both surrogate roles of ML can provide a good mapping model for the cases and in the second case, three feasible design schemes of ML are proposed and validated for the two SRs. Regarding the time consumption in optimizaiton, the proposed ML models can give one motor-drive design point up to 0.044 s while it takes more than 1.5 mins for the used simulation-based models.     

平滑重构稀疏贝叶斯学习测向算法

针对二级嵌套阵列中的紧凑阵元结构易受互耦效应影响的问题,提出了两种不同的嵌套阵列结构改进方法：连续平移嵌套阵列和间隔平移嵌套阵列。通过对原有二级嵌套阵列阵元位置进行调整,形成了两种不同的平移嵌套阵列结构,这两种结构对应的差分共阵均"无孔",并且测向自由度和阵列稀疏度均大于原二级嵌套阵列。针对嵌套阵列的差分共阵测向模型为单测量矢量模型,稀疏贝叶斯学习测向算法复杂度高的问题,提出了平滑重构稀疏贝叶斯学习算法。该算法通过空间平滑重构将单测量矢量模型变为多测量矢量模型,降低了观测矩阵的维度,减小了计算复杂度。算法求解时,通过对变换后的观测矩阵进行奇异值分解,进一步降低了观测矩阵维度,利用稀疏贝叶斯学习算法估计辐射源角度。仿真表明,在信噪比和采样数相同的条件下,该算法收敛速度比单测量矢量稀疏贝叶斯学习（SMV-SBL）算法快,且测向精度高于SMV-SBL算法和空间平滑多重信号分类（MUSIC）算法;存在互耦影响时,两种平移嵌套阵列比原嵌套阵列受互耦影响小。     

研究性学习模式在英语教学中的应用

研究性学习就是在教学过程中创设一种类似科学研究的情境与途径,让学生主动地探索、发现和体验,学会对大量信息进行收集、分析、判断,从而增强思考力和创造力。研究性学习不仅重视学生知识的获取,更重视学生掌握知识的过程。这里简要介绍了研究性学习的实践价值,以及笔者在英语教学中开展研究性学习的探讨与实践。     

分布式实时控制系统执行软件的研究与设计

 用“数据驱动”(Data-Driven)和“事件驱动”(Event-Driven)代替常规的“时间驱动”(Time-Driven)作为分布式实时控制系统执行软件的驱动机制,可以使系统中数据传输效率和系统的实时性都有较大的提高。本文所述的执行软件在这方面做了一些尝试,取得了较好的效果。     

提高高职学生英语自主学习能力的策略

基础差、缺乏学习主动性和策略意识是高职学生英语学习最为突出的问题。通过对高职高专学生英语学习状况的调查和分析,认为提高英语自主学习能力、制定学习策略是提高高职学生英语学习的根本途径。     

Dynamic neighborhood genetic learning particle swarm optimization for high-power-density electric propulsion motor

To maximize the power density of the electric propulsion motor in aerospace application, this paper proposes a novel Dynamic Neighborhood Genetic Learning Particle Swarm Optimization (DNGL-PSO) for the motor design, which can deal with the insufficient population diversity and non-global optimal solution issues. The DNGL-PSO framework is composed of the dynamic neighborhood module and the particle update module. To improve the population diversity, the dynamic neighborhood strategy is first proposed, which combines the local neighborhood exemplar generation mechanism and the shuffling mechanism. The local neighborhood exemplar generation mechanism enlarges the search range of the algorithm in the solution space, thus obtaining high-quality exemplars. Meanwhile, when the global optimal solution cannot update its fitness value, the shuffling mechanism module is triggered to dynamically change the local neighborhood members. The roulette wheel selection operator is introduced into the shuffling mechanism to ensure that particles with larger fitness value are selected with a higher probability and remain in the local neighborhood. Then, the global learning based particle update approach is proposed, which can achieve a good balance between the expansion of the search range in the early stage and the acceleration of local convergence in the later stage. Finally, the optimization design of the electric propulsion motor is conducted to verify the effectiveness of the proposed DNGL-PSO. The simulation results show that the proposed DNGL-PSO has excellent adaptability, optimization efficiency and global optimization capability, while the optimized electric propulsion motor has a high power density of 5.207 kW/kg with the efficiency of 96.12%.     

FATIGUE DISLOCATION CONFIGURATIONS IN HEXAGONAL ZIRCALOY-4

ＦＡＴＩＧＵＥＤＩＳＬＯＣＡＴＩＯＮＣＯＮＦＩＧＵＲＡＴＩＯＮＳＩＮＨＥＸＡＧＯＮＡＬＺＩＲＣＡＬＯＹ－４￥ＸｉａｏＬｉｎ（ＩｎｓｔｉｔｕｔｅｏｆＥｎｇｉｎｅｅｒｉｎｇＭｅｃｈ．，Ｘｉ＇ａｎＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｘｉ＇ａｎ，Ｃｈｉｎａ...     

网络虚拟现实系统综述

虚拟现实是发展迅速的技术,有很大的应用潜力。网络虚拟现实已引起越来越多的关注。本文概述了目前典型的网络虚拟现实系统以及设计和实现网络虚拟现实系统的关键技术。最后指出,网络虚拟现实作为一个具有吸引力又富于挑战的领域,仍有许多有待研究和突破的问题。