风-浪-舰耦合对舰船尾流场及直升机气动的影响

为研究波浪和舰船运动对高海况下舰载直升机起降的影响，建立了一套耦合风-浪-舰和直升机的多相流数值模拟方法。使用动态流体作用模拟舰船运动，采用动量源方法模拟直升机旋翼，对3～6级海况下ONRT舰船摇荡运动时的尾流场非定常气动特性进行了研究，并计算了UH-60A直升机旋翼气动载荷的时间历程。研究表明：6级海况下流场速度分量和旋翼气动载荷的波动达到5级海况的2倍，而3～5级海况之间的差别较小；悬停跟进时直升机不断出没于舰船运动导致的尾流中速度和涡量不同的区域，使得旋翼气动载荷有极强的非定常特性；在6级海况下，旋翼拉力与波浪-舰船耦合运动同周期的波动达到20%,并伴随着穿越尾流剪切层时产生的5～10 Hz的小扰动。     

基于层间分类一致性准则的舰船目标细粒度识别方法

舰船目标的层次化、细粒度识别在军事和民用领域均有重要意义。现有细粒度识别方法一般需要部件级精细标注或采用注意力机制提取关键特征，但并未有效利用舰船目标层次化分类体系中本身所蕴含的隶属关系信息提高细粒度识别精度。针对舰船目标的层次化分类问题，建立了舰船目标多层级一致性分类数学模型，提出了一种基于层间强一致性分类准则的细粒度识别方法，设计了层间一致性分类损失函数，并构建了多层级兼容舰船目标细粒度识别网络(MLCDet)。经试验验证，该方法有效、鲁棒，资源开销小，能够有效利用分类体系中各类别间的隶属关系提升目标识别精度。在无需部件级标注信息的前提下，将mAP提高了1.3%,与此同时，模型总参数量仅增加0.02%,推断速度不变。     

非直通甲板舰船空气流场的结构化建模

舰船空气流场是舰载机起降安全的重要影响因素，其结构化建模是研究舰载机起降安全边界和起降动力学过程的重要支撑。直通甲板舰船的空气流场结构化建模问题已于20世纪80年代解决，并纳入MIL-F-8785C军用规范，得到了广泛应用；而非直通甲板舰船的空气流场结构形式更为复杂，近年来科研人员通过数值模拟、风洞试验或实船测量等方法开展了研究，但其结构化建模问题仍有待解决。本文的研究目的是探索非直通甲板舰船空气流场的结构化建模方法。通过对其流场结构、形成机理进行分析，采用流场特性频域分析和数据拟合方法，解析了流场的稳态、周期和随机分量，成功构建了流场结构化模型，并通过仿真验证了模型的有效性，初步解决了非直通甲板舰船空气流场结构化建模问题，得出了较为实用的结构化模型，有望为舰载直升机起降安全研究提供重要支撑，大幅减少机-舰动态配合试验的工作量，使机-舰组合风限图的制定更加高效，并为机-舰动态配合实时仿真奠定基础。     

基于电子地图的港口舰船目标变化检测

文章利用电子地图进行配准、提取海岸轮廓线并对其等间距采样,从中提取关键拐角点,并根据条件确定潜在的舰船停靠区域对其规则化。再将不同时相候选区的分割结果进行差分运算,然后将其沿水平垂直方向投影,找到超过平均投影能量的最大区间,判定舰船变化区间。该算法可以避免大范围的无用搜索,提高检测识别算法的效率。     

基于注意力YOLO-V3的合成孔径雷达舰船检测识别一体化方法

传统的合成孔径雷达舰船检测识别需要分两步实现，检测识别精度和效率难以满足实际应用需求。本文结合注意力机制和YOLO-V3网络提出了注意力YOLO-V3网络实现合成孔径雷达舰船检测识别一体化。同时，利用公开的AIR-SARShip-1.0数据集和OpenSARShip数据集构建了大场景舰船检测识别数据集，用于验证目标检测识别性能。实验结果表明，本文提出的注意力YOLO-V3网络可以获得较高的检测识别精度，证明了本文方法的有效性。     

舰载雷达鉴定试验数据处理关键问题分析

舰载雷达鉴定试验是雷达试验的重要部分.为了对雷达的性能作出置信度高的评判,数据处理是关键.只有因素考虑全面、模型建立正确,才能获得高精度的真值数据,进而实现对雷达的可靠评判.分析了数据处理的流程和关键环节,针对空间变换、舰体运动参数补偿、时间校准3个关键问题进行建模,并用实例计算结果验证了模型的可行性和有效性.     

大型舰船受潜艇鱼雷攻击威胁扇面分析

根据潜艇鱼雷攻击海上活动目标的特点，在建立潜艇鱼雷攻击阵位计算模型的基础上，结合潜艇鱼雷性能，计算给出了航渡过程中大型舰船受潜艇鱼雷攻击的威胁扇面，为航渡过程中编队指挥员如何优化近程反潜兵力的配置提供了依据。     

基于注意力机制特征重建网络的舰船目标检测

深度学习为遥感领域诸多应用提供了重要的技术支撑,光学遥感图像的舰船目标检测对国防侦察和预警具有重要意义。真实场景中的舰船往往呈不同方向任意排列,且小目标的占比大,经典的深度学习目标检测算法在这种复杂条件下精度低、易漏检。为此,本文设计了基于注意力机制特征重建网络的舰船目标检测算法。首先,通过引入注意力机制对多尺度特征融合网络模型进行训练,以高召回率产生水平锚框;然后,旋转锚框以缓解密集排列目标引起的噪声问题,并利用特征重建模块来缓解特征不对齐的问题,实现模型精炼。在HRSC2016和DOTA数据集上的测试结果表明:舰船目标检测平均精度分别达到90.20和87.52,相比经典的深度学习目标检测算法得到了有效提升,并在模拟星载嵌入式智能图像处理平台上验证了算法在轨应用的可行性。