透视空天红外遥感探测技术:演进规律与发展趋势

空天红外遥感探测技术对国民经济发展和战略国防能力建设具有重要意义,是推动我国红外科技进步的关键引擎,更是实现航天科技强国战略的重要基石。本文重点展现了气象卫星观测技术、地物目标精细成像技术、红外焦平面探测器技术以及新时代背景下的遥感应用等多个与红外科技紧密相连的关键领域的研究进展。通过系统梳理相关技术的发展脉络,总结演进规律,并深入剖析最新研究成果,旨在精准洞察未来空天红外科技的潜在发展方向,为我国红外科技的不断创新和航天事业的蓬勃发展提供坚实的支撑。     

基于网络信息体系的全域联合指挥与控制技术及未来展望

面向现代战争需求,全域联合作战通过打破传统作战区域限制,能够实现不同军种和作战领域的信息共享、军事力量整合和协同作战,从而提升作战效率、增强指挥灵活性、优化资源配置。全域联合有诸多优势,使基于网络信息体系的全域联合指挥与控制技术成为研究重点。本文系统分析了全域联合指挥与控制的发展历程、技术应用、架构设计和关键技术,同时结合国外的研究现状探讨发展方向,旨在为全域联合指挥与控制技术的发展提供参考。     

Imaginary filtered hindsight experience replay for UAV tracking dynamic targets in large-scale unknown environments

As an advanced combat weapon, Unmanned Aerial Vehicles (UAVs) have been widely used in military wars. In this paper, we formulated the Autonomous Navigation Control (ANC) problem of UAVs as a Markov Decision Process (MDP) and proposed a novel Deep Reinforcement Learning (DRL) method to allow UAVs to perform dynamic target tracking tasks in large-scale unknown environments. To solve the problem of limited training experience, the proposed Imaginary Filtered Hindsight Experience Replay (IFHER) generates successful episodes by reasonably imagining the target trajectory in the failed episode to augment the experiences. The well-designed goal, episode, and quality filtering strategies ensure that only high-quality augmented experiences can be stored, while the sampling filtering strategy of IFHER ensures that these stored augmented experiences can be fully learned according to their high priorities. By training in a complex environment constructed based on the parameters of a real UAV, the proposed IFHER algorithm improves the convergence speed by 28.99% and the convergence result by 11.57% compared to the state-of-the-art Twin Delayed Deep Deterministic Policy Gradient (TD3) algorithm. The testing experiments carried out in environments with different complexities demonstrate the strong robustness and generalization ability of the IFHER agent. Moreover, the flight trajectory of the IFHER agent shows the superiority of the learned policy and the practical application value of the algorithm.     

武器装备智能保障系统建模与效能分析

为实现信息化作战保障条件下的装备保障能力建设和提升，面向装备OODA闭环提出装备智能保障系统，建立基于DoDAF的智能保障系统结构模型，并基于网络分析法对装备智能保障系统和传统装备保障系统的效能进行了对比评估。在总结当前装备效能评估领域国内外研究现状的基础上，以OODA全流程闭环为目标，分析装备保障的现存问题和装备智能保障模式的特点，并构建武器装备智能保障系统模型。通过系统高层概念、能力、任务活动等要素建模，构建武器装备智能保障系统效能模型并基于网络分析法开展效能评估，通过装备训练保障、维修保障、信息支援和行动支持等维度对比了传统装备保障系统与智能保障系统的效能差异，提出智能保障技术的发展建议，为装备保障的智能化发展提供理论参考。     

基于改进SSD算法的航拍目标检测算法研究

研究基于深度学习技术的无人机航拍图像目标检测算法，首先介绍目标检测算法SSD（Single Shot MultiBox Detector），并对其特征提取网络进行改进，采用稠密特征提取网络替换原网络的主干特征提取网络，提高算法的特征提取能力，从而提升了算法的检测精度。针对网络实时性问题，在算法中引入分组卷积，极大地减少了网络参数量，提升了网络推理速度。为解决训练中出现的正负样本不均衡问题，利用焦点损失（Focal Loss）改进了原算法的损失函数，进一步提升了网络的收敛速度和精度。最后，通过仿真验证了改进算法在目标检测精度上的优越性。     

遥感场景分类的批处理协方差神经网络方法

针对卫星遥感图像场景分类数据集中存在的局部区域特征异常问题，提出一种采用批处理协方差层的神经网络(CovNN)模型进行遥感场景分类的方法。该方法通过计算全输入通道的局部区域均值实现一种3D批处理协方差算法，能够有效消除局部区域均值的影响，从而更好地处理局部光照过强和局部区域存在无关特征的问题。将其应用于存在局部光照异常和局部无关特征问题的卫星采集AID数据集和NWPU RESISC45数据集中，实验表明CovNN在两个数据集上均取得了超过现有卷积神经网络(CNN)的召回率，可有效降低图像局部区域特征异常的不利影响。     

基于时空数据模型的障碍物数据集数据查询与应用研究

障碍物数据集是国际民航组织在航空情报管理（AIM）体系下提出的一种基于航空信息交换模型（AIXM）规范的航空情报数据集，该数据集中障碍物的查询将直接影响机场净空评估与飞行程序设计。在分析障碍物数据集的时间与空间属性基础上，利用时空数据模型与航空信息交换模型规范，提出一种基于时间点和空间位置的障碍物数据集查询方法， 用于解决障碍物数据集的查询问题；构建障碍物查询与可视化系统，并通过设计随机实验和实例应用对该方法的可行性和可靠性进行验证。结果表明：该障碍物数据集查询方法能够提取出对机场净空与飞行程序设计有影响的障碍物，增强了飞行程序设计人员对机场障碍物分布的情景意识。