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。     

液体火箭发动机智能故障诊断的研究现状

综述了液体火箭发动机的故障模式，总结了液体火箭发动机故障诊断技术的最新成果，包括基于物理模型、信号分析和人工智能的故障诊断方法；将不同故障诊断方法的应用进展及其诊断效果进行了对比分析；并对液体火箭发动机故障诊断方法的发展趋势进行了展望。     

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。     

基于显著图数据增强的飞行器识别与检测算法

数据增强技术能够有效解决民用航空等领域机器学习模型训练数据严重不足的问题，对于提升智能模型的性能至关重要。为此，针对航空领域飞行器识别和检测的典型应用场景，本文提出基于显著图的数据增强方法，在不同种类的飞行器数据集上分别进行分类和检测试验。试验结果表明，在飞行器目标检测数据集上，利用本文提出的数据增强方法可以提升飞行器目标检测精度。     

基于Transformer架构的GPT系列模型训练技术分析

自人工智能诞生以来，经过了多次演化和迭代，已成为推动全球经济和产业变革的重要力量。大型语言模型GPT的发布，让越来越多的人对生成式人工智能有了全新的认知，由此引发了国内外的高度关注。基于Transformer架构的GPT系列模型从1到4，为下游各种类型的NLP任务提供了非常优秀的词向量模型，在此基础上必将落地更多有趣的AI应用。本文阐述了GPT的发展历程，分析了GPT-4多模态架构的训练技术，指出了其存在的局限性。     

航空领域机器学习技术应用体系研究

通过分析航空领域机器学习技术应用现状和需求和基于大数据、云计算等新一代信息技术应用，提出航空领域机器学习技术应用体系，包括：组织机构、技术方法、业务流程、标准体系、平台工具等内容，并结合航空百科知识建设项目验证该体系的有效性，为机器学习技术在航空领域的系统性、规范化应用提供参考。     

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。