战争条件下的经济对抗研究

战争条件下的经济对抗,对战争的取胜具有十分重要的保障和促进作用。探讨了现代战争条件下实施经济对抗所必须研究的经济对抗样式、经济对抗技巧和经济对抗原则,总结了战争条件下经济对抗的＂四种样式＂＂四种原则＂和＂四种策略＂。

基于S-LSSF的小样本滚动轴承故障诊断研究

文中针对滚动轴承故障诊断中滚动轴承故障样本不足的问题,提出基于S-LSSF的滚动轴承故障诊断模型,将Sty-leGan2-ada运用在轴承故障诊断领域。首先利用连续小波变换将时域振动信号转化为时频图像输入StyleGan2-ada生成对应的样本,然后将原始样本和生成样本合并输入改进的ShuffleNetV2模型。在反向传播过程中引入LabelSoomthloss损失函数,降低错误标签对模型诊断性能的影响,进一步抑制过拟合在下采样单元引入LeakyReLU函数解决梯度消失的问题。实验结果表明:S-LSSF模型与原模型相比诊断准确率提高了1.9%,并且平均用时缩短了5 s。与原始样本相比,使用生成样本训练模型后其准确率、精确率、召回率和F1分数分别提高了3.58%、5.71%、6.15%和6.06%,验证了S-LSSF模型在小样本条件下轴承故障诊断的可行性和泛化性。

基于NS-StyleGAN2的鱼类图像扩充方法

图像多分类领域中经常出现类别不平衡问题,这会对分类模型的学习训练产生负面影响。通过对样本数量较少的类别进行扩充可以有效解决类别不平衡问题。生成对抗网络作为近年来新兴的一种神经网络,输入真实图像样本训练可以输出与真实样本非常相似的生成样本。根据此特性,本文结合第二代样式生成对抗网络(StyleGAN2)的设计思想与鱼类图像的特点,设计一种噪声抑制样式生成对抗网络NS-StyleGAN2(Noise-Suppressed Style Generative Adversarial Networks 2)。NS-StyleGN2去除了StyleGAN2合成网络中低分辨率层的噪声输入,从而抑制低分辨率层的噪声权重,使StyleGAN2生成样本细节特征更逼近真实样本特征。采用202张鲢鱼图像进行训练,本文提出的方法在起始分数、弗雷歇起始距离、内核起始距离得分等方面均优于DCGAN、WGAN、StyleGAN2,表明该方法可以有效进行图像扩充。

基于D-S证据理论的电子干扰模式选择

在阐述 D-S 证据理论的基础上,提出一种基于 D-S 理论的电子干扰模式选择方法。给出了具体实例,融合后的结果表明电子干扰设备的干扰能力得到较大提高。

论战役（战斗）中的先敌行动

本文作者根据现代战争特点及不同类型的作战对象等情况，论述了军队在战役(战斗)中先敌行动的方式方法，并在此基础上就俄军建设等问题提出了建议。