串联战斗部不同介质组合的隔爆能力

为了有效提升串联切割战斗部隔爆结构衰减爆炸冲击波的性能,解决前级聚能装药结构与后级随进弹的匹配及隔爆问题,在前级切割器和后级随进弹之间加装隔爆结构,使用有限元分析软件ANSYS/LS-DYNA建立模型,进行不同组合结构隔爆性能的数值模拟,比较隔爆能力。模拟结果表明:前级装药起爆后,爆炸冲击波首先向后级随进弹头靠里区域汇聚,而不是向弹头尖端区域汇聚,因此可以适当减薄外层金属隔爆介质头部尖端区域;将外层金属由硬质钢改成铝时,后端壳体应力峰值的变化很小,故确定外层金属介质为铝;铝-聚脲的隔爆能力优于铝-泡沫铝结构,最终确定"软"隔爆介质为聚脲。通过调整铝和聚脲层的厚度,确定了最佳隔爆参数,能够满足实际应用。

瞄准实战化需要推进基础实验教学中心建设

针对实战化教学训练改革需要,提出了"向培养学员能力聚焦、向部队应用实际贴近"的基础实验教学中心建设指导思想,在分析了当前基础实验教学存在的贯彻落实先进实验教学理念还不够深入,实验教学内容体系还不够完善,实验教学方式与方法有些陈旧或僵化,实验教学队伍能力素质还不适应改革发展需要,以及实验教学与创新实践成果不够显著等主要问题的基础上,联系实际探讨了突出课程建设、方法改革、队伍培养3个重点,加强软件建设;增强开放管理、创新竞赛、拔尖人才3个意识,注重学员个性化培养;紧盯动手实践、自主实验、创新自信3个关键词,建立特色文化品牌;把握夯实基础、有所作为、质量核心3个原则,坚持走内涵发展之路。

大学物理实验供给侧改革探索与实践

将供给侧改革这一方法论应用于大学物理实验课程教学改革,从培养学生学习能力和创新能力入手,系统分析了大学物理实验课程在实验项目、教学内容、教学方法和教学能力等多方面存在的供给侧问题,提出了4点对策,并结合课程改革进行了创新课程标准、新编《大学物理实验》教材、创新课堂教学模式、培养"双师型"教学队伍、开展创新实践活动五方面实践。

基于环形切割串联战斗部隔爆结构的优化设计

为了有效提升隔爆结构衰减爆炸冲击波的性能,解决前级聚能装药结构与后级随进弹的匹配以及隔爆问题,在后级弹头部壳体表面加装隔爆结构,使用有限元分析软件ANSYS/LS-DYNA建立模型,并分别进行了隔爆材料为钢、钢-聚氨酯、钢-铝-聚氨酯、钢-聚脲-聚氨酯-铝和钢-聚脲-铝五种隔爆方式的数值模拟,比较其隔爆能力。数值模拟结果表明:钢板-铝-聚氨酯和钢-聚氨酯复合结构具有较好的吸能性能,适合用做前后级隔爆材料。

基于多尺度自适应显著区域检测的舰船三维重建外点消除

针对海杂波影响下对海拍摄舰船图像,在三维重建过程中存在的大量冗余外点的问题,给出了一种多尺度自适应显著区域检测方法提取舰船区域,滤除海面信息,以消除密集点云中的外点.该方法利用大尺度因子高斯滤波,定位出舰船的大体轮廓,利用图像亮度分量显著图开方值提取舰船水面倒影,利用基于目标尺度的自适应高斯滤波提取舰船精细轮廓,从而得出较精确的舰船区域检测结果,可有效消除三维重建过程中外点的影响.

深度学习在信息推荐系统的应用综述

信息推荐是电子商务等信息系统中最重要的技术之一,深度学习是目前最热门的机器学习算法,研究人员对如何利用深度学习完善信息推荐技术开展了大量工作,但是相应的研究总结较少.文中对深度学习在信息推荐领域的相关研究进行全面回顾,首先阐述了信息推荐的内涵及其存在的主要问题,然后详细介绍国内外学者通过深度学习解决上述问题的方法和策略,最后指出深度学习在信息推荐领域下一步的研究重点.本文的梳理对理清深度学习应用脉络,为后续研究提供参考和未来推荐个性化信息服务的发展具有一定意义.

环形双锥罩聚能装药结构优化设计

在环形聚能装药结构中,单锥罩结构形成的射流中间有堆积现象,断裂前射流拉伸长度有限,而双锥罩射流兼顾了上锥小锥角形成高头部速度,下锥大锥角增大射流有效质量的优点,形成的射流更加细长,头部速度高且不易断裂。基于环形切割聚能装药战斗部,综合考虑上锥角大小、上锥罩占药型罩高的比例、药型罩的高度以及药型罩壁厚对射流侵彻能力的影响,并基于灰关联理论对双锥罩环形聚能装药的优化提供依据,通过数值仿真,研究表明:上下锥角对射流成型影响最大,通过比较,当上锥罩为34°、上锥占罩高比例为40%、药型罩高度为70mm、药型罩壁厚为5mm时,形成的射流头部速度高,且在空气中能够稳定飞行。相比单锥罩结构,双锥罩射流细长,在空气中飞行时间长,对靶板的侵深大于单锥罩射流。

随机受限玻尔兹曼机组设计

为提高受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)数据学习能力和抑制训练的特征同质化问题,提出一种随机受限玻尔兹曼机组(Random-RBM Group,R-RBMG)设计.对观测数据进行随机维度组合,在随机维度组合的基础上构建子RBM群组并实施训练,随后依据神经网络的层数选择模型特征组合方式,针对浅层结构设置为均值组合方式,针对深层模型设置为隐单元叠加方式.理论分析表明,随着组内模型数目的增加,R-RBMG所要学习的训练目标将逐渐接近于标准RBM的训练目标,并且能够有效减少特征同质化带来的影响;实验结果表明,与衰落机制相比,R-RBMG能够有效提高RBM的特征学习能力,应用所组建的浅层结构和深层结构特征,将MNIST(Mixed National Institute of Standards and Technology)数据库实验的分类准确率分别提高了2%和0.4%.