【摘 要】
：
目标分群也称为兵力聚合,源于战场态势评估领域的研究,是态势感知领域的关键研究内容。在智能化战争中,指挥员需要借助目标分群技术快速排除冗余信息,快速形成一致的战场态势图,加深对于当前态势的理解和把握。文章集中分析了目标分群这一重难点问题,给出了目标分群的规则和过程。针对智能化战场的特点,提出一种改进的基于划分的聚类方法,对作战单元进行抽象和划分。最后,设计模拟战场想定
论文部分内容阅读
目标分群也称为兵力聚合,源于战场态势评估领域的研究,是态势感知领域的关键研究内容。在智能化战争中,指挥员需要借助目标分群技术快速排除冗余信息,快速形成一致的战场态势图,加深对于当前态势的理解和把握。文章集中分析了目标分群这一重难点问题,给出了目标分群的规则和过程。针对智能化战场的特点,提出一种改进的基于划分的聚类方法,对作战单元进行抽象和划分。最后,设计模拟战场想定,通过对目标进行聚类分析,将各分散单元归结成簇,有效地降低了战场视图的复杂程度,验证了算法的可行性和有效性,并为态势理解和预测奠定了基础。
其他文献
缺乏体力活动易导致多类慢性疾病的发生,是阻碍公共健康事业发展的重要限制因素。社区体育锻炼设施能够显著提升居民体力活动水平,被广泛认为是重要的健康干预措施。全民健身路径是一种安置在户外,具有公共性、福利性和非经营性的体育设施,能够改善居民肌肉骨骼健康。本文通过探究全民健身路径如何影响人的体力活动,揭示健康城市视角下全民健身路径优化策略。研究以系统性观察法和行为制图为支
Mo-Si-B合金因为具有高熔点、优异的抗蠕变性能以及良好的高温抗氧化性能而被认为有潜力应用于航空发动机叶片用材料。然而,目前广泛研究的由Mo-Mo3Si-Mo5SiB2三相组成的Mo-Si-B合金因为三相中各单相性质的不同而使该合金的室温韧性与高温抗氧化性能之间存在此消彼长的矛盾,难以同时有效提高,这严重限制了Mo-Si-B合金的应用推广。本论文拟通过组织结构的优
在油田注水开发污水中,硫酸盐还原菌(SRB)是引起微生物腐蚀及环境污染的主要原因之一。SRB的存在会导致金属管道及设备的腐蚀,其腐蚀产物硫化亚铁和氢氧化亚铁以及菌体本身会被油污包裹造成管道及地层堵塞,SRB的存在还会造成聚丙烯酰胺等聚合物的降解,影响后续强化采油开发。目前,油田系统中抑制SRB最常用和有效的方法是化学方法,通过在油田回注水中投加SRB抑制剂。该文综述
在大概介绍了人民监督员制度的内涵和特点之后，本文的主体由三个部分组成:人民监督员制度的理论基础、人民监督员制度的现实问题和人民监督员制度的发展和完善。人民监督员制度的理论基础由既相互独立又相互联系的四个方面组成:人民主权、司法民主、司法公正、权力监督。人民主权既是个政治命题又是个法律命题，是整个制度的理论基石;人民主权表现为多个方面，其中，主司法之权亦是其题中应有之意，即司法民主;之所以要求司法民
大力发展生产力是实现共同富裕的根本保障,引导、鼓励和支持再投资是实现共同富裕的有效路径。实现共同富裕的目标不可能毕其功于一役,而是动态、分阶段、先局部后全局、持续实现的过程。习近平总书记在8月17日召开的中央财经委员会第十次会议上发表重要讲话强调,共同富裕是社会主义的本质要求,
分类号：C93单位代码：10422密级：公开学号：201841346犧
葛兰西是意大利共产党的领袖，早期西方马克思主义著名的理论家。因坚持开展反法西斯斗争而被意大利墨索里尼政权囚禁长达十一年，在监狱中葛兰西写就了《狱中札记》，全面阐述了其对意大利乃至整个欧洲无产阶级革命的思考，时至今日，葛兰西的众多理论和思想仍然具有独特的时代价值和当代意义，尤其是葛兰西的文化领导权思想，因其深刻的思考逻辑和分析脉络，对当前中国的文化安全和意识形态建设都具有深远的指导意义。通过分析葛兰
自2021年春节起,河南卫视凭借其节日文化类节目不断出圈。这些节目因独具黄河流域特色的文化因子而作为其符号标出项与所指优势显而易见,引发业界与学界广泛关注。其形式上利用多平台互动与新技术赋能;内容上引入微观叙事与多重视角;传播策略上通过整体呈现完整的一台晚会与个体节目的碎片化传播相结合,共同引爆收视与流量,在融媒体语境下完成了河南黄河文化符号的建构与呈现。
人类颌面部包含了人脸的大部分区域,其骨骼支架形状构成复杂,多块骨骼共同组成了此部位,颌骨(上下颌骨),颧骨以及鼻骨等重要骨骼都被包含在内,它们具有极为复杂的结构特征和功能特征,轻微的病变就有可能引发严重的病症以及复杂的并发症。本研究任务将颌面部骨骼分为颌骨与眼眶周围骨骼,其中颌骨构成了中下面部骨骼的绝大部分,鼻骨、颧骨等眼眶周围骨骼构成了上面部骨骼的大部分。因此,本研究将分别研究颌骨与眼眶周围骨骼
机器人技术在生产和生活等各方面的应用越来越广泛,机器人控制系统的一个主要任务是完成路径规划。路径规划的传统算法在面对高维系统及含有复杂约束系统时,存在着高时间复杂度,易陷入局部最优等一些不足。Q-learning算法是一种典型的强化学习方法,它不需要完备的环境知识;DQN算法是一种结合了强化学习和深度学习的算法,它充分发挥了强化学习的决策优势和深度学习的感知优势。这