基于图像去噪和图像生成的对抗样本检测方法

针对现有对抗样本检测方法存在检测准确率低和训练收敛速度慢等问题,提出一种基于图像去噪技术和图像生成技术实现的对抗样本检测方法.该检测方法将对抗样本检测问题转换为图像分类问题,无须事先得知被攻击模型的结构和参数,仅使用图像的语义信息和分类标签信息即可判定图像是否为对抗样本.首先,采用基于swin-transformer和vision-transformer实现的移动窗口式掩码自编码器去除图像中的对抗性噪声,还原图像的语义信息.然后,使用基于带有梯度惩罚的条件生成式对抗网络实现的图像生成部分根据图像分类标签信息生成图像.最后,将前两阶段输出的图像输入卷积神经网络进行分类,通过对比完成去噪的图像和生成图像的分类结果一致性判定检测图像是否为对抗样本.在MNIST、GTSRB和CIAFAR-10数据集上的实验结果表明,相比于传统检测方法,本文提出的对抗样本检测方法的平均检测准确率提高6%~36%,F1分数提高6%~37%,训练收敛耗时缩减27%~83%,存在一定优势.     

TiCl2-NH3·H2O液体发烟剂红外衰减性能实验

烟幕技术是现代战场效费比最高的光电对抗手段，其干扰效果依赖于烟幕的组成成分。对基于四氯化钛-氨水体系液体发烟剂布设的烟幕的红外衰减性能进行了研究，发现在适宜条件下，烟雾呈中性，同时对3～5μm和8～12μm红外辐射的衰减率可分别达到65％和90％。当靶温在34℃～73℃之间变化时，烟幕对8～12μm红外辐射的衰减率均高于90％，对3～5μm红外辐射的衰减率随靶温升高而降低。     

试论军事对抗系统及其结构

本文将系统理论与军事实践相结合，对作战系统的特生及其在高技术条件下的发展变化，系统结构及结构破坏战在现代战争中的战略地位进行了阐述，对未来作战系统，结构和要素的发展趋势作了有益的探索和预测。     

对抗环境下足球机器人路径规划

在RoboCup中型组足球机器人比赛环境下,实现机器人实时、有效的路径规划是赢得比赛的重要前提.充分考虑到足球机器人比赛中实时性和对抗性的特点,采用具有实时性优势的人工势场法,并综合考虑障碍物、目标点以及机器人之间相对位置和相对速度的关系,提出一种相对威胁系数的概念.该系数能够反映比赛中双方机器人实际对抗的强弱程度.将相对威胁系数应用到传统的人工势场中,形成一种新的改进型人工势场法,较好地解决了对抗环境下机器人路径规划中一些实时性、有效性的问题.仿真实验验证了所提出算法在足球机器人比赛系统中具有可行性.将该算法应用于交龙足球机器人上,在实际比赛中取得了较好的成绩.     

家庭教育中人性对抗的分析--从东西方人本主义人性内涵的角度进行的思考

东西方哲学对人性都有所关注，在家庭教育中源于对人性理解的不同使教育与受教育之间存在众多矛盾与困惑。矛盾与困惑的原因可以从东西方人本主义思想对人性内涵理解所强调的重心、产生不同人性内涵的社会背景进行分析，从而为我们正视现实、思考对策提供理论依据。     

基于Agent的体系对抗仿真建模方法研究

面向信息化战争的武器装备体系对抗仿真，从复杂系统建模的角度对传统系统仿真建模方法提出了严峻挑战。因此，需要以CAS理论为依据，研究新的武器装备体系对抗仿真建模方法，以适应信息化战争模拟的需要。为此，我们在分析体系对抗仿真需求的基础上，从基于Agent的体系对抗仿真建模概念、仿真建模概念框架、仿真建模策略，基于Agent的体系整体“涌现”行为建模等问题入手，探讨了基于Agent的体系对抗仿真建模方法问题，并结合体系对抗仿真实验，研究了基于Agent的实体行为建模、实体交互建模和实体模型结构，提出了基于Agent的体系整体“涌现”行为建模思想和建模规范。     

关于病毒与人类共存的哲学思考

病毒与人类的关系,是寄生与对抗、共存与依赖的关系.以积极进取中的必要妥协策略来对待病毒是人类的理性抉择,由此应在一定程度上改变相应的人类生存观念和生产方式.     

NBA希望之星止步其篮球生涯——耶鲁大学胸主动脉疾病中心教授谈马凡氏综合征

<正>约翰·埃尔弗特里亚德斯:马凡氏综合征,是一种先天性遗传结缔组织疾病,它使得又一位希望之星失去了加盟美国职业篮球联盟(NBA)的机会,或永久地成为一位板凳队员……年轻的艾赛亚·奥斯汀(Isaiah Austin)决定参加今年的NBA赛事,后来,出于安全考虑,他退出了比赛——在5月的NBA希望之星所必需的医学检查中,奥斯汀被检查出患有马凡氏综合征——原本7.1英尺的个头使奥斯汀在篮球场上充满了天赋和希望,然而,这种结缔组织疾病却关闭了这个小伙子的希望     

HLMGAN:分层学习的多奖励文本生成对抗网络

文本生成是自然语言处理的一项重要任务. 针对生成的文本大多缺乏多样性，且当生成文本过长时，文本生成的质量会有明显下降的问题，提出了一种采用Sentences and Words（SW）奖励机制的传递向量文本生成对抗网络. 首先，为生成器提出了层次结构设计，包括传递特征向量训练模块和生成向量训练模块，同时传递判别模型中真实文本特征向量给生成器的传递特征向量训练模块，由此来提高长文本生成的准确率，生成向量训练模块接收其生成词序列；然后，在训练过程中，使用关系存储核心代替传统的长短期记忆循环神经网络模型作为生成器，提高了模型的表达能力和捕获信息的能力；最后，采用SW奖励机制提高文本生成的多样性. 实验结果表明，分层学习的多奖励文本生成对抗网络（Generation Adversarial Network Based on Hierarchical Learning with Multi-reward Text，HLMGAN）模型在合成数据负对数似然度和双语互译质量评估辅助工具指标中均有所提升.