Unmanned Systems & Strategic Futures at the Naval War College
海军战争学院仍然是美国海军最杰出的战略思想家的中心。本月晚些时候，来自军事、学术界和政策界的各路专家将齐聚纽波特，参加海上战略研讨会。部分演讲者将重点讨论无人驾驶车辆对海军战略产生的影响。来自海军研究生院的退役海军上校 Jeff Kline 将讨论他的论文《机器人时代对海军部队结构规划的影响》。Kline 上校的论文强调了进攻性“有效载荷优先于平台”的重要性，以克服增强未来部队结构的障碍。用他的话来说，“这种重点”首先特别适用于电磁和网络领域。使用雷达反射器或线性调频干扰的廉价一次性无人机可能比 F-18 咆哮者更适合作为电磁“包裹”的投放平台。在进攻中，开发针对对手的“杀伤链左侧”效果并不需
Mitigating Cosite Interference in UAVs
作者：Doug King dking(at)polezero.com军用无线电必须能够在严重的同址干扰环境中工作（图 1.1 定义了同址干扰）。同址干扰是许多 RF 和微波通信平台面临的问题；包括无人系统。军用无线电通常在其他无线电附近运行，从而产生同址干扰。以下文章解释了军用无线电在靠近其他干扰源处运行的相关问题，以及如何在实时应用中使用可调滤波器。最后，总结了 MPG-Pole/Zero 在减轻同址干扰方面取得的最新进展。军用无线电在靠近其他干扰源处运行的相关问题：多个发射器与天线紧密耦合，形成一种称为反向互调的条件，其特征是能量从一个发射器耦合到另一个发射器的天线，同时产生反向和正向能量
Numerical Analysis of Weak Acoustic Shocks in Aperiodic Array of Rigid Scatterers
摘要：冲击波通过周期性结构的非线性传播有可能表现出有趣的现象。位于周期性结构带隙内的冲击的频率内容被强烈衰减，但非线性频率-频率相互作用将能量泵回这些频带。为了研究这些传播现象的相对重要性，使用 Khokhlov-Zabolotskaya-Kuznetsov (KZK) 方程进行了数值实验。通过迭代地使用一个波导的输出作为下一个波导的输入来执行通过矩形波导的周期性阵列的二维传播。比较了线性和非线性情况下初始冲击波的演化。
摘要：神经网络（NN）擅长解决监督学习领域的一些复杂的非线性问题。这些网络的一个突出应用是图像分类。过去几十年的大量改进提高了这些图像分类器的能力。然而，神经网络仍然是解决图像分类和其他复杂任务的黑匣子。进行的许多实验研究了神经网络如何解决这些复杂的问题。本文拆解了特定材料分类器的神经网络解决方案，结合了卷积层。使用多种技术来研究该问题的解决方案。这些技术专门关注哪些像素对神经网络做出的决策有贡献，以及每个神经元对决策的贡献。本次调查的目的是了解神经网络的决策过程，并利用这些知识对材料分类算法提出改进建议。
摘要：神经网络（NN）擅长解决监督学习领域的一些复杂的非线性问题。这些网络的一个突出应用是图像分类。过去几十年的大量改进提高了这些图像分类器的能力。然而，神经网络仍然是解决图像分类和其他复杂任务的黑匣子。进行的许多实验研究了神经网络如何解决这些复杂的问题。本文拆解了特定材料分类器的神经网络解决方案，结合了卷积层。使用多种技术来研究该问题的解决方案。这些技术专门关注哪些像素对神经网络做出的决策有贡献，以及每个神经元对决策的贡献。本次调查的目的是了解神经网络的决策过程，并利用这些知识对材料分类算法提出改进建议。
摘要：新研制的钝感高爆化合物3-硝基-1,2,4-三唑-5-酮（NTO）由于其高水溶性和低土壤亲和性，在环境中具有移动性。 NTO 的弱酸性 (pKa 3.67) 对高效液相色谱法的环境分析提出了挑战，但可以通过离子色谱法 (IC) 直接分离。我们开发了一种在天然水、土壤和爆炸后残留物中检测 NTO 的 IC 方法。氢氧化钾梯度分离可在 18 分钟内有效分离无机阴离子（F−、Cl−、NO2−、Br−、SO42−、NO3− 和 PO43−）和 NTO。水性 NTO 的抑制电导率在 10 µg/L 至 10 mg/L 范围内呈线性，检测限为 3 µg/L，定量限为 9 µg/L。添加 NTO 的天
The Quantum Superposition Theorem: A Mathematical Approach
在我之前的文章中，我主要写了关于量子叠加的理论方面。量子叠加是主要的基石理论之一，它为量子物理学提供了奇特之处，并帮助我们解决量子隧穿等关键问题。在我的上一篇文章中，我写了关于正交定理的内容，这是理解量子叠加背后的数学的必要先决条件。除此之外，还需要具备概率知识的初步微积分知识才能理解下面的文字，因为它可能看起来并不像你在纪录片中看到的那样花哨，相反，如果你理解了文字，那么它会更迷人，并支持这一说法：“事实比小说更奇怪”。所以，事不宜迟，让我们深入研究它……为了制定叠加原理，首先我们必须考虑一些潜在的 V(x)，并且对于这个潜在的薛定谔方程已经得到解决。这产生了许多波函数 𝜓ᵢ(x) 及其对应
Time series prediction with FNN-LSTM
在最近的一篇文章中，我们展示了如何使用由假最近邻 (FNN) 损失正则化的 LSTM 自动编码器来重建非线性混沌动态系统的吸引子。在这里，我们探讨了同样的技术如何帮助进行预测。与容量相当的“原始 LSTM”相比，FNN-LSTM 可以提高一组非常不同的真实世界数据集的性能，尤其是对于多步预测中的初始步骤。
PUBLICATION NOTICE: A Generalized Approach for Modeling Creep of Snow Foundations
摘要：当施加外部载荷时，雪将继续及时变形或蠕变，直到载荷被移除。当使用雪作为基础材料时，必须考虑雪力学的时间依赖性，以了解其长期结构性能。在这项工作中，我们开发了一种预测雪蠕变行为的通用方法。这种新方法涵盖了初级（非线性）蠕变状态和次级（线性）蠕变状态。我们的方法基于单轴流变 Burgers 模型并扩展到三个维度。我们使用根据实验雪蠕变数据计算的密度和温度相关常数对模型进行参数化。导出了多轴雪蠕变模型的有限元实现，并讨论了将其包含在 ABAQUS 用户材料模型中。我们根据我们的分析雪蠕变模型验证了用户材料模型，并根据其他实验数据集验证了我们的模型。结果表明，该模型捕捉了雪在不同时间尺度、温
Deep attractors: Where deep learning meets chaos
在非线性动力学中，当状态空间被认为是多维的，但我们所拥有的数据只是一个单变量时间序列时，人们可能会尝试通过延迟坐标嵌入重建真实空间。然而，先验地不清楚如何选择重建空间的维数和时间滞后。在这篇文章中，我们展示了如何使用自动编码器架构来解决这个问题：只需给出一系列标量的观察结果，自动编码器就会直接学习以足够的维数来表示混沌系统的吸引子。
摘要：空间极值科学和模型正则化的最新进展被应用于开发康涅狄格河流域上游雪水当量 (SWE) 区域极值数据。基于区域的 SWE 超标概率估计的开发与冷季概率洪水灾害分析 (PFHA) 相关。本案例研究中介绍的方法适用于与 PFHA 相关的其他水文气象变量。方法论符合极值理论（EVT）对空间极值的分析；因此，外推有坚实的理论基础。趋势面的开发以 EVT 理论和正则化一般线性模型的最新进展为指导。 R（一种用于统计计算和图形的免费软件环境）和 QGIS（一种免费开源地理信息系统）是用于产品开发和交付的主要工具。项目执行期间主要使用以下 R 软件包：evd、Glmnet、maps、raster、rgd
摘要：浅层声反射（线性调频）数据已被用来绘制各种水环境中底层地层的高程。河流地区特别令人担忧的是近地表下伏岩石的抬高，如果在沉积地床形态正常迁移过程中暴露，可能会导致在低水位期间通过该地区的船只搁浅和损坏。考虑到岩石暴露的短暂性，当岩石被一层薄薄的沉积物覆盖时，传统的测量方法不足以绘制岩石地图，从而增加了潜在的危险。因此，美国陆军工程兵团圣路易斯地区 (MVS) 探索使用线性调频海底勘测来识别密西西比河内密西西比州开普吉拉多和伊利诺伊州底比斯附近的埋藏岩石。生成了显示埋藏岩石分布的危险地图，并在可能的情况下确定了移动沉积物层的底部。这些数据将使 MVS 能够在低水位期间准确识别潜在危险区域。尽
PUBLICATION NOTIFICATION: Coincidence Processing of Photon-Sensitive Mapping Lidar Data
链接：http://dx.doi.org/10.21079/11681/35599 报告编号：ERDC/GRL TR-20-1标题：光子敏感测绘激光雷达数据的重合处理 作者：Christian Marchant、Ryan Kirkpatrick 和 David Ober 已批准公开发布；分发不受限制 2020 年 2 月摘要：光子敏感测绘激光雷达系统能够以比线性模式系统更大的收集面积率和范围进行成像。然而，由于散粒噪声、图像模糊和暗电流，这些系统也会遇到更大的噪声水平，在利用图像之前必须将其滤除。本报告描述的是来自概念性机载盖革模式激光雷达的图像的综合测试数据集。还描述了 Bridge Sig
Grant Sanderson: 3Blue1Brown and the Beauty of Mathematics
Grant Sanderson 是一位数学教育家，也是 3Blue1Brown 的创建者，这是一个流行的 YouTube 频道，使用编程动画可视化来解释线性代数、微积分和其他数学领域的概念。此对话是人工智能播客的一部分。如果您想了解有关此播客的更多信息，请访问 https://lexfridman.com/ai 或在 Twitter、LinkedIn、Facebook、Medium 或 YouTube 上与 @lexfridman 联系，您可以在其中观看这些对话的视频版本。如果您喜欢播客，请在 Apple Podcasts 上给它 5 星评分，在 Spotify 上关注它，或在 Patreon
Loss Function with Cross Entropy made simple
我在 Google 的 Udacity 深度学习课程上找到了这个。 我将详细说明这些笔记，以帮助您更好地理解这个概念。 符号：D（S，L）是交叉熵L是用于训练的标签S（Y）是多项逻辑分类的每个类的概率的 softmax 输出。 为什么叫多项逻辑分类？ 让我们看下面的图，有一个输入向量 X，我们用它来训练线性模型，也称为逻辑回归模型 - Wx + b。 这会产生 logit，也就是分数 Y，它进一步输入到 softmax 激活中以获得概率输出。 线性二元分类称为二项式逻辑分类。多项式表示有超过 2 个类（与二项式或二元分类相比）。-------------让我们帮助您理解交叉熵的数学。 它基本上
A Simple Lesson About Money and Models
想象一下，你正在上高中代数课，你面对的是以下两个方程式：两个有 2 个未知数的线性方程。这是一个很容易解决的问题。现在假设你的老师给你以下……继续阅读 →
最近出版的《欧洲纯粹与应用数学杂志》第 10 卷第 1 期以纪念克莱夫·格兰杰的形式出版。您可以在此处找到目录，所有文章都可以免费下载。这期纪念刊由 Jennifer Castle 和 David Hendry 共同编辑。贡献的论文包括与预测、协整、非线性时间序列和模型选择有关的论文。这是一本非常棒的重要调查类型论文集，绝对值得一读！© 2019，David E. Giles
A Permutation Test Regression Example
在上周的一篇文章中，我谈到了排列（随机化）检验，以及它们与我们在计量经济学中通常使用的（经典参数）检验程序有何不同。我假设您已经阅读了该文章。（可能在某个时候会有一次小测验！）我承诺会提供一个基于回归的示例。毕竟，我在上一篇文章中介绍的两个示例旨在揭示排列/随机化检验的基本原理。它们确实没有太多“计量经济学内容”。在下文中，我将交替使用术语“排列检验”和“随机化检验”。我们在这里要做的是查看一个简单的回归模型，看看我们如何使用随机化检验来查看回归变量 x 和因变量 y 之间是否存在线性关系。请注意，我说的是“简单回归”模型。这意味着只有一个回归量（除了截距）。多元回归模型为置换检验提出了各种各
