在复杂的陆战环境中,图像分类技术是快速区分装甲车辆目标的一种重要手段。针对现有基于卷积神经网络(CNN)的主流分类算法对于训练样本的数量及质量有较高要求,在新装备装甲车辆图像分类任务中精度不足的问题,提出一种集成了两个基于不同学习策略的CNN的迁移学习方法。一个CNN在图像样本较易获取、数量充足的老式装甲车辆图像数据集上进行预训练,学习局部细节特征;另一个CNN在图像质量较低的新装备装甲车辆的虚拟图像数据集上进行预训练,学习全局特征。对预训练好的CNN均利用数量有限的新装备装甲车辆真实样本按照不同策略微调,提升表征能力。设计基于Optuna超参数优化框架的自学习模型集成机制,可对两个CNN的输出进行自主加权优化,进一步提高算法的分类准确率。实验结果表明,与随机初始化训练的同一模型相比,所提方法在新装备装甲车辆图像分类任务中准确率提高7%,有效缓解了训练样本偏少的问题。

为探究敌车方向的多模态告警对不同认知负荷水平下装甲车辆乘员反应的影响,招募20名成年男性开展告警类型和认知负荷水平双因素工效学实验。基于装甲车辆乘员任务虚拟仿真实验平台,面向装甲车辆乘员某一假定作业任务,针对敌车方向对不同认知负荷水平下的乘员进行告警。实验结果表明:相比视觉告警,包含触觉的多模态告警更容易使乘员理解且更符合乘员的认知状态,显著减少了乘员的反应时间、歼敌时间和反应错误率;相比低认知负荷水平,高认知负荷水平下乘员的信息理解能力显著下降,反应时间、歼敌时间和反应错误率显著增加;在视觉通道信息量过载或认知负荷增大时,可采用多模态告警来加快乘员的反应时间,提升作战绩效。该研究可为装甲车辆舱室多模态人机交互告警设计提供理论依据。

混合动力装甲车直流微电网的电能质量与稳定性关系到车内所有用电设备是否能够安全可靠运行。针对混合动力装甲车辆车载微电网在大扰动下母线电压震荡乃至失稳的现象,建立计及恒功率负载与发电机组的车载微电网的大扰动模型;基于混合势函数理论得到车载微电网稳定性判据,解决了现有大扰动分析方法不适应混合动力装甲车辆车载微电网的问题,并分析了微电网重要参数与响应速度及稳定性之间的关系。通过硬件在环仿真及台架试验验证了稳定性判据及分析结果的可靠性。结果表明:在大扰动下,满足该判据的系统能够稳定运行。