基于引导Minimax-DDQN的无人机空战机动决策

针对无人机(UAV)空战环境信息复杂、对抗性强所导致的敌机机动策略难以预测,以及作战胜率不高的问题,设计了一种引导Minimax-DDQN(Minimax-Double Deep Q-Network)算法。首先,在Minimax决策方法的基础上提出了一种引导式策略探索机制;然后,结合引导Minimax策略,以提升Q网络更新效率为出发点设计了一种DDQN(Double Deep Q-Network)算法;最后,提出进阶式三阶段的网络训练方法,通过不同决策模型间的对抗训练,获取更为优化的决策模型。实验结果表明,相较于Minimax-DQN(Minimax-DQN)、Minimax-DDQN等算法,所提算法追击直线目标的成功率提升了14%～60%,并且与DDQN算法的对抗胜率不低于60%。可见,与DDQN、Minimax-DDQN等算法相比,所提算法在高对抗的作战环境中具有更强的决策能力,适应性更好。     

天然气、液化石油气爆炸后气体产物成分对比

采用气相色谱-质谱联用技术对天然气、液化石油气爆炸后空气中包含的产物成分进行了研究,并通过谱图分析对其特征组分和异同点进行了比较:两者都含有烷烃类、烯烃类物质以及特征离子为129m/z的苯基亚甲基醛类化合物。液化石油气爆炸后的生成产物还包括特征离子为228m/z和252m/z的多环芳烃类化合物。在火灾爆炸事故的原因调查中,该分析结果可以为相关燃气爆炸事故的原因认定提供一定的理论依据。     

烟气在不同材料表面沉积规律的研究

模拟火灾现场易燃液体(汽油)燃烧,在烟气上部放置不同载体材料采样板,提取采样板上的烟尘进行GC/MS成分分析.通过分析各采样板烟尘成分含量的多少确定各载体采样板的吸附能力,从而确定在火灾现场中提取何种材料表面的烟尘使检测结果最佳,有效地指导火灾现场中烟尘物证的提取部位,增强了鉴定的准确性和科学性.     

易燃液体在不同环境下成分变化特征的研究

为判定火灾现场中是否存在液体助燃剂,选择汽油、柴油以及油漆稀释剂等液体助燃物,总结在火灾物证鉴定过程中寻找各助燃剂目标化合物的特征规律。将液体助燃物在一定环境下分别放置不同的时间,使用GC/MS分析检测各助燃剂成分变化。各类易燃液体在经过放置和温度的作用后,低沸点的物质流失,高沸点的物质显露出来,谱图发生明显变化。鉴定过程中要根据样品的提取时间及受温情况等与不同的谱图进行对比,做出准确判断。     

半定量和定量分析测定SBS颗粒抗氧剂含量

运用气相色谱/质谱,以2,6二叔丁基对甲酚的相对峰面积为分析参数,对某仓库火灾涉及的SBS弹性体颗粒中影响火灾危险性的抗氧剂进行半定量和定量分析。通过半定量分析筛查不同位置和不同批次的多个SBS颗粒抗氧剂,找出抗氧剂含量异常的样品,在此基础上进行定量分析。实验结果表明,通过半定量方法筛选出抗氧剂含量异常的2号样品,经定量分析测定其抗氧剂含量仅为0.011%,远远低于正常值0.25%,由此为消防部门认定此起火灾的性质提供了依据。     

液化石油气爆炸后气体成分研究

根据液化石油气的爆炸极限范围选取了3个浓度值进行液化石油气的爆炸实验，采用气相色谱质谱联用技术对爆炸后的气体成分进行分析，得出液化石油气爆炸后气体除含有大量烷烃和烯烃类物质外，还舍有并四苯、苯并（a）蒽、苯并（b）荧蒽、苯并（j）荧蒽、苯并（k）荧蒽和苯并（a）芘的多环芳烃类化合物。分析结果对在相关火灾爆炸事故的救援、勘察过程中工作人员的自身防护，以及事故后的环境监测工作具有一定的指导意义。     

固相微萃取-色/质法鉴定易燃液体放火物

建立了固相微萃取-气相色谱/质谱鉴定常见易燃液体放火物的方法.筛选固相微萃取的条件包括萃取纤维、吸附温度、加热温度、吸附时间和解析时间.文中列出了93#汽油、航空煤油、0#柴油和通用油漆稀释刺诸样品的SPME-GC/MS总离子谱图.该方法简便、灵敏、快捷、准确、抗干扰能力强.     

气相色谱/多级离子阱技术分析汽油烟尘成分

实验探讨气相色谱/质谱联用技术(GC/MS)、气相色谱/选择离子存储技术(GC/μSIS)和气相色谱/质谱/质谱技术(GC/MS/MS)在93#汽油及其烟尘成分分析中的应用.结果显示,GC/MS获得的谱图信息较全,但谱图复杂、干扰较多,对于含量较低的成分信噪比不够好,容易造成误判;GC/μSIS灵敏度较高,适合于鉴定分子量小、分子结构简单的未燃烧汽油成分;GC/MS/MS即使对于复杂样品也可以达到很高的灵敏度,但要求目标成分具有一定的结构稳定性,更适合汽油燃烧后产物的分析.     

不完备信息下基于切换推理证据网络的空中目标识别方法

现有证据推理方法模型结构固定、信息处理方式和推理机制单一，难以适用于集结了不确定、错误甚至缺失等多种不完备信息环境下的目标识别。针对该问题，提出了一种切换推理证据网络（SR-EN）方法。首先，考虑证据节点删除等情况构建多模板网络模型；然后，分析各证据变量与目标类型的条件关联性以建立针对不完备信息的推理规则库；最后，提出基于三种证据输入及修正方式的智能化时空融合推理方法。与传统的证据网络（EN）以及EN与优劣解距离法（TOPSIS）等两种信息修正方法的结合方法相比，SR-EN能够在确保推理时效性的同时实现在多类随机性不完备信息下对空中目标的连续准确识别。实验结果表明，通过对各类不完备信息的有效识别，SR-EN能够实现连续推理过程中证据处理方式、网络结构和节点间融合规则的自适应切换。