网信彩票-网信彩票

影响航母和舰载机发展的因素有哪些？******

　　航母问世已有百余年的历史，二者可以说是一种剑不离鞘、鞘不离剑的关系，既相互依存，又相互促进，成就了当今海上霸主的地位。现在，有10个国家装备22艘航母。在这些航母中，美国和法国装备核动力常规起降航母，其他国家的航母属于滑跃起飞航母，装有滑跃起飞甲板。美法两国的航母和舰载机基本是交替迭代发展的，其他国家基本是根据可获得的舰载机发展航母的。

图为：歼-15舰载机在航母上降落

　　纵观国外航母和舰载机的发展历史，影响航母和舰载机的发展主要因素有这样几个：第一、军事需求；第二，对舰载机及其作战使用的认识，或者说赋予舰载机的使命任务；第三是国家的造船工业能力；第四，国家财力支持的力度。受这些因素的影响，各国航母呈现出大小之分和起降方式的差异。下面我们看美国、苏联、英国战后航母和舰载机的发展。

　　所谓军事需求，首先是国家军事战略需求，要不要发展航母，其次是未来准备打什么仗，潜在作战对手的装备情况等。我们再来看对舰载机及其使用的认识，以美国和苏联为例（俄罗斯几十年来没有发展航母和舰载机，所以这里主要讲的是苏联时期的发展情况），美国海军认为舰载机具备多种作战能力，可重复使用，使用成本相对较低；无论是反舰、空战，还是对陆攻击任务，舰载机都可以承担，经过两次世界大战的洗礼和战后的多场战争的考验，赋予舰载机的作战任务越来越多，因此，舰载机的能力也随之越来越强。

　　而苏联海军则认为，在海战中，反舰导弹比舰载机反应速度更快，使用导弹可以更快地摧毁敌方舰艇，所以在航母上装备了远程反舰导弹，这在航母史上也可称得上独树一帜。因此，苏联海军的舰载机主要用于攻势防空，舰上虽然也配备了苏-24战术轰炸机，但它大概也是在反舰导弹实施第一轮攻击后，补刀用的。在守势防空方面，苏联海军也比较注重导弹的作用，在舰上装备了4座6单元SA-N-9防空导弹垂直发射装置，备弹192枚。

　　因为专注发展核潜艇和导弹，对舰载机没有强烈的军事需求，所以苏联海军也没有在舰载机的研发方面投入很大的精力和财力。苏联早期曾投资研制过雅克垂直短距起降的舰载机，但最终没有结果。因为欠账太多，在苏-27战斗机退役后，只能改装当年在竞争中败给苏-27的米格-29战斗机，以解燃眉之急。

　　我们再看英国，英国原是航母大国，二战结束时，英国还曾保有15艘攻击型航母和36艘护航航母、1300多架舰载机。英国还是第一个喷气式飞机上舰的国家，截至50年代，先后发展了“毒液”“弯刀”等5型固定翼舰载战斗机和1型舰载反潜机。后来，因国防战略的调整，受“导弹制胜论”的影响，开始削减航母，不再发展舰载机。20世纪70年代，英国海军利用“鹞”式飞机，发展了滑跃起飞的轻型航母，同时也为中小国家发展航母开辟了新途径。意大利、西班牙、泰国等国的航母都采取了这种发展模式。

　　国家工业基础的重要性不言而喻，其实目前能够建造、维持大型航母的国家也没有几个。另一方面，虽然建造船体相对简单，但维持舰载机在舰上正常运转、执行作战任务并不容易，需要庞大、复杂的各种系统，以及设备的支持。有人用综合国力来形容航母的发展是非常恰当的。财力支持也是非常重要的因素，现在航母的建造费用越来越高，美国福特级航母的造价已高达140亿美元，一艘航母服役四五十年，这期间每隔几年还要进行维修、大修，全寿期费用高达数百亿美元，如果再加上两代舰载机的采购费、维修保养费等，总费用还要翻倍，所以一般国家根本没有力量研制舰载机和建造、维持航母。

　　作者简介：侯建军，原海军装备研究院某研究所总工程师、研究员，他长期致力于外国海军装备发展研究，著述30余部，获国家科技进步二等奖1项,、军队科技进步二等奖3项，被评为国防科技信息事业50周年优秀工作者。

　　出品：科普中国军事科技前沿

　　作者：侯建军

　　策划：金赫

　　监制：光明网科普事业部

提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟

　　（文图：赵筱尘 巫邓炎）