深空通信中LTP协议选窗概率优化

为满足深空延迟/容忍网络(DTN)中不同类型不同权重数据差异化传输的需求，提出一种基于自适应遗传算法的选窗概率函数优化方法。该方法以红绿(重要、不重要)数据误码率为适应度函数进行交叉变异与全局优化，使重要数据被大概率选中并以较高的正确率传输，不重要数据不被遗漏并在预期误码率范围内传输。将其应用在DTN网络传输层LTP协议的扩展窗不等差喷泉码编码中，通过与传统遗传算法的仿真结果对比表明自适应遗传的优化算法能降低深空通信中重要数据的误码率和信道总误码率，满足差异性数据传输的要求，减少因误码率高而导致的信息重传，提高数据传输效率，节省信道资源。     

面向空间通信的DTN一体化传输性能约束研究

相比于地面网络，空间通信链路具有较长的延迟、频繁的中断、较高的误码率及上下行链路非对称等特性，互联网成熟的网络技术并不适用，对网络可靠传输性能的保障提出了挑战。不同于空间IP协议体系方案，针对空间通信链路特性，采用多种传输机制兼容的DTN（delay tolerant networking）协议架构。重点针对链路非对称、和信道误码率等特性，研究对保障可靠传输的TCP和LTP两种传输机制的性能制约，并给出LTP（Licklider transport protocol）机制的跨层包尺寸优化模型。基于半实物仿真平台，构建静止轨道GEO以下的空间通信场景，进行真实数据流仿真，分析链路因素对协议传输性能的影响。仿真结果表明，在近地端误码率和信道非对称比例较小的空间通信场景中，仍可以采用TCP机制保障可靠传输，但对于误码率和信道非对称比例较高的通信场景，应考虑采用LTP传输机制保障通信的有效性和可靠性。     

FC-AE-1553网络传输性能评价

为了提高航天航空网络传输性能,提出一种通用的FC-AE-1553网络传输效率计算方法并研制高性能FC-AE-1553节点卡.首先,对FC-AE-1553网络的消息传输过程进行详细分析,分析信息类型,给出传输帧的格式建议,通过分析FC-AE-1553协议中各类消息传输的时间参数,结合FC标准中对通信时间的要求,提出FC-AE-1553网络交换中各种消息类型的通信时间计算公式.然后, 针对无差错传输和有差错传输两种情况,给出了网络传输效率的计算方法.最后,通过仿真分析数据帧净荷长度、节点处理时间、交换中序列数量、传输误码率、丢包率等参数对FC-AE-1553网络传输效率的影响,给出了网络优化设计的建议.依托某航天工程任务,研制了基于XC5VFX100T和MPC8536E的FC-AE-1553节点卡.实验结果表明:丢包对传输效率的影响可忽略;数据帧净荷为2 048 B,数据帧数量为16时,传输效率可达到77.2%.      

基于集成学习的空间科学卫星工作模式识别

针对空间科学卫星遥测参数数据量大且特征维度高、需要消耗大量人力资源预先设置海量阈值、预先设置的阈值可能不再适用、现有监测手段可扩展性低等问题，提出了一种基于集成学习的空间科学卫星工作模式识别方法。该方法采用相关系数统计特性和互信息理论对遥测参数数据进行筛选降维，使用数据重采样技术解决数据集中存在的类别不平衡问题，构建集成学习模型，实现空间科学卫星工作模式的识别。借助某型号科学卫星真实遥测参数数据对该方法进行验证，在短时内便可构建完成算法模型，模型对整体类别的识别正确率高达99.67%，可正确识别多数类样本和少数类样本，为地面运控人员判断空间科学卫星工作模式提供了决策依据。     

基于PF_RING的多核视频流高性能传输模型

在视频流高性能传输任务中，视频流量的传输问题已成为一个研究的热点。为此，提出了一种基于PF_RING技术的模型。通过使用PF_RING+TNAPI技术，并结合内存路由表、多核、多队列多线程等相关技术确保视频流的高性能传输。同时为了保证不同网域间共享视频数据的安全传输，提出了一种面向视频控制信令双向物理通道、视频流单向物理通道的视频传输模型。实验结果表明:所提方法在有效吞吐量、CPU使用率和平均误码率方面均取得了10%以上的提升。因此，所提方法通过采用PF_RING+TNAPI技术，同时结合视频传输模型，确保了共享视频数据传输的安全性和高效性。      

基于循环神经网络的SPMA协议信道状态智能检测改进算法

为实现对时敏目标的快速探测、定位和打击,战术瞄准网络技术(TTNT)对战术信息接入信道、交互传输的实时性、可靠性提出高要求。TTNT采用基于统计优先的多址接入(SPMA)协议,通过周期性计算统计平均的思想,估计当前信道状态,控制战术信息接入信道的时机。该思想仅适用于流量相对平稳的情况,在流量非平稳时会导致较大的信道状态检测误差。针对此问题,引入流量预测技术,提出基于循环神经网络的SPMA协议信道状态智能检测改进算法。利用循环神经网络的学习特点学习历史流量数据的隐含特征,构建流量预测器对瞬时时刻的流量脉冲到达数进行实时预测,从而准确获取当前信道状态。实验结果表明：所提算法对信道状态的检测结果更接近真实值,显著降低了信道忙闲状态的误判率。     

基于Faster R-CNN的精密零部件的识别方法

在航空航天领域中，惯性陀螺等精密器件装配精度要求较高，目前大多采用人工装配的方法，装配效率低、装配过程受人主观影响大。针对上述存在的问题，采用基于Faster R-CNN模型的目标识别算法，通过VGG16特征提取网络提取特征信息，在模型训练过程中利用COCO数据集的深度网络模型进行迁移训练，防止模型过拟合并加速参数的训练过程。同时，该方法还与其他深度学习模型以及传统的目标识别算法进行了对比，在自建的数据模型测试集上进行试验。结果表明，基于VGG16的Faster R-CNN目标识别模型在复杂环境及物体发生遮挡的情况下对于惯性陀螺的识别具有明显的优势，准确率可达到87.80%，召回率80.30%，识别速度可达到15FPS，能够满足实时性要求。     

一种WSN虚拟多路径可靠路由协议

针对无线传感器网络中的数据传输不可靠问题,提出虚拟多路径路由协议,该协议将路由优化和数据传输结合在一起,按需建立可行路径集合,在数据传输的过程中实时采集分组的累计传输次数,通过对累计传输次数均值的区间估计,评估各路径的质量,识别并淘汰质量显著低的路径,根据网络实时链路质量动态的进行路由优化.在NS2平台上进行仿真,结果表明该协议能够适应带宽资源紧缺、链路不可靠且动态变化的无线传感器网络,在能量效率、分组递交率方面优于典型的路由优化和使用相分离的协议AODV_ETX.     

基于多标签协同学习的跨域行人重识别

跨域是行人重识别的重要应用场景，但是源域与目标域行人图像在光照条件、拍摄视角、成像背景与风格等方面的表观特征差异性是导致行人重识别模型泛化能力下降的关键因素。针对该问题，提出了基于多标签协同学习的跨域行人重识别方法。利用语义解析模型构造了基于语义对齐的多标签数据表示，以引导构建更关注行人前景区域的局部特征，达到语义对齐的目的，减少背景对跨域重识别的影响。基于行人图像全局特征和语义对齐后的行人局部特征，利用协同学习平均模型生成行人重识别模型的多标签表示，减少跨域场景下噪声硬标签的干扰。利用协同学习网络框架联合多标签的语义对齐模型，提高行人重识别模型的识别能力。实验结果表明:在Market-1501→ DukeMTMC-reID、DukeMTMC-reID→Market-1501、Market-1501→MSMT17、DukeMTMC-reID→MSMT17跨域行人重识别数据集上，与NRMT方法相比，平均精度均值分别提高了8.3%、8.9%、7.6%、7.9%，多标签协同学习方法具有显著的优越性。      

横向联邦学习环境基于身份认证及密钥协商协议

近年来，联邦学习受到多个领域的广泛关注，而认证及会话密钥协商是保证通信实体之间安全传输、可靠通信的关键技术和基本的安全保障。根据横向联邦学习参与方数据特征，提出一种基于身份的无证书轻量级认证及密钥协商协议；参与方在密钥生成中心（KGC）完成注册后，利用公共参数计算各自的临时密钥和长期密钥完成认证、计算会话密钥；最后，采用扩展的CK(eCK)模型对所提协议进行安全性证明。性能分析表明：所提协议在计算性能和通信开销方面可以有效地控制成本，适用于单服务器下横向联邦学习的训练环境。     

气象卫星HRPT系统的误码率测量

本文扼要介绍了数传系统误码率测量的基本原理和方法。并以气象卫星HRPT(高分辨率图象传输)系统的误码率测量为例,提出了以可编程存贮器组成本地数据序列产生器,使误码率测量逐步趋向通用化。     

多机械臂的分布式自适应迭代学习控制

针对拓扑结构为无向连通的多机械臂系统,提出了一种自适应与迭代学习相结合的分布式控制协议来实现整个系统对给定期望参考轨迹的一致性跟踪.通过引入一个适当的自适应迭代学习参数,所提自适应迭代学习控制协议能够克服机械臂系统中的干扰和模型不确定性,并且每个机械臂的自适应迭代学习控制(AILC)律仅需要利用其与邻居机械臂的相对交互信息.进一步,在只有一部分机械臂具有期望参考轨迹信息的前提下,该控制协议可以实现整个系统对期望参考轨迹的跟踪,同时能够保证轨迹跟踪误差与控制输入的有界性.此外,利用李亚普诺夫分析方法证实了所得结论的正确性,并且通过一个实例验证了所提自适应迭代学习控制协议的有效性.      

一种新的联想记忆系统及其学习收敛性

提出了一种新的联想记忆系统--基于牛顿前向插公式的联想记忆系统(NFI AMS),用以实现在任意阶多变量多项式函数的高精度逼近,设计了相应的学习方法,并证明了在通常情况下对于任意多变量连续函数,NFI-AMS的学习总是以任意精度收敛的.该系统较之传统的CMAC类型的AMS,具有所需供学习的样本点较少,学习精度高和存储单元空间较小的优点,且比多层BP网络具有学习算法简单和收敛速度快的特点,可望在智能控制与信号处理,模式识别中得到应用.     

可变编码调制在遥感卫星中的应用效能研究

随着遥感卫星观测数据量的日益增加，卫星数据传输能力已成为制约遥感卫星使用效能的瓶颈因素。为充分利用近地遥感卫星数据传输的链路资源，采用可变编码调制（VCM）技术，通过对星地数传信道条件的动态评估，在保证链路传输误码率和链路余量的前提下，自适应地进行当前信道条件下的最优编码调制方式切换，充分利用系统链路余量，提高卫星星地数据传输效能。利用该方法，对VCM数传链路效能进行仿真分析，与相同符号速率的固定编码调制（CCM）体制相比，VCM传输效能平均提升42.1%，可为遥感卫星的数传通道设计提供借鉴。     

基于调制卷积神经网络的空地数据链信道估计

针对复杂环境下空地数据链正交频分复用(OFDM)系统信道估计精度不足的问题,提出了一种基于调制卷积神经网络(MCNN)和双向长短时记忆网络(BiLSTM)结合的信道估计算法。利用最小二乘算法(LS)提取初始信道状态信息(CSI);利用MCNN网络提取初始CSI的深度特征,并对网络模型进行压缩;利用BiLSTM网络对最终CSI进行预测,实现信道估计。利用构建的空地信道模型生成信道系数数据集,实现神经网络模型的训练与测试。仿真结果表明:与传统算法和现有深度学习方法相比,所提出的信道估计算法具有更小的估计误差,高信噪比条件下的系统误码率(BER)性能提升接近一个数量级;由于引入了调制滤波器技术,随着神经网络层数增加,网络模型参数量大幅减少。