面向卫星电源系统的一种新颖异常检测方法

面向卫星电源高维周期性时序遥测数据，提出了一种新颖的代表性特征自编码器（RFAE）模型，并用于无监督的异常检测。RFAE采用改进的堆叠自编码器损失函数和训练算法，从而使模型可以学习到相位相同样本的代表性特征；然后根据代表性特征重构样本，根据重构误差来判断样本是否异常。在试验部分首先通过模拟数据校验了RFAE算法能够有效地检测出高维周期性时序数据的异常，然后又采用某卫星电源系统2014年1~12月真实遥测数据进行试验，RFAE异常检测准确率达到99%，检测效果明显优于目前的其他异常检测算法，具有较高应用价值。     

基于SE-TCN网络模型的太阳电池阵温度异常检测

针对因卫星入境数据延迟,无法快速判断太阳能电池阵温度遥测数据是否发生异常问题,提出一种SE-TCN网络模型。首先借鉴SENet中的通道注意力机制,对时间卷积网络(TCN)进行改进,提高模型的特征提取能力;其次使用SE-TCN做为特征提取网络,训练出网络模型;最后对温度遥测数据做中长期预测(约4轨)。以某在轨卫星实际太阳能电池阵温度遥测数据作为实验数据。结果表明:本文提出的SE-TCN网络模型在评价指标上与传统TCN网络模型相比,平均绝对误差(MAE)降低了7.7%,均方根误差(RMSE)降低了5.2%,相关系数(R)提高了0.4%。当卫星入境时,该检测方法可根据预测值快速判断实时遥测数据是否发生异常。     

一种卷积神经网络非合作目标姿态测量方法

针对空间非合作目标姿态测量问题，提出一种基于卷积神经网络的非合作目标姿态视觉测量方法。该方法先设计特征提取网络并利用公开数据集进行预训练，用少量实际目标图像进行迁移学习，实现非合作目标图像高层抽象特征的自动提取；再设计基于回归模型的姿态映射网络，建立图像高层特征与三轴姿态角之间的非线性关系，实现非合作目标的姿态测量。实验验证了两类特征提取网络测量精度和参数量大小，测量精度可达 0.711° (1σ),表明了“单目相机+卷积神经网络”方法的可行性。     

空间变化场景下卫星部组件域适应识别研究

针对小样本限制下卫星部组件识别域适应困难的问题,提出一种变化场景下自适应迁移的目标识别算法.卫星部组件的识别模型框架为YOLO,迁移算法包括3个策略:基于特征关联性的样本加权策略,基于模型的参数自适应策略和最优特征变换自适应迁移策略.基于以上策略,YOLO模型建立域特征空间的相似性,选择性地迁移源域知识,同时在适应过程...     

遥感场景分类的批处理协方差神经网络方法

针对卫星遥感图像场景分类数据集中存在的局部区域特征异常问题，提出一种采用批处理协方差层的神经网络(CovNN)模型进行遥感场景分类的方法。该方法通过计算全输入通道的局部区域均值实现一种3D批处理协方差算法，能够有效消除局部区域均值的影响，从而更好地处理局部光照过强和局部区域存在无关特征的问题。将其应用于存在局部光照异常和局部无关特征问题的卫星采集AID数据集和NWPU RESISC45数据集中，实验表明CovNN在两个数据集上均取得了超过现有卷积神经网络(CNN)的召回率，可有效降低图像局部区域特征异常的不利影响。     

数据驱动的运载火箭氧涡轮泵异常分析方法

基于模糊聚类和LSTM网络，提出了一种数据驱动的运载火箭发动机氧涡轮泵数据异常分析方法。通过模糊聚类对工况复杂，标签不完整的数据样本进行预分类，得到完整的标签并且分析特征贡献度，为LSTM网络的特征筛选和训练打下基础；通过LSTM网络对氧涡轮泵数据进行预测，并计算预测结果与原始数据之间的平均误差，再根据非参数阈值计算方法计算的阈值判据来判断设备是否异常，最终实现了氧涡轮泵数据驱动的故障检测报警，相较于红线阈值检测方法准确率提升7%。     

凝视视频卫星目标检测算法

为了实现对高分辨率光学遥感视频卫星成像视场范围内的飞机目标进行快速高效检测,提出一种遥感影像快速目标检测方案。文章借鉴深度卷积神经网络模型YOLO系列算法高速检测目标优点,引入端对端式全卷积神经网络构建检目标测算法,通过实验统计和探索光学卫星成像视场范围大小对目标检测准确率和检测速度的影响,结合目标尺度进行网络调优、改进检测模型,得到基于凝视成像视频卫星目标检测的高效算法。运用算法对来自"吉林一号"光学A星及视频3星的影像数据集进行目标检测实验统计,在413张800像素×800像素的静态遥感影像测试集中实现76.2%的平均检测准确率,在同等尺度的遥感视频序列中实现31帧/s的检测速度。该算法成功将深度卷积神经网络技术引入到凝视视频卫星遥感应用领域,有效证明了深度学习技术在遥感视频识别领域的可行性。     

基于深度卷积神经网络的遥感影像目标检测

随着遥感影像数据规模的快速扩张,如何高效准确地识别遥感影像中的典型目标成为当前的研究热点。为解决传统遥感影像目标检测方法准确率低的问题,用基于深度卷积神经网络进行遥感影像目标检测,在遥感影像数据集上用基于Faster-RCNN的神经网络模型对VGG16卷积网络进行训练,对输入的遥感影像通过区域推荐网络标注出待检目标的包围框和置信度,实现对遥感影像的目标检测。以飞机和油罐为例,在TensorFlow深度学习框架下实现了数据预处理、网络训练、目标检测等功能,并在当前测试数据集上取得了较高的检测准确率和置信度。该研究成果可应用于遥感影像解译和处理等相关领域。     

基于最小熵约束的可解释卷积神经网络

导弹武器系统上的光学探测算法要求具备高可靠性,卷积神经网络属于"黑盒"模型,本文提出一种基于最小熵约束的可解释卷积神经网络,为卷积神经网络模型在导弹武器系统上的应用创造条件.该方法通过传统方法(连通域检测、边缘检测等)找到图片中存在可解释特征,通过模型对可解释特征进行评分,聚类,并通过这些特征对原模型训练提供约束,在最终预测的同时,通过评分对模型给出解释.经实验验证,该方法能够在尽量保证模型分类性能的前提下,极大提高模型的可解释性.     

基于长短时神经网络的卫星陀螺仪故障检测

针对卫星陀螺仪故障检测中存在的冗余依赖、微小故障覆盖问题，提出一种基于长短时神经网络(LSTM)的故障检测方法。首先对卫星陀螺仪建模，考虑到卫星姿态控制回路对陀螺仪微小故障覆盖影响，利用半物理仿真平台采集陀螺仪正常与故障数据；然后使用部分正常数据训练LSTM神经网络，使得网络具有预测陀螺仪输出的能力，并将另一部分正常数据输入到训练好的网络模型，得到预测误差，进一步设定故障阈值；最后，将测试数据输入提出的故障检测模型，仿真验证其时效性和准确性。结果表明，在采样频率为10Hz时，对于陀螺仪的卡死、噪声以及偏差故障，基于LSTM神经网络的故障检测模型能在故障发生2s内检测出故障，并达到了98.9%的准确率。     

融合北斗短报文与CCSDS标准的卫星遥测遥控数据系统设计

随着北斗系统全面建成,北斗短报文在我国卫星测控领域的应用逐渐展开。为了充分利用北斗短报文双向通信功能、保密性好、全球覆盖等特性,参考国际空间数据系统咨询委员会（Consultative Committee for Space Data Systems,CCSDS）的可扩展标记语言的遥测遥控信息交换（XTCE）标准,提出了融合北斗短报文与CCSDS标准的卫星遥测遥控数据系统设计方法。首先,分析了CCSSDS XTCE和北斗短报文的应用现状;其次,考虑到北斗短报文的容量限制,设计优化了卫星遥测遥控数据传输格式和内容;再次,针对北斗短报文传输特性,探讨了加密通信方法;最后,为保证遥测遥控数据传输的正确性与可靠性,设计了数据连续识别和丢包补发方法。结果表明,融合北斗短报文与CCSDS标准的卫星遥测遥控数据系统,可以为提高卫星的设计与科学使用提供参考。     

基于回归分析的航天器异常检测方法

针对某在轨航天器电源温控系统典型故障案例,提出基于Pearson相关系数回归分析的航天器多元遥测数据异常检测方法.首先,对相关遥测数据进行特征提取;其次,对正常状态下的遥测数据进行拟合建模,并用该模型检测后续遥测数据;最后,采用基于Pearson相关系数的回归分析方法对实测数据进行仿真分析.结果表明,针对航天器首次发生...     

数据驱动的卫星关键部件剩余寿命预测模型

针对目前基于统计学方法对卫星及其关键部件进行剩余寿命预测时普遍存在的建模困难、预测精度不高等问题,为更快速、更精确地预测在轨运行卫星关键零部件的剩余使用寿命(RUL),选取时序数据特征提取能力较强的门控循环单元(GRU)网络构建RUL预测模型.在模型构建时,除了利用卫星遥测数据之外,还将反映卫星通信质量的统计类数据添加...     

卫星遥测数据实时压缩算法设计与实现

为了满足多星并行遥测数据处理和海量数据高并发分析的性能需求，便于后续进行数据挖掘、智能预警，本文提出并实现了一种卫星遥测数据实时压缩算法。针对遥测数据的特点，提出了遥测自适应分类方法，采用改进型RLE（Run Length Encoding，行程编码）压缩和增量压缩结合的算法，结合数据库技术，实现了遥测数据的压缩。在某型号卫星研制项目中，采用了该算法进行数据压缩，统计分析表明：该算法起到了很好的压缩效果。     

基于点云的空间非合作目标初始相对位姿获取

针对空间非合作目标相对位姿解算对点云迭代最近点(ICP)算法迭代初值要求较高，易产生误匹配等问题，提出了一种基于点云分割与点云关键点的ICP初始迭代位姿获取方法。首先，考虑到非合作目标可能具有的高度对称外观，基于LCCP点云分割算法与点云Harris关键点，在已知目标外轮廓点云基础上，设计了点云ICP初始迭代位姿获取方法。该方法具体流程为：点云降采样处理与关键部分提取、关键部分点云多角度预变换处理、最佳点云匹配及初始迭代位姿获取。最后，以某通信卫星模型搭建虚拟验证平台，使用本文提出的方法给出ICP迭代初始位姿并进行对比实验。结果表明，本文提出的点云ICP迭代初始位姿获取方法可有效规避非合作目标高度对称带来的误匹配，可给出较精确的相对位姿。     

基于通道剪枝的SAR图像舰船检测优化算法

近几年,随着深度学习的发展,基于深度学习的目标检测算法开始应用于合成孔径雷达(SAR)图像中的舰船检测。但深度学习模型结构复杂,参数量与计算量巨大,无法应用到星载处理器的实时处理中。本文提出一种结合了Faster-RCNN和卷积通道剪枝的舰船检测方法,在保证检测精度不受较大影响的情况下,剪除卷积层中的部分参数,提高检测效率。实验表明:经过剪枝优化的Faster-RCNN舰船检测模型中的参数量降低了约56%,而推理时间减少了约51%,同时精度下降仅有1.9%。这给未来在星载处理器上部署舰船检测算法提供了新的思路。     

目标捕获后航天器组合体的角动量转移与抑振规划

针对失稳目标捕获后航天器组合体的位姿调整与稳定问题，提出一种组合体角动量转移与振动抑制复合规划方法。首先建立了同时考虑了空间机械臂、目标卫星太阳翼、服务卫星太阳翼等柔性构件的航天器组合体动力学模型。然后提出角动量转移优化方法，规划机械臂最终构型，保证组合体相对稳定后的角速度最小；基于粒子群算法设计了机械臂最优抑振轨迹规划方法，抑制角动量转移过程中的机械臂和太阳翼的柔性振动。最后通过数值仿真验证了规划方法的有效性。仿真结果表明，该方法能够有效实现组合体的角动量转移，并显著降低组合体的柔性振动，具有工程实用性。     

一种星-箭连接动态界面力的深度学习反演方法

针对于星-箭连接动态界面力无法通过力传感器直接测量,且典型时域动载反演方法难以准确计算界面力的时域变化等难点,提出了基于长短时记忆(LSTM)神经网络的星-箭界面力深度学习反演方法。首先通过卫星地面测试试验得到数据依据,以卫星主体结构的加速度测量数据为输入层,以星-箭界面力测量数据为输出层,利用LSTM神经网络建立输入和输出间的反演映射关系模型,实现卫星在发射过程中较高精度的界面力反演。进而,设计并开展了某典型卫星结构的正弦扫频和随机振动实验,测试LSTM界面力反演方法的可行性。结果分析可知,所提出的基于LSTM深度学习反演方法能够精确地获得动态界面力时程数据,两项性能指标均优于目前典型的载荷反演方法。