基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点，借助深度学习在多参数寻优上的优势，提出了一种基于卷积神经网络的模型预测控制算法，满足航天工程低硬件需求，实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态，然后将控制过程中状态量用于3层3核卷积神经网络的训练，训练完成后，用该卷积神经网络代替模型预测对组合航天器进行控制，从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数，相比传统模型预测算法所需硬件计算时间降低约5倍，在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制，控制精度在10 -4 量级。     

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%。     

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。     

一种LSTM模型预测BC值的空间碎片无控再入预报方法

提出一种利用长短周期记忆(LSTM)神经网络模型动态预测无控再入过程中弹道系数(BC)值实现空间碎片高精度再入时刻预报。通过利用空间碎片两行根数(TLE)、简化通用摄动模型(SGP4)与公开的物体陨落时间作为实测数据样本，利用迭代修正BC值方法构建预测模型的训练集，由此构造用于预测BC值的LSTM模型预测BC，再采用高精度轨道外推动力学模型配合预测BC值预报再入时刻，结果表明基于LSTM模型预测BC的空间碎片再入时刻预报方法是可行的，在95%的置信度内，90天以上的再入时刻预报精度小于10%，30天预报精度小于8%。     

飞行器健康度神经网络预测方法

提出了一种飞行器健康状态的智能预测方法,用于飞行器实时控制健康预测,是一种实时在线健康预测算法。该方法改变了传统飞行器事后补救的健康处置方案,采用实时输出飞行器的健康预测值。包括5个模型:飞行器数据模拟模型、基于RNN和LSTM的数据集正样本训练预测模型、基于灰色模型的预测模型、组合预测模型,以及健康度计算模型。     

一种基于组合策略的低轨星座网络流规划方法

低轨星座网络流规划方法是提升大型星座网络性能的关键技术。针对现有低轨星座网络流规划方法手段单一，难以兼顾全局性能优化与卫星自主灵活性等问题，研究提出了一种基于组合策略的低轨星座网络流规划方法，首先根据业务特点对网络流进行分类映射，针对6类映射业务的QoS差异，分别采用集中式、分布式和源端路由等路由控制策略；在此基础上将星座网络流规划问题抽象为求解带宽约束下的多源单汇网络最大流和多源多汇网络最大流问题，分别采用负载均衡路由和多约束QoS路由算法；对基于组合策略和单一策略的星座网络流规划方法进行了仿真分析，结果表明组合策略比集中式的传输时延低约20ms，丢包率低约9%，比分布式的带宽利用率高约42%，可有效提升星座网络性能，能够更好满足不同场景及需求。     

基于CNN和LSTM的航天用涂层型自润滑关节轴承寿命预测及可靠性评估

为探索适用于涂层型自润滑关节轴承的寿命预测和可靠性评估方法,提出一种基于卷积神经网络（CNN）和长短期记忆（LSTM）神经网络的轴承剩余寿命预测模型。首先利用CNN对关节轴承的摩擦扭矩信号进行失效特征提取,然后将通过主成分分析（PCA）和滤波处理后的扭矩信号输入LSTM神经网络中进行训练,得到涂层型自润滑关节轴承寿命预测模型,可实现对轴承剩余寿命的准确预测。最后,基于加速寿命试验数据,采用两参数Weibull分布模型对涂层型自润滑关节轴承的服役可靠性进行评估,结果表明涂层型自润滑关节轴承在轻载低频工况下能够维持在高可靠性水平（90%）下进行长时间稳定服役。     

信息非完备下多航天器轨道博弈强化学习方法

针对信息非完备约束下航天器轨道博弈难以自主决策的问题，基于多智能体强化学习提出一种多航天器轨道博弈决策方法。首先建立轨道博弈动力学和信息非完备约束。其次建立用于训练和决策的神经网络模型，依据分布式系统架构对网络的输入输出结构进行设计，并引入具有记忆功能的长短期记忆网络(LSTM),根据航天器轨道运动在时间、空间连续的属性，补偿位置、速度测量信息的非完备性。然后采用近端策略优化(PPO)算法开展红蓝左右互搏式学习训练。最后通过三组对比训练实验，验证了所提出的方法在信息非完备约束下能够有效增强学习训练过程的稳定性，并提升任务完成率和降低燃料消耗。     

利用混合模型LSTM-DNN进行全球电离层TEC map的中短期预报

近年来,基于深度学习技术的长短期记忆（long short-term memory, LSTM）网络相关预报算法在空间天气的预测方面得到广泛应用,但存在预测误差随时间堆叠的缺陷,因此只能进行有限的短期预测。为解决这一问题,文章将太阳风参数、太阳黑子数、地磁活动水平指数Ap以及磁暴环电流指数Dst作为预报因子加入模型,建立一个基于LSTM和深度神经网络（deep neural networks, DNN）的混合模型来进行全球电离层TEC map的中短期预报。该模型可以明显减小时间递增对预测误差的影响。测试结果表明,相较于单独的LSTM模型,LSTM-DNN混合模型对24 h电离层预报准确率相近,对48 h电离层预报平均相对精度（RA）由79.30%提升到81.18%,对144 h电离层预报平均相对精度由64.97%提升到77.64%。     

基于LSTM-ResNet模型的时变结构损伤检测

面向火箭结构健康监测，提出了一种基于深度学习的损伤检测方法，直接将多个通道的振动数据作为输入，并基于由长短时记忆网络LSTM（Long Short-Term Memory Networks）和残差卷积神经网络ResNet（Residual Convolutional Neural Networks）组合而成的LSTM-ResNet网络进行损伤识别。其优点在于，首先利用LSTM提取信号的时间依赖特征，减轻了由某些通道信号缺失带来的影响，再利用ResNet在不损耗特征的情况下进一步提取空间特征，提高了训练效率和损伤辨识准确性。通过充液圆筒振动放水实验模拟火箭飞行状态下的燃料消耗，并基于自主构建的数据集和公用数据集对LSTM-ResNet、LSTM、ResNet以及ResNet-LSTM网络进行了训练，训练结果表明，LSTM-ResNet组合网络无论在传感器是否存在故障的情况下都具有更好的性能，损伤检测精度更高。     

基于小样本学习的多因素单粒子翻转截面预测

针对空间粒子辐射效应评价中的多因素影响问题,提出了端到端数据驱动方法预测多因素条件下的单粒子翻转截面。首先通过卷积神经网络进行多因素特征提取,接着利用小样本学习匹配网络进行样本间特征融合,最后使用集成学习回归器预测重离子线性能量传输和单粒子翻转截面的关系曲线。在公开文献中提取的2种类型182个样本的小规模数据集上,对该模型进行端到端训练和测试,结果表明:该方法能够有效预测大部分场景下的多因素效应单粒子翻转界面,并能对各因素的重要程度给出量化评价,在国产处理器SM750的案例分析中获得了与重离子辐照实验相当的系统失效率上界。与传统方法相比,这种方法不依赖经验参数,具有更广泛的应用场景。     

一种基于信道估计的自适应均衡算法

在短波多径衰落信道的条件下,码间干扰、信道的严重衰落和快速变化是制约传输可靠性的重要因素。接收机的性能在很大程度上取决于信道估值与信道均衡的性能。但是在训练序列太短或者选用的均衡算法收敛速度太慢时,当训练过程结束,均衡器的权值无法收敛到最佳值。因此先用训练序列进行信道参数的辨识,通过解Wiener-Hopf方程直接将信道参数映射为均衡器的系数,然后复用训练序列用平方根卡尔曼算法对估计的抽头系数进行调整,并在跟踪过程中跟踪信道的变化。仿真结果表明,此算法比传统的自适应均衡算法,特别是在训练序列较短时,性能有明显提高。     

基于深度学习的多步预测方法在太阳风速度预测上的应用

为对近地环境太阳风状况进行可靠预测,引入基于深度学习的多步预测方法来预测在太阳与地球之间的拉格朗日点1（L1）处距离输入观测数据序列未来24、48、72、96 h的太阳风速度。采用SDO的图像数据提取冕洞面积等特征信息,并从NASA OMNIWEB数据集提取其他输入特征,形成多变量的时序数据作为太阳风速度预测的输入信息,输出未来某时刻附近几个小时的太阳风速度。预测过程中分别采用单一LSTM模型、编解码器LSTM模型和CNN-LSTM编解码器模型3种深度学习预测模型作为基模型,融合多步输出端数据进行对比分析。实验表明,多步预测相较于单步输出预测,对未来24、48、72、96 h的太阳风速度预测的相关系数和精度均有所提高,其中单一LSTM模型对于未来24 h太阳风速度的多步预测结果最佳——与观测数据的相关系数为0.789,均方根误差为62.469 km/s,平均绝对误差为46.476 km/s。     

基于RVM的液体火箭发动机试验台故障预测方法

液体火箭发动机试验台故障预测问题实际上是与试验台相关的参数预测问题,通过预测相关参数在试验台运行过程中的变化趋势,可以判断试验台未来某一时刻是否可能发生故障。由于液体火箭发动机试验台系统复杂、不易建模,提出了一种相关向量机(relevancevector machine,RVM)故障预测模型。在模型的训练阶段,根据数据序列的特征,分别采用单参量、相空间重构和多参量的方法进行了模型的训练,然后利用训练好的模型对试验台总体健康度和启动过程推力进行了趋势预测。预测结果表明,该方法能有效地跟踪试验台可能发生的故障及故障发展趋势。     

一种窄带感知实现高效宽带频谱预测的机制

针对只有单一用户的频谱探测场景,提出了以窄带感知实现高效宽带频谱预测的机制,以能够全面有效掌握本地频谱态势,实现自由通信.基本思想是依据历史统计信息动态调整感知信道,在状态变化较快的信道上增加感知次数,在状态变化缓慢的信道上减少感知次数.经实验仿真,该机制相比随机感知和顺序感知有较大的性能提升.     

飞行器气动参数智能在线辨识技术研究

气动参数辨识对于大气层内飞行器来说至关重要,通过在线气动参数辨识可规划更准确的飞行轨迹,并对控制参数进行自适应调整。传统辨识方法的模型较为复杂,运算量大,无法满足飞行器在线辨识的要求。而基于神经网络的智能参数辨识方法,不仅可以离线对网络模型进行训练,并利用历史飞行数据进行模型修正,也可在线时直接利用训练好的网络对参数进行快速调整,在保证参数估计精度的同时,保障参数估计的快速性。提出了一种基于支撑向量机(SVM)的样本扩充和神经网络参数在线快速修正方法。通过仿真和统计,证明了基于SVM的神经网络方法对飞行器气动参数进行在线快速智能辨识的可行性。     

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...     

一种高超声速滑翔飞行器轨迹智能预测方法

针对高超声速滑翔飞行器(Hypersonic glide vehicle, HGV)机动性强、轨迹预测困难的问题,选取气动加速度作为预测参数,提出了一种基于集合经验模态分解和注意力长短时记忆网络的HGV轨迹智能预测方法。首先,以HGV六自由度运动方程为基础,分析了其机动特性和气动力变化规律,建立了动力学跟踪模型,对气动加速度进行实时估计;其次,利用集合经验模态分解对估计的气动加速度进行分解和重构,减弱噪声影响,避免对预测模型的干扰;最后,利用去噪后的气动加速度数据对注意力长短时记忆网络进行训练,进而预测未来气动加速度数据并重构HGV未来轨迹,实现轨迹的在线预测。实验仿真表明,该方法能有效预测HGV机动轨迹,预测精度高、稳定性好。     

基于场景驱动的雷达航迹模拟方法研究与影响因素分析

对空中目标环境进行多元化构建是雷达装备开展日常训练与试验的基础,但空中有效目标数量短缺、目标类型单一、训练效费比较高等依然是目前部队外场训练所面临的主要问题。通过分析新时期雷达装备军事训练的特点及需求,在外场实装训练场景下提出了一种可操作的、基于场景驱动的雷达航迹模拟方法,涵盖基础理论模型、航迹模拟方法等方面,并分析了航迹模拟误差的主要影响因素。最后结合实验对所提方法进行了验证,结果表明,该方法的航迹模拟效果良好,可为新型军事训练方法设计提供参考与建议。     

基于场景模型的视频无线信道鲁棒传输

根据无线信道的特点，提出了一种基于场景统计模型的联合信源信道编码和网络拥塞控制的多媒体鲁棒传输系统。首先进行场景统计模型和特性分析，采用MPEG-4分级编码将所有的层划分成几类，接着由码流对网络拥塞和重建视频质量的影响将其分成两个传输优先级队列。在传输过程中，依据信道误码率和网络丢包率进行自适应的信源不同保护等级编码和网络拥塞控制策略。试验数据表明，本方案与以前文献中提出的IPB等方案相比，能够明显的提高重建视频质量。