空间非合作目标超近距离位姿测量技术研究

对一种基于显著特征点的空间非合作目标超近距离位姿测量技术方案进行了研究。给出了方法的流程。介绍了非合作目标捕获与跟踪、特征提取、特征匹配、三维结构重建、相对位置与相对姿态测量等关键技术。仿真结果验证了其可行性。     

基于全局—局部特征联合的光学卫星遥感图像舰船目标细粒度识别

针对光学遥感图像舰船目标类间差异小,需要丰富舰船目标的特征表示能力提高其细粒度识别准确率的问题,文章提出了一种基于全局—局部特征联合的舰船目标细粒度识别方法,设计了双分支特征提取与融合模型。首先,全局特征提取分支通过卷积神经网络提取图像的全局特征;其次,局部特征增强分支将浅层特征图打乱并重构,加入对抗性损失函数,训练网络识别局部重点区域特征的能力,提取目标局部特征;最后,将全局特征和局部特征进行融合,利用全连接层对特征进行降维处理去除冗余信息,增加鲁棒性,并利用融合特征完成分类任务。实验表明,该方法可以兼顾全局特征和局部特征,在FGSC-23舰船目标数据集上准确率达到86.36%,优于其他方法。     

基于数据扩充和特征增强的雷达回波无人机检测

针对基于雷达无人机目标识别难度高、精确度低、适应性差等问题，本文提出了利用深度学习的方法，对雷达回波进行无人机检测。首先，利用相参累积的方法生成雷达回波的距离-多普勒图像，增强目标特征并提高信噪比;其次，采用生成对抗模型对距离-多普勒图像进行数据扩充，以获得充足的图像数据减小网络的过拟合并提高网络鲁棒性;最后，使用基于位置感知的卷积神经网络增强特征，通过构建基于距离-多普勒图像的感知模块，实现对目标距离和运动速度的检测。通过在雷达回波序列中弱小飞机目标检测跟踪数据集上验证的结果表明:最终检测结果在召回率89%的情况下达到了91%的准确率。相比于基准方法，本文提出的方案具有更高的检测精度和更好的网络运行效率。     

基于改进SSD算法的航拍目标检测算法研究

研究基于深度学习技术的无人机航拍图像目标检测算法，首先介绍目标检测算法SSD（Single Shot MultiBox Detector），并对其特征提取网络进行改进，采用稠密特征提取网络替换原网络的主干特征提取网络，提高算法的特征提取能力，从而提升了算法的检测精度。针对网络实时性问题，在算法中引入分组卷积，极大地减少了网络参数量，提升了网络推理速度。为解决训练中出现的正负样本不均衡问题，利用焦点损失（Focal Loss）改进了原算法的损失函数，进一步提升了网络的收敛速度和精度。最后，通过仿真验证了改进算法在目标检测精度上的优越性。     

结合极化自注意力机制的空间目标位姿估计

利用深度学习强大的特征提取能力和残差网络的捷径反馈机制，设计了端对端的图像位姿估计方法。该方法提高网络特征的学习能力，将Polarized Self-Attention注意力模块嵌入到残差网络ResNet-50中，对空间目标图像中的空间信息进行了增强。由于空间目标的位置和姿态信息相互独立，将其分为两个不同的网络结构分支通过回归分别得到两者的信息。其中，在姿态信息回归分支中，对姿态信息进行软分配编码，相比直接回归有效减少了姿态误差。最后在URSO空间目标图像数据集上进行了实验验证，所提算法对空间目标位姿估计取得了更好的估计结果。     

基于视觉显著性和卷积神经网络的机场目标快速检测

针对现有的机场目标检测算法用于大幅面遥感图像时检测速度慢、准确率低的问题,文章提出了一种基于视觉显著性和卷积神经网络相结合的高效、精确的机场目标检测方法。首先,根据机场形状特征,采用基于直线分布特征的视觉显著性检测方法提取候选区域,对机场的可能位置进行粗定位;然后,设计了一种改进的卷积神经网络分类模型判断候选区域是否为机场;最后,使用非极大值抑制的方法去除冗余的预测框,获得最终的检测结果。利用从谷歌地球收集的图像数据集对该神经网络模型进行训练和测试,结果表明其在精准率和召回率上均具有较大优势。此外,文章所提算法在来自不同卫星平台的大量大幅面遥感图像上进行了机场目标检测,结果显示其适应性强且检测效率有大幅度提升。     

采用双目视觉的非合作空间目标相对导航与惯性参数辨识方法

针对面向在轨服务的非合作空间目标测量感知问题，提出了一种基于双目视觉的相对导航与惯性参数辨识方法。利用目标表面的特征点建立几何坐标系，并分别设计了姿态测量和相对导航滤波器，实现了目标姿态、角速度、轨道，质心位置与惯量比的高精度估计。在此基础上，通过黏附卫星与非合作目标形成组合体，利用相对导航算法获得的质心位置和惯量比在黏附前后的变化，实现了目标质量和转动惯量的辨识。数值仿真试验证明了算法的有效性。     

自适应航天器态势分析系统

利用深度学习中的卷积神经网络理论,基于单目视觉系统和带有标识物的航天器影像,实现对航天器的三维姿态角、距拍摄点距离和相对拍摄中心偏移量的精准测量。利用机器学习理论实现网络自主学习样本特征,这一方式将大幅降低动态测量的误差。同时,这种测量方式也避免了人工提取特征的复杂过程,实现任意、精准、快速测量,对航天器在组装及发射过程中的姿态估计、距离测算起到关键性作用。     

SAR图像目标峰值特征提取与方位角估计方法研究

目标峰值特征是SAR图像目标识别的重要特征之一。峰值特征提取是SAR图像目标识别的一个重要步骤，为了由SAR图像快速、精确地提取目标峰值特征．本文首先研究了SAR图像目标峰值特征提取方法，提出了一种“子像素”级精度的SAR图像目标峰值特征提取方法．并通过仿真实验分析了峰值位置、峰值幅度的估计精度。由于目标SAR图像或SAR图像特征矢量对目标方位角变化的敏感性，因此，为了提高SAR图像目标识别系统的分类效率，本文还研究了SAR图像目标方位角估计方法，提出了一种利用峰值特征基于线性回归的sAR目标方位角估计方法，和现有方法相比，该方法除了计算速度快，估计精度较高之外，还能在估计方位角的同时，给出该估计的置信区间，从而更好的满足SAR ATR的实际需要。文中通过对大量实测MSTAR SAR图像目标方位角的估计实验，验证了本文目标峰值特征提取及方位角估计方法的有效性。     

空间翻滚非合作目标相对位姿估计的视觉SLAM方法

针对空间翻滚非合作目标相对位姿测量中目标先验信息缺失和模型不确定问题,将移动机器人视觉同步定位与建图（SLAM）贝叶斯滤波估计模型推广到非合作目标相对位姿测量中,提出一种基于视觉SLAM的翻滚非合作目标相对位姿估计方法。首先,构建了相对位姿估计的贝叶斯滤波状态转移模型和量测更新模型。其次,为避免平动噪声协方差过大导致滤波性能下降的问题,对状态转移方程进行优化,采用最小二乘估计方法预测位置参数。最后,采用一种联合无损卡尔曼滤波和粒子滤波的贝叶斯滤波方法实现了目标全部位姿参数的快速平滑估计。基于计算机合成图像数据和真实图像序列的仿真实验表明：提出的方法具有较优的速度和精度,且对目标速度变化、特征提取和数据关联误差等具有较好的鲁棒性。     

GEO非合作目标超近距相对位姿视觉测量

提出一种基于几何特征综合匹配的双目超近距相对位姿视觉测量方法。首先,将失效卫星的矩形太阳帆板作为几何特征,采用综合匹配方法实现了双目图像的高精度匹配,随后基于几何特征指标参数判别和ROI检测方法,实现了卫星太阳帆板特征点组的识别与提取,在此基础上,进一步建立了目标坐标系,通过三维重建完成了超近距阶段失效卫星的相对位姿高精度解算。最后建立了高精度双目视觉超近距相对测量实验系统,结合所提出的综合匹配算法和相对位姿解算方法,完成了动态非合作目标的相对位姿测量实验,实验结果说明所提出的方法具有较好的实时性和较高的精度。     

基于纹理边界检测的航天器椭圆特征提取方法

为确定失效航天器等非合作目标的相对位姿，提出一种通过纹理边界检测的椭圆特征提取方法。该方法假设椭圆特征是航天器表面两种不同纹理的边界，利用上一时刻相对位姿信息，将对接环离散几何模型投影到像平面，并沿各离散点的法向方向通过概率方法检测纹理边界点。利用随机抽样一致(RANSAC)方法剔除边界点中的粗大误差，进而拟合出椭圆参数。纹理特征对光照变化具有鲁棒性，因此该方法能够在变光照、星体表面反光不均匀等复杂情况下快速准确地提取图像中的椭圆特征。本文以对接环图像特征提取为例进行仿真校验，分析了算法参数和噪声对提取椭圆精度和时间的影响。利用真实图像与基于梯度边缘的椭圆提取方法进行对比，结果表明，所提出的算法具有较高的精度和速度。     

基于点云深度学习的对称结构空间目标相对位姿测量

针对对称结构空间目标相对位姿解算过程中点云误匹配带来的误差问题，提出一种基于点云深度学习的对称结构空间目标相对位姿测量方法。首先设计空间目标点云特征提取网络及关键点回归网络，将位姿测量问题转换为空间目标点云关键点回归问题，通过两个并行的回归网络分别输出空间目标平移向量和具有固定标签的目标点云三维边界框角点；其次利用具有连续稳定标签的角点求解目标姿态，可有效解决目标的对称结构导致的点云误配准问题；最后通过仿真数据集的实验表明，该方法相比于传统的点云配准方法有更高的准确率，能够精确求解具有对称结构的空间目标相对位姿。     

基于深度学习的雷达辐射源识别算法

为解决雷达辐射源识别中特征提取困难、低信噪比条件下识别效率低的问题,提出了一种基于一维卷积神经网络和长短期记忆网络的深度学习智能识别算法,构建了一个CNN?LSTM网络,能实现对不同脉内调制方式雷达辐射源的端到端识别。该网络首先利用卷积层学习信号局部特征,然后将卷积层输出的结果输入长短期记忆网络,学习信号的全局特征,最终构造逻辑回归分类完成分类识别任务。仿真结果表明,该算法较单一卷积神经网络模型具有更好的识别效果,抗噪声效果更强,在-6 dB信噪比的条件下,识别的准确率仍能够达到90%以上。     

一种弹道修正弹SINS任意滚转角快速粗对准方法

针对弹道修正弹药出炮口后滚转角处于随机状态,捷联惯导系统(SINS)失准角过大时卡尔曼滤波收敛困难的问题,提出在卫星拒止环境下利用神经网络快速估计初始滚转角的改进方法。在炮口处布设少量导航信标,建立反向传播(BP)神经网络拟合初始滚转角与观测量间的非线性映射模型。针对信标辅助下姿态弱可观的问题,引入惯导测量参数作为输入,提高网络估计精度。采用主成分分析法进行特征提取,简化网络结构。仿真结果表明,与基于非线性卡尔曼滤波的对准方法相比,本算法可实现任意滚转角下的快速粗对准;对射角、初始俯仰角误差未在训练范围内以及存在布设误差等场景也进行了测试,与未优化的BP网络相比,对准精度更高,鲁棒性更好。     

非合作大目标位姿测量的线结构光视觉方法

空间机器人与非合作大目标交会接近最终段,单目相机不能获取完整的特征图像而无法完成相对位姿测量。针对此问题,提出基于线结构光和单目视觉的相对位姿测量方法。以非合作大目标上的局部矩形特征为测量对象,首先,建立相对位姿测量模型并给出四个测量坐标系之间的关系;其次,通过相机对不完整矩形和线结构光的约束获得四个特征点在相机坐标系下的坐标;然后,利用四个特征点计算相机坐标系与目标坐标系之间的转移矩阵;最后,将转移矩阵分解得到矩形特征的相对位姿。通过改变影响测量精度的输入误差和标定误差等因素对该方法进行仿真验证,结果表明该测量方法是有效的。     

一种基于迁移学习的遥测数据异常检测方法

为解决卫星遥测数据异常检测面临的数据不平衡且缺乏有标签样本的问题，提出一种基于一维卷积神经网络(1dCNN)迁移学习的异常检测方法。首先利用源域卫星的遥测数据对1dCNN进行预训练，使得模型的卷积层具有卫星状态特征的提取能力；然后将训练好的模型迁移到缺乏标签数据的目标域卫星中；利用目标域有标签样本对预训练模型进行微调，从而实现了对目标域测试集样本的异常检测。为了使1dCNN能够适应遥测数据样本的不平衡性，引入了代价敏感训练策略，建立动态损失函数，从而提升代价敏感一维卷积神经网络(cs 1dCNN)对于异常样本的识别能力。以某两个卫星的电源分系统遥测数据进行了验证，实验结果表明该异常检测迁移方法具有较好的有效性和鲁棒性。     

基于优化多尺度排列熵和卷积神经网络的滚动轴承故障诊断方法

针对滚动轴承故障分类中特征信号微弱、信号非线性和多尺度特征难提取的问题，提出基于优化多尺度排列熵（MPE）和卷积神经网络（CNN）的滚动轴承故障诊断方法:通过改进自适应噪声完备集合经验模式分解（ICEEMDAN）对轴承信号进行分解和重构，实现信号降噪；通过粒子群算法（PSO）对MPE进行优化，提出PSO-MPE特征提取方法，参数优化后的MPE能够提取更为关键的特征信息；将所得的排列熵输入到CNN中进行故障分类以及降维可视化分析。以凯斯西储大学开放轴承数据库样本为测试对象，将文章所提出的ICEEMDAN-PSO-MPE-CNN方法与ICEEMDAN-PSO-MPE-RNN、CEEMDAN-SVM、ICEEMDAN-PSO-MPE-SVM等方法进行纵向和横向对比分析，结果表明改进方法的分类准确率和效率更高，在T-SNE可视化下的分类效果更明显，能够实现滚动轴承故障的高精度和高效率检测。     

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...