面向在轨高效实时图像处理的二值权重沙漏网络加速器设计

为了实现在轨高速实时图像处理,提出了基于多级预测校准机制及查找表方法的二值权重沙漏网络加速器。首先,提出了一种计算架构来统一支持二值权重及多位宽权重卷积计算;其次,提出了多级预测模型来实现可变精度的高效卷积,基于这2种方法可以将网络的计算量降低77.4%,推理速度提升2.3倍。本文针对残差模块中跳转连接造成的存储访问问题,提出了基于模块计算的流水架构,使得片上存储需求及访存操作分别降低了60%和31%,最终在28 nm工艺下完成了硬件后端设计以及性能分析,该加速器的面积为0.7 mm2。在500 MHz工作频率下,功耗为117 mW,功耗效率达到10.15 TOPS/W,与当前主流二值加速器相比提升2个数量级以上。     

星地协同光学遥感影像目标识别技术验证研究

为了提高光学遥感卫星信息处理的时效性,文章提出了星地协同光学遥感影像在轨目标智能识别技术框架。将基于遥感大数据的深度学习、神经网络模型训练等数据量大、运算量大、计算复杂、要求较高的处理任务部署在地面服务器,将深度学习训练得到的模型进行压缩并上注至卫星,卫星在轨利用轻量化模型对影像进行推理计算,最后把目标识别结果下传至用户。为了对所提出的技术框架进行验证,在高性能服务器和嵌入式开发板上进行了验证试验,利用YOLO-v5算法和DIOR遥感数据集进行了测试,结果表明:在模拟星载计算环境下,处理100km~2范围1m分辨率遥感影像耗时17.74s,平均精确度(Mean Average Precision,mAP)为87.2%。文章提出的星地协同智能目标识别技术框架实时性和精度上能够满足应用需求,具备一定的可行性,可以进一步开展在轨验证试验。     

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。     

基于增量学习的高光谱图像目标检测

高光谱图像目标检测是高光谱图像分析中的重要研究内容之一。本文从经典有效的约束能量最小化算法出发,提出了一种基于增量学习的高光谱目标检测方法。当获得新的样本时,不需要重新计算所有样本的自相关矩阵即可对检测器模型进行更新,减轻了星上有限计算资源的负担。实验结果表明:本文提出的目标检测算法在压制背景光谱的同时可以更好地适应目标光谱,提高了算法的检测性能。     

采用简化滤波器思想的卫星姿态确定系统故障诊断

针对星上计算机运算资源有限的问题，为了降低卫星姿态确定系统故障诊断的运算量，提出一种基于卡尔曼滤波器的故障检测与分离方法。该方法首先基于卫星姿态运动方程设计了一种加性卡尔曼滤波器，然后将卡尔曼滤波器与简化观测器思想相结合，进一步提出一种采用简化滤波器思想的姿态敏感器故障诊断律。所提出的故障诊断方法既可以实现对陀螺故障的检测与分离，又能够诊断星敏感器的故障。此外，该方法只利用一个滤波器即可实现故障检测与分离，其计算量小，有利于在轨实施。最终采用一个由三正交一斜装陀螺组件和星敏感器构成的姿态确定系统对所提出的方法进行了仿真校验，仿真结果表明了所提方法的有效性。     

一种在轨卫星光学遥感舰船检测算法

为了解决资源有限的在轨处理环境对光学遥感舰船检测网络速度和精度的影响,提出了应用倒置残差结构的舰船检测算法。采用端到端网络作为基础模型,裁剪网络的层数和3/4通道数,构建2层卷积倒置残差模块,使用可分离卷积和1×1卷积对普通卷积层进行替换,只保留1个检测分支,使用金字塔检测方式实现多尺度目标检测网络。基于高分一号卫星数据集的试验结果表明:相较于当前的主流网络,算法模型在平均精度(AP)相差不大的情况下检测速度有很大提升。和YOLOv3相比,检测速度提升了72%,参数量减少了99.5%;和YOLOv2相比,检测速度和AP分别提升了58%和0.9。文章提出的算法可为计算资源极其有限的卫星在轨舰船检测实现提供有效的理论技术支撑。     

基于改进YOLOv3网络的遥感目标快速检测方法

针对将来卫星在轨实时目标检测需求,且在其内存和算力都受限的条件下,提出一种改进的YOLOv3,利用轻量化网络代替YOLOv3的特征提取网络,实现遥感目标的高效检测。在目标检测精度相近的情况下,改进模型参数相比原先降低了1.5倍,计算量降低了3.3倍。同时提出了一种基于交并比的迭代聚类算法,分别在YOLOv3和改进YOLOv3上实现了7.0%和2.3%的平均精度均值(mAP)提升。实验表明:改进模型的检测速度最快能达到101 frame/s,当其mAP比YOLOv3高6%时,检测速度仍是YOLOv3的1.6倍。本文提出的改进YOLOv3是一种高效遥感目标检测方法,为未来星上应用打下基础。     

基于算力路由的空间信息网络低时延在轨协同计算策略

针对当前空间信息网络（Spatial Information Network, SIN）地面数据处理模式中存在的高传输时延问题,提出了基于算力路由的低时延在轨协同计算策略。考虑到卫星网络的动态变化及卫星计算资源的异构性,提出了要素时空扩展图模型,以实现在屏蔽SIN动态性的同时对星上资源进行精确表征。在此基础上,构建基于算力路由的多星在轨协同计算数学模型,提出时延优化问题,并利用改进的异构最早完成时间（Heterogeneous Earliest Finish Time, HEFT）算法进行求解。仿真结果表明：卫星在轨协同计算可有效降低卫星数据的任务处理时延;同时,本文所提的改进HEFT算法以较小且可接受的收敛性能为代价,换取了业务处理时延的大幅度降低。     

基于低比特量化神经网络的红外目标识别方法及其FPGA实现

红外目标识别系统成为航空航天、无人驾驶等军事和民用领域中一项至关重要的技术。红外目标识别算法是红外目标检测识别系统中的核心之一。传统红外目标识别技术往往依赖人为的特征选择，无法对复杂困难的红外目标实现高效、准确的识别。本文提出了训练中反量化与通道级量化相结合的量化策略，有效减小量化误差对网络模型性能的影响。实验结果表明:本文提出的低比特量化算法在红外数据集上有着优异的表现。在硬件部署方面，本文提出了更加高效的卷积计算单元，提高了硬件资源的利用率，同时也达到了更高的峰值性能。最终，在PYNQ-Z2嵌入式现场可编程门阵列(FPGA)上进行验证，系统在150 MHz的时钟频率下达到了90.6 GOP/s的峰值吞吐率，其功耗为2.5 W。     

基于能力分析的天基资源虚拟化方法的设计与实现

随着小卫星技术以及卫星组网技术的飞速发展,天基资源的规模呈爆发式增长,依赖多种类卫星节点提供的卫星能力,完成多星协同的复杂空间任务,向普通大众用户提供可用的、即时的卫星信息服务,成为未来发展的趋势。针对多类异构卫星,提出一种面向用户的应用层天基资源能力虚拟化方法。分析了即时观测信息服务的用户需求及天基资源的属性特征,综合时间、空间、能源、存储等约束条件,将天基资源按照时空逻辑,分层抽象虚拟化成面向用户的服务能力,建立了适用于大规模异构卫星、统一标准的应用层天基资源虚拟化方法,并设计了计算模型。选取具有代表性的卫星平台、载荷等,针对在轨实时虚拟化的需求,设计并实现了在轨虚拟化算法。试验证明,算法时效性可以满足星上实时计算要求。     

利用S变换的X射线脉冲星信号恒虚警率检测算法

针对传统的X射线脉冲星信号检测算法计算量大及在低信噪比下检测性能差的问题,提出了一种结合S变换的恒虚警率检测算法。首先,根据高斯白噪声的S变换域功率谱分布特性对累积信号的时频功率谱进行阀值滤波;然后累加阀值滤波后的信号功率谱作为检测统计量,从理论上对检测统计量的分布特性进行分析,得出检测统计量服从高斯分布,并用蒙特卡罗方法进行了验证。在此基础上,利用检测统计量的概率密度函数计算判决门限,从而实现了恒虚警率检测。理论分析和实验结果表明,本文算法的检测性能优于同类基于高斯分布的恒虚警率检测算法,并且具有较低的复杂度。     

一种通用的基四Viterbi算法的实现

文章使用基四的ACS单元来设计高速、低功耗Viterbi译码器。相对于基二的ACS单元,其复杂度提高了一倍。因此,针对于具体FPCA硬件实现,将算法进行了优化,使得更适合于硬件实现。实际结果表明,优化后的算法使得器件资源减少了,复杂度降低了,而且系统性能也得以提升。     

基于离散方波变换的脉冲星微弱信号周期性检测

为满足X射线脉冲星深空导航系统对脉冲星微弱信号周期性检测的要求,提出了一种基于离散方波变换(DSWT)的周期信号检测算法,并给出了其硬件实现方法.首先,通过对比DSWI和FFI变换核的相似性,证明了DSWT算法进行周期性检测的可行性,同时,研究了DSWT对白噪声的抑制作用;其次,DSWT的变换核仅取+1或-1,更适合硬件电路实现,给出了该算法的FPGA实现方法;最后,采用以Xilinx Spartan-3系列FPGA芯片XC3S2000为核心的开发板组成实验仿真系统,分别对实测和仿真脉冲星数据进行实验.结果表明:1.该算法可检测信噪比低于FFT算法;2.在信号输入完毕后3个时钟周期内即可得出计算结果,耗时比FFT算法少三个数量级;3.实现该算法所需的硬件资源少于FFT算法.     

基于电源纹波的功率负载旁路检测方法

传统功率器部件的工作状态往往需要大量的传感器资源，并占用较多的无线/有线复用通信资源。为了实现功率器件的智能状态检测，降低使用传感器的复杂性，增强系统的可靠性，提出了一种基于电源状态检测的功率器部件旁路多点状态的检测方法。该方法的创新点体现于在不修改原有电路结构的情况下，旁路采集电源纹波作为功率器件工作状态的重要特征。在此基础上应用信号处理算法分析电源纹波的频域信息并构建数据集，进一步通过机器学习方法区分功率器件的各自工作状态。通过对大功率LED二极管PWM调制的纹波进行探测，对提出的相关方法进行了实验验证。实验结果表明，该方法检测性能优越、对环境不敏感，实现了更加智能、可靠、可拓展的功率器部件智能检测。     

机载高分辨率遥感图像实时压缩系统研究

介绍了图像压缩系统的5种主要架构,分析、比较了这5种架构的优缺点。基于现场可编程门阵列(FPGA)的图像压缩系统架构,提出了一种适合机载应用的高分辨率遥感图像实时压缩系统,该系统具有体积小、功耗低的特点。另外,还针对JPEG-LS(JPEG-Lossless)算法的特点,提出了一种简单有效的位率控制和抗误码方法,并在基于VIRTEX-ⅡFPGA的实时压缩系统中进行了具体应用,实现了机载遥感图像的无损和近无损图像实时压缩。该系统预留了充分的硬件资源,可支持EZW和SPIHT等复杂度较高的高倍率图像压缩算法的应用。     

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。     

基于FPGA的模糊PID控制器的设计

本文提出了一种基于VHDL描述、FPGA实现的模糊PID控制器的设计,使用自顶向下的设计流程完成了控制器的VHDL设计,并在一个具体的FPGA芯片上实现了该控制器.由于采用了模糊自整定参数技术和增量式PID算法,本设计既降低了FPGA的资源耗费,又改善了传统PID控制器的控制性能.     

基于FPGA的模糊PID控制器的设计

本文提出了一种基于VHDL描述、FPGA实现的模糊PID控制器的设计,使用自顶向下的设计流程完成了控制器的VHDL设计,并在一个具体的FPGA芯片上实现了该控制器。由于采用了模糊自整定参数技术和增量式PID算法,本设计既降低了FPGA的资源耗费,又改善了传统PID控制器的控制性能。