低速溅射小行星表面采样的动力学仿真

开发了适用于小行星环境的大规模三维离散元程序DEMBody,针对低速射弹溅射表层风化层的小行星采样方案,仿真了相同质量不同形状的射弹在微重力环境下垂直射入颗粒床的过程,研究了溅射物质在采样器中的运动历程及最终收集质量与射弹形状的关系。结果表明,90°锥形射弹的采样效率最高。     

采用视觉伺服的月球样品容器夹持控制方法

嫦娥五号探测器月面采样封装任务需利用采样机械臂及其末端执行机构夹持样品容器,为克服非结构化月面环境对机械臂控制造成的不可知影响,确保精确夹持样品容器,提出并设计了一种视觉伺服样品容器夹持的控制方法和系统。系统通过固定安装相机和"眼在手"相机协同获取机械臂末端执行机构以及样品容器特征,采用扩展卡尔曼滤波算法对机械臂末端执行机构位姿的控制参数进行估计,消除控制位姿的轨迹抖动,实现了对样品容器的精确夹持。最后,通过分析在轨月球样品容器被夹持过程的数据和图像,验证了该视觉伺服控制方法和系统设计正确有效。     

基于深度学习的毫米波和亚毫米波成像仪的图像增强技术

风云四号卫星毫米波和亚毫米波成像仪(MMSI)数据根据采样方式分为过采样和非过采样数据。由于采样方式的影响,非过采样数据在采样过程中会有一定的信息损失。为解决采用简单的线性插值方法做精细化处理时提升精度有限问题,采用基于深度学习的方法增强MMSI亮温图像,设计卷积神经网络重建风云四号卫星MMSI的亮温图像和风云三号卫星微波成像仪亮温图像。实验结果显示:相比传统的双三次插值方法,在风云三号卫星微波成像仪亮温图像样本上峰值信噪比提升了1.13dB,结构相似度提升了0.01。实验结果表明:对于非过采样亮温数据,采用基于深度学习的方法增强图像具有更高的精度,同时可在其他微波探测仪数据中使用,具有很强的普适性。     

高速高精度光学模数转换技术研究进展

模数转换器（Analog to digital converter，ADC）是将自然界中各种模拟信号转换为数字信号的桥梁，其性能优劣直接决定了后续数字信号处理的能力。随着电子信息技术的发展和数字化的推广，主流半导体材料电子ADC受到载流子迁移率的限制，难以满足宽带信号高速、高精度模数转换的需求。光子技术天然具备超高速、大带宽等优良特性，利用光子学手段来提升电子ADC性能是目前突破电子瓶颈最具潜力的技术方案之一。文章介绍了光学ADC的基本原理和实现方案，并重点分析了最近十年来光学时间拉伸ADC和光采样ADC的国内外研究进展以及各自的技术特点，此外还概述了光量化技术的应用前景，展望了未来光学ADC及其关键技术的发展趋势。     

一种新型的低噪声硅微机械陀螺电容读出电路

陀螺系统的微机械敏感结构部分的性能提升受到成本、工艺的限制，有较高难度，故提升接口电路的各项性能成为提升整个系统性能的关键。因此，电容读出电路作为微机械陀螺系统中非常重要的组成部分，该电路性能的优劣直接决定着陀螺的测量精度。为实现硅微陀螺高精度检测，设计了一款低噪声的电容读出电路。在陀螺与读出电路之间设计斩波开关，基于斩波技术进行低噪声设计，采用相关双采样技术用来降低关键的第一级放大电路的低频闪烁噪声和开关噪声。采用了一种简化的陀螺测试模型，用于读出电路的独立测试。读出电路在0.18μm CMOS工艺下设计流片，测试结果表明，该电容读出电路输出噪声为-122.8dBV/Hz1/2，可实现0.06aF/Hz1/2的电容分辨率。     

正弦压力信号幅值测量无差算法研究

正弦压力校准常用比较法，通过比较标准压力传感器与被校压力传感器在同一正弦压力源中的响应完成被校传感器的幅值校准。对正弦压力信号幅值的测量算法进行了研究，提出了一种控制采样频率为标准激励信号频率整数倍的算法，可实现幅值的无差运算，理论推导和仿真实验表明，该算法能有效提高单频校准的准确度。     

月球表层采样样品智能确认方法

表层采样是月球采样探测的重要方式，样品智能确认有助于提升工作效率与复杂问题处理能力。结合月球表层采样铲挖工作过程，分析了铲挖过程中臂载相机图像的特点，模仿有人参与识别过程，提出了层次解耦的月球样品智能识别流程，利用深度学习方法构建了一类深度卷积识别网络，完整地描述了图像、特征、标记在网络中的正反传递关系，并在月球表层采样地面试验中进行了验证，结果表明该方法对不同光照、不同背景、不同过程、不同形态的样品，具有较好的泛化识别能力，误识别率优于8.1%，平均单幅识别时间约0.7 s。     

基于高置信局部特征的车辆重识别优化算法

根据车辆重识别中区域置信度不同，提出了基于高置信局部特征的车辆重识别优化算法。首先，利用车辆关键点检测获得对应的多个关键点坐标信息，分割出车标扩散区域和其他重要的局部区域。根据车标扩散区域的高区分度特性，提升局部区域的置信度。使用多层卷积神经网络对输入图片进行处理，根据局部区域分割信息，对卷积得到的特征张量进行空间维度上的切割，获得代表全局信息和关键局部信息的特征张量。然后，通过全连接层特征张量转化为表示车辆个体的一维向量，计算损失函数。最后，在测试阶段使用全局特征，并利用训练好的车标扩散区域提取分支获得高置信局部特征，缩短局部识别一致的车辆目标距离。在典型车辆重识别数据集VehicleID上进行测试，验证了所提算法的有效性。