Bayesian network-based extraction of lunar impact craters from optical images and DEM data

Impact craters are among the most noticeable geomorphological features on the planetary surface and yield significant information about terrain evolution and the history of the solar system. Thus, the recognition of impact craters is an important branch of modern planetary studies. Aiming at addressing problems associated with the insufficient and inaccurate detection of lunar impact craters, a decision fusion method within the Bayesian network (BN) framework is developed in this paper to handle multi-source information from both optical images and associated digital elevation model (DEM) data. First, we implement the edge-based method for efficiently searching crater candidates which are the image patches that can potentially contain impact craters. Secondly, the multi-source representations of an impact crater derived from both optical images and DEM data are proposed and constructed to quantitatively describe the two-dimensional (2D) and three-dimensional (3D) morphology, consisting of Histogram of Oriented Gradient (HOG), Histogram of Multi-scale Slope (HMS) and Histogram of Multi-scale Aspect (HMA). Finally, a BN-based framework integrates the multi-source representations of impact craters, which can provide reductant and complementary information, for distinguishing craters from non-craters. To evaluate the effectiveness and robustness of the proposed method, experiments were conducted on three lunar scenes using both orthoimages from the Lunar Reconnaissance Orbiter (LRO) and DEM data acquired by the Lunar Orbiter Laser Altimeter (LOLA). Experimental results demonstrate that integrating optical images with DEM data significantly decreases the number of false positives compared with using optical images alone, with F₁-score of 84.8% on average. Moreover, compared with other existing fusion methods, our proposed method was quite advantageous especially for the detection of small-scale craters with diameters less than 1000 m.     

Д-30发动机ЭИ868合金扇形块的钎焊修复

针对某Д-30发动机大修对ЭИ868合金(对应于我国的牌号GH3044)扇形块的修复要求,采用真空钎焊的方法对扇形块进行了钎焊补焊。对钎焊补焊的扇形块进行超声波探伤。结果表明,钎缝内部质量满足HB7575-97一级钎焊接头的要求,表明所确定的修复工艺可实现ЭИ868合金扇形块的可靠修复。     

天基强银河背景下的空间碎片探测试验及分析

本文设计并完成了银河背景下碎片探测试验，数据分析表明，强的银河背景会降低探测器对暗弱碎片的探测能力，但对碎片的天文定位精度影响不大。本文验证了采用基于探测概率的极限探测星等方法表征探测器极限探测能力的合理性，以及基于仿真的方法增加数据完备度的可行性。本文的工作将为后续天基探测器的设计及探测试验的开展提供依据。     

基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前，目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时，随着脑科学研究的不断深入，人们对人脑视觉系统的理解逐渐透彻，利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs)，提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法，包括：基于演算侧抑制的目标检测算法，基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明，将类脑模型和深度神经网络应用于目标检测和跟踪领域，有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.     

基于马鞍形磁场的永磁直线电机位置解算方法

针对直线电机转子位置检测低成本和较高精度的要求,提出了一种基于马鞍形磁场来获得位置信息的方法及实现过程。分析了永磁体表面的磁场分布特征,指出了利用马鞍形磁场分布曲线来解算位置信息的优点,提出了根据马鞍形磁场推算位置信息的算法流程:先测得错开相位的2条马鞍形曲线数据,划分为4个象限后建立数据库；位置检测时,运用区间搜索算法寻得实际角度所在区间；再根据精度要求,采用合适的插值算法计算得到待解算的角度。仿真结果表明:基于马鞍形磁场的位置解算,能较好地得到直线电机转子的位置信息。     

基于MapReduce的CME参数识别模型并行计算技术

日冕物质抛射（Coronal Mass Ejection，CME）参数识别模型是太阳风预报过程的重要组成部分.在空间环境预报业务中，为提高太阳风预报的准确率，需要提高CME参数识别的精度.模型以计算任务串行的方式运行，运算效率低导致模型运算时间长，不能满足这种需求.CME参数识别模型的物理运算过程相互不独立，其在单节点上的运行方式不能满足并行化要求.基于MapReduce的并行计算框架，改进了CME参数识别模型的计算流程，提出CDMR（CME detection under MapReduce）方法，实现了CME参数识别模型的并行计算，并对比分析CME参数识别模型在串行计算和MapReduce并行计算下的运行时间，提高了模型的识别精度和计算效率.      

航天器推进系统故障诊断专家系统的研制开发

论述了设计航天器推进系统故障监测与诊断专家系统的重要性和必要性。并结合具体工程背景所研制开发的诊断系统, 研究了其主要的设计思想、特点、功能以及软件需求分析,实现软／硬件环境     

基于交互多模估计策略的故障检诊方法

针对多模自适应（ＭＭＡＥ）故障检诊（ＦＤＤ）方法的局限性,提出了一种基于交互多模（ＩＭＭ）估计策略的动态系统中多重故障的检诊方法。交互多模估计是针对包含有结构以及参数的系统的一种效率较好的自适应估计技术,它提供了故障检测、诊断和状态估计的集中框架。通过对在传感器和作动器中含有多个故障飞机的仿真。结果表明,所提供的方法比其它方法能够更快、更可靠地检测和隔离出多重故障。     

均值检验方法及其在冗余惯性导航系统中的应用

采用了非线性滤波的方法对影响故障检测及分离（FDI）性能的传感器误差进行了补偿,同时提出了故障检测与分离的均值检验方法（MVT）,该方法可以对2个传感器同时出现故障的情况进行检测与隔离。5个陀螺冗余惯性导航系统仿真结果验证了本文算法的有效性。     

数控系统传感器故障检测隔离及适应技术

介绍一种发动机传感器故障的检测、隔离及适应方法,并给出某型涡轴发动机的数字仿真实例,说明该方法的有效性和实用性。