考虑星历误差的天文测角/时间延迟量测组合导航方法

基于太阳震荡的时间延迟是一种新型天文导航量测量,可以提供探测器相对反射天体的距离信息,与星光角距量测量结合,可以提高导航性能。然而,星光角距量测模型与时间延迟量测模型均含有火卫一相对火星的位置矢量,火卫一的星历误差将影响导航精度。针对这一问题,提出了一种基于在线估计的天文测角/时间延迟量测组合导航方法,建立了包含火卫一位置及速度的状态模型,利用星光角距及时间延迟量测量同时对火卫一的位置和速度进行在线估计,仿真结果表明,提出的方法可以有效抑制火卫一星历误差对组合导航精度的影响,为探测器提供高精度的自主导航信息。     

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.     

太阳电池电路深空探测服役环境与关键技术分析

针对月球、火星、木星等不同的深空探测任务,本文通过在轨服役环境分析,说明了火星探测火星表面光谱计算方法、火星光谱太阳电池设计思路、火星表面除尘技术路线及木星探测低温低光强技术风险。结合工程技术经验,给出了特殊任务应用条件下单片太阳电池推算整板输出功率的计算方法,解决了我国尚无特殊条件的瞬态大太阳模拟器作为整板输出功率测试地面模拟光源的工程难题,为相关科研人员提供参考。     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system,BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接,网络权值可以用求解伪逆的方法快速求得,避免了耗时的训练过程,从而成为快速而高效的学习方法。然而在追求高精度结果的过程中,BLS对于增强节点数量的需求过于巨大,容易造成过拟合问题。为此,本文提出了基于函数链神经网络（Functional-link neural network,FLNN）的深度分类器（FLNN based deep classifier,FLNNDC）,旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构,每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点,而不是全部映射节点。和原宽度结构相比,在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。     

基于EM‑EKF的深空光学自主导航系统光轴偏差补偿算法

在深空探测任务中,光学自主导航的精度受导航敏感器件安装精度的影响较大。提出了一种基于期望最大化-扩展卡尔曼滤波(EM-EKF)的光学自主导航系统光轴偏差补偿算法。算法基于条件概率的思想,预先设定状态变量和观测量的统计特性参数,通过不断地最大化条件期望,得到出现概率最大的状态变量估值和光轴偏差参数估值。该算法可分为4步:EKF、固定区间平滑、求解条件期望和期望最大化,不断迭代即可得到光轴偏差估计值。以火星探测近火段为例进行仿真验证,经光轴偏差补偿后,导航精度由100 km提升至20 km以内。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。     

基于深度混合模型评分推荐

从用户-项目评分矩阵中学习用户对项目的个性化偏好,对于评分推荐来说至关重要。许多推荐方法如潜在因子模型,无法充分利用评分矩阵中的交互信息学到较好的个性化偏好而得到较差推荐效果。受深度学习中Wide and Deep模型应用于APP推荐启发,本文提出一种深度混合模型并命名为DeepHM用于评分推荐。与Wide and Deep模型相比,使用DeepWide和DNN部分重构Wide模型和Deep模型得到DeepHM,并且DeepWide和DNN部分共享交互信息输入。因此,DeepHM可以更有效地使用评分矩阵中的用户和项目的交互信息学到个性化偏好信息。DeepHM将评分推荐作为分类问题旨在提高推荐准确性。实验表明在公开的Movielens数据集上DeepHM算法相比现有的基于评分推荐模型具有更好的效果。     

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。     

硅橡胶/双酚A-苯胺型苯并噁嗪树脂耐烧蚀复合材料的制备与烧蚀结构的研究

苯并噁嗪树脂具有优异的成炭和抗高温氧化性能,是新一代的耐烧蚀树脂。以双酚A-苯胺型苯并噁嗪树脂为耐烧蚀树脂,采用1H-NMR、DSC和转矩流变仪研究其成环率和加工性能;以硅橡胶为耐烧蚀基体,采用熔融共混方法制备了硅橡胶苯并噁嗪树脂耐烧蚀复合材料。进行力学和氧乙炔焰烧蚀检测,利用FT-IR、Raman和SEM研究复合材料综合性能和烧蚀结构。结果表明:苯并噁嗪树脂能够明显提高硅橡胶复合材料的耐烧蚀性能,当树脂添加量为20份时,复合材料具有较好的耐烧蚀和力学性能;该复合材料经过氧乙炔焰烧蚀后,烧蚀层形成表面陶瓷层、裂解炭化层和基体层。表面陶瓷层主要由SiO_2,SiC和C组成,裂解炭化层的主要组由C,SiO_2,SiC以及炭化彻底的碳和炭化不完全的有机结构组成。     

不同纤维预制体结构对SiC_f/PyC/SiBCN复合材料力学性能的影响

使用不同织造方式(二维机织,法向增强2.5维机织和三维五向编织)制备了3种SiC纤维预制体,采用树脂转移模塑(RTM)和聚合物浸渍裂解(PIP)工艺制备了SiC_f/PyC/SiBCN复合材料。观察复合材料的显微组织,测试弯曲强度、拉伸强度、压缩强度等力学性能,探究不同预制体结构对复合材料力学性能的影响行为。结果表明:同一预制体结构在不同方向的纤维分布不同导致材料力学性能的各向异性;不同预制体结构对材料力学性能有着显著的影响。