基于航天信息系统云平台的可授权数据安全共享研究

本文提出一种基于航天信息系统云平台的可授权数据安全共享方法。通过设计支持多     

无网格方法关于导数计算的程序验证

为了提高无网格方法对空间导数的数值计算能力，提出并论证了新的适用于直角坐标系、柱坐标系和球坐标系的空间导数无网格算法。基于数值解与理论解的对比分析，对数值误差和收敛性进行了后验评估。评估结果表明:该算法对函数和导数的估计均为2阶精度，支撑域尺度对数值误差的大小有一定影响，但不影响数值计算的精度等级。在离散尺度h为0.01的条件下，对所选函数及其导数的数值计算相对误差不大于0.65%。      

基于改进三角模糊AHP与云重心方法的维修性评价

基于改进三角模糊层次分析法确定属性权重,充分考虑了专家评判的模糊性,且能省去一致性检验的繁琐 计算。采用改进云重心评价方法对属性值进行集结,更为直观、科学、符合人类的思维习惯。将2种方法相结合对 装备的维修性进行评价,能够提高评价结果的准确度。某导弹装备维修性评价的实例表明此评价方法是有效的。     

一种基于箔条云团散射的远距支援干扰方法

航空兵在执行对地突防任务的过程中,电子干扰是掩护突防编队、提高突防飞机生存概率的重要手段。提出一种利用箔条云团散射远距干扰信号对地空导弹制导雷达进行干扰的复合干扰方法。该方法使用干扰机照射突防航线上布撒的箔条云团,通过箔条云团的散射,从地空导弹制导雷达的主瓣注入干扰能量;在此基础上,建立实施正面突防时的箔条弹多次抛洒模型,该模型可以有效的计算出突防编队抛洒箔条弹的间隔距离,从而确定抛洒箔条弹的时机,并通过实例分析验证。结果表明:该方法具有更好的干扰效果;箔条弹多次抛洒模型可靠,可以确保对敌地空导弹阵地的持续干扰。     

基于点云的空间非合作目标结构识别问题研究

在空间非合作目标捕获任务中，从传感器数据中识别出目标表面的可抓取结构是一个有待解决的问题。以卫星点云数据集作为对象，对4种基于神经网络算法(PointNet、PointNet++、SPLATNet和SO-Net)在卫星结构分割识别任务中的性能进行了比较分析。为了能够更好地测试算法性能，基于NASA在线数据库构建了训练测试数据集，并给出一种点云数据的快速构建方法。使用该方法，可以实现成批量地生成点云数据。仿真测试结果显示:PointNet++在卫星完整点云数据集和非完整点云数据上的分割准确率都是最高，并且分割效果也优于其他算法。     

基于云的装备试验数据中心架构设计

随着武器装备向信息化、体系化加快发展,基于信息系统的体系作战能力生成模式加快转变,对装备试验能力建设提出了更高的要求。建设云装备试验数据中心,通过采集、存储、管理和应用方面形成完整的体系,最大限度地发挥装备试验数据作为核心资源的价值,并利用云计算、大数据、数据挖掘等先进的信息技术对数据进行综合集成管理和挖掘分析,对武器装备试验机构建设发展提供决策支撑,将数据优势有效转化为决策优势和行动优势,为形成基于信息体系的核心军事能力提供支撑。     

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。     

A point cloud deep neural network metamodel method for aerodynamic prediction

Aiming to reduce the high expense of 3-Dimensional (3D) aerodynamics numerical simulations and overcome the limitations of the traditional parametric learning methods, a point cloud deep learning non-parametric metamodel method is proposed in this paper. The 3D geometric data, corresponding to the object boundaries, are chosen as point clouds and a deep learning neural network metamodel fed by the point clouds is further established based on the PointNet architecture. This network can learn an end-to-end mapping between spatial positions of the object surface and CFD numerical quantities. With the proposed aerodynamic metamodel approach, the point clouds are constructed by collecting the coordinates of grid vertices on the object surface in a CFD domain, which can maintain the boundary smoothness and allow the network to detect small changes between geometries. Moreover, the point clouds are easily accessible from 3D sensors. The point cloud deep learning neural network, which employs re-sampling technique, the spatial transformer network and the fully connected layer, is developed to predict the aerodynamic characteristics of 3D geometry. The effectiveness of the proposed metamodel method is further verified by aerodynamic prediction and robust shape optimization of the ONERA M6 wing. The results show that the proposed method can achieve more satisfactory agreement with the experimental measurements compared to the parametric-learning-based deep neural network.     

太空非合作遥感卫星三维重建点云的平面滤波方法

受太空环境光照条件弱、卫星高速运动、卫星表面纹理匮乏等因素的影响，太空非合作遥感卫星的三维重建点云中往往会存在大量噪声，给太空非合作目标的准确探测带来了非常不利的影响。文章以非合作遥感卫星的形状特征作为先验知识，提出一种三维重建点云的平面滤波方法。针对点云噪声的不同特点，首先利用统计分析滤波方法消除离群离散点噪声；其次，利用改进的区域生长聚类方法，分割出点云模型中的平面结构与离群点簇噪声；然后，分别用RANSAC算法和最小二乘法对平面结构进行滤波，并将平面结构附近的噪声点垂直投影至平面内，去除模型表面噪声。实验结果表明，该优化方法可以有效去除非合作遥感卫星三维重建点云中的大部分噪声，得到卫星平面结构的光滑点云数据。     

基于容器云的地面测控资源池日志管理系统的研究

新型航天地面测控装备基于商用服务器集群，采用虚拟资源池架构和容器云技术，按需进行测控资源调度和测控业务能力生成。和众多服务设备一样，日志是系统故障诊断的主要途径，由于海量日志可能分散在资源池系统中的不同位置，传统的流式日志采集和分析模式难以大批量管理信息，经常导致系统异常发现不及时、排查效率低、定位难度大等问题，日志的检索和统计缺乏行之有效的手段，弊端明显。针对这种地面测控资源池系统的运维管理需求，本文设计了一种基于容器云的日志管理系统，将平台日志和应用日志聚合管理，根据用户需求和运维目的分类检索并定制可视化日志显示，为使用者精准分析系统异常、快速进行系统维护提供有效支撑。