基于机器学习的空间翻滚目标实时运动预测

借助监督式机器学习（ML）方法，对空间翻滚目标的运动状态预测问题进行研究，为空间机器人抓捕空间翻滚目标提供可靠的数据依据。基于物理模型的运动预测方法依赖理想的建模假设，需要连续的视觉反馈信息，解决目标预测问题的能力有限。因此，本文采用机器学习中纯数据驱动方式的稀疏伪输入高斯过程（SPGP）回归方法进行空间翻滚目标的运动预测。给定空间翻滚目标运动状态的历史观测数据，通过连续优化真实观测数据，得到稀疏的伪训练数据集，进而在线快速预测目标的运动状态，预测的计算效率达到毫秒级。此外，利用马尔科夫链蒙特卡洛（MCMC）法处理连续优化过程，克服由于随机初始值造成的优化过程陷入局部极小值问题。利用Snelson数据验证了所提稀疏伪输入高斯过程回归方法的正确性，并通过4组仿真算例验证了所提方法对于空间翻滚目标运动预测的有效性和鲁棒性。     

NNW-HyFLOW高超声速流动模拟软件框架设计

NNW-HyFLOW在国家数值风洞（NNW）工程支持下，由风雷开源软件提供基础框架支撑，将建设成为基于结构/非结构混合网格，面向高超声速应用领域的国产自主工业CFD软件，具备高温气体热化学非平衡效应模拟及其相关气动力、气动热和气动物理特性计算分析等主要特色功能。本文从框架设计、数据结构、耦合方法、并行计算方法以及接口设计等方面对软件设计思想和框架特点进行了介绍，给出了求解器采用的理论模型、核心数值算法及其实现方法，结合HEG风洞试验、RAM-C飞行试验、Electre飞行试验以及航天飞机OV102飞行试验等典型算例开展了数值模拟。研究表明：NNW-HyFLOW具有底层代码复用、功能兼容性好、扩展能力强和接口灵活等优点，其当前测试版本已经具备了较好的高超声速非平衡流动数值模拟能力，在热化学非平衡效应及其影响的气动力特性、气动热环境和等离子体分布特性预测与评估方面，具有较高的数值计算精准度，初步满足了高超声速复杂飞行器高温非平衡流动数值模拟的需求。     

加速退化试验测量不确定度评定方法

受测量分散性、仪器误差等因素影响，加速退化试验中存在测量不确定性问题。提出了加速退化试验测量不确定度的传播与评定方法，以提高试验评估结果的准确性和可信性。首先，介绍了加速退化试验中的测量不确定度来源，并结合维纳过程加速退化模型参数估计过程分析了测量不确定度的传播效应；其次，分别利用测量不确定度指南评定法（GUM）和蒙特卡洛法，量化评定了加速退化试验中性能观测数据测量不确定度对正常应力水平下产品可靠性评估结果的影响；最后，采用某型空间用高分子传感器案例对本文所提方法进行验证，并针对2种方法的估计结果进行了对比分析，验证了所提出方法的有效性。     

基于COSMIC掩星精密定轨数据的等离子体层电子含量研究

等离子体层是日地环境重要的组成部分.本文利用COSMIC掩星精密定轨数据经处理后得到的podTec文件获取等离子体层电子含量（PEC）对等离子体层进行研究.将podTec数据进行处理后获得的PEC（pod-PEC）和IRI-Plas经验模型提供的PEC （IRI-PEC）进行对比，发现pod-PEC与IRI-PEC符合得较好.在低（0°—20°）、中（20°—50°）、高（50°—90°）修正地磁纬度带下，分析了COSMIC在太阳活动极大年（2014年）3，6，9和12月的pod-PEC，得到如下结论:PEC随着纬度升高而逐渐减少，且3，9月PEC在中低纬关于磁赤道的南北对称性较好，6月北半球各纬度带的PEC明显高于南半球同一纬度带的值，而12月情况则完全相反，南半球中纬的PEC甚至会等于北半球低纬的PEC值；PEC在白天高而晚上低，高纬地区的PEC昼夜变化不明显；PEC具有明显的季节性.对于北半球，一年中PEC最大值出现在春季，冬秋季次之，夏季最低，具有明显的年度异常现象.      

航空公司利用ACMS和QAR数据进行故障监控的实施和发展

大型航空公司每天的航班执行数量在2000多以上,航班密度大,飞机的利用率高,随时掌握飞机的技术状态,放行飞机满足航班正常性的要求尤为重要。航空公司的维修控制中心(MCC)作为飞机维修控制的责任部门,通过对现有的机载ACMS和ACARS等数据分析和监控,可以对飞机的技术状态进行有效控制,并对存在的故障隐患趋势进行预测,变恢复性维修为预测性维修,以达到准确控制飞机技术状态的目的。本文以空客A320机队的机载ACMS为例,阐述了利用大数据进行预测性维修判断在飞机故障监控方面的应用。     

低轨卫星缺失时序数据的模式识别方法

在航天应用中，低轨卫星经常会由于原始数据缺失而影响卫星时序数据模式识别结果，降低准确率。针对该问题提出了一种新型MR-GRU模型，可有效处理缺失时序数据，并获得较好的模式识别准确率。区别于传统模型的补全缺失数据的方法，MR-GRU模型直接在缺失时序数据上运用循环神经网络进行训练，对传统门控循环单元结构进行了改进，增加了两个新变量：掩蔽项和衰减项。掩蔽项作用于输入，衰减项作用于输入和隐层单元输出。MR-GRU模型不仅能够保持时序数据固有的时间特性，还能有效提高模式识别精度。在卫星时序数据上的模式识别试验表明，MR-GRU模型准确率优于传统模型。     

一种面向工业互联网的云存储方法

工业互联网是工业信息化进程中最受关注的热点，海量异构数据管理是其中的重点之一。传统的关系数据库（RDB）对海量多源异构数据的读写和检索都存在性能瓶颈，而近年来兴起的云数据管理方法主要是针对“键-值”（K-V）模式，无法依靠主键以外的数据属性对数据进行快速查找。提出了一种面向工业互联网的云存储方法——StoreCDB，在异构采样数据统一表达数据模型基础上，实现非结构化存储管理，同时，利用两级索引实现海量数据的快速检索。通过实验，在分布式集群实验平台上，采用海量高铁列车运行模拟数据，验证了StoreCDB具有良好的异构数据存储和检索性能，为工业互联网提供了一种新的数据管理方法。      

基于改进SSD的舰船目标精细化检测方法

以SSD为代表的主流深度学习方法在目标检测领域取得了显著的成绩，但由于该类方法只能以矩形框给出目标的概略位置，检测结果具有很大的背景冗余区域，特别是港口密集停泊的舰船在图像中会出现区域重叠，导致误检和漏检。针对以上问题，提出了一种具有旋转不变性的舰船目标精细化检测方法，该方法综合利用可变形卷积、可变形池化、旋转的边框回归和旋转的非极大值抑制等模块的优点，借鉴MobileNet架构对网络加速，通过学习密集区域目标的几何形变，有效预测目标的旋转角度，最终以旋转的矩形框给出目标的位置。实验结果表明，该算法可实现多类舰船目标类型区分和目标朝向判定的功能，有效地解决了实际应用中的目标精确定位定向难题，提高了自动目标识别的精确性，并满足工程应用的实时性要求。     

基于PTE的多雷达航迹融合算法

针对杂波背景下的多雷达航迹融合时局部估计误差互协方差矩阵未知的问题，提出基于目标存在概率（PTE）的航迹融合算法，提升了正确航迹率和跟踪精度。首先，通过综合概率数据关联得到单接收站的目标航迹估计集合和对应的目标存在概率。然后，在局部估计误差互协方差矩阵未知的条件下，基于PTE信息提出不带记忆的综合广义凸组合航迹融合算法。进而将前一帧的融合状态进行反馈，提出带记忆的综合广义凸组合航迹融合算法。仿真验证了所提算法的有效性。