一种基于卷积神经网络的地磁基准图构建方法

地磁匹配导航技术是一种重要的辅助导航制导方法，地磁基准图的构建精度对地磁匹配制导的精准度起着决定性作用。针对现有地磁基准图构建精度难以满足实际地磁匹配导航需求的问题，提出了一种基于卷积神经网络的地磁基准图构建方法。首先，利用卷积层提取低分辨率基准图中的特征图像块；然后，利用基于学习的阈值收缩算法（LISTA）实现图像块的稀疏表示；最后，利用三通道的地磁信息得到重建后的高分辨率基准图。实验结果表明:所提方法对地磁基准图具有更高的构建精度，同时对噪声有更好的鲁棒性，各种客观评价指标均高于现有的超分辨率重建方法。      

远距离逆行轨道上的近距离自然及受控编队

远距离逆行轨道（DROs）是地月空间中一族稳定的周期轨道，适用于地月空间站等长期任务。为维持任务的长期存在，交会对接及编队飞行等任务是必要的。因此有必要分析远距离逆行轨道上的近距离相对运动解，并进行编队设计。首先，基于Floquet理论得到了远距离逆行轨道上的近距离线性化相对运动的基础解集，并对其解进行了分类与分析。其次，以基础解集中的自然周期解为基础设计了伴飞编队，并对其特性进行了全面分析。之后，针对圆形受控绕飞编队做了详细的分析，可用于指导后续受控编队的设计。最后，设计了两点之间的安全转移编队，可用于任意两点之间的转移，并保证转移过程中主星与副星之间具有足够的安全距离。     

并行稀疏滤波在轴承声信号下的故障诊断

振动信号是航空发动机故障监测的常用信号。由于航空发动机结构复杂，对振动传感器的布置要求日益严格。声学信号以其非接触式、易布置、低成本的优点，在轴承智能故障诊断中引起了广泛的关注。然而，由于航空发动机内声信号所处的环境噪声较强，传统的轴承故障诊断方法无法实现精确的特征提取。为此，研究有效的特征提取方法实现轴承声信号下的智能故障诊断显得尤为重要。稀疏表示是智能故障诊断中的一个研究热点，在稀疏特征提取方面显示出强大的力量。对强噪声下的声信号进行有效的稀疏特征提取，可为轴承的非接触式故障诊断提供解决路径。提出一种基于并行稀疏滤波的轴承故障诊断方法，能够实现对轴承声信号的稀疏特征提取。并行稀疏滤波通过在传统稀疏滤波的基础上增加另一个归一化方向来实现进一步的稀疏特征提取，然后采用权值归一化方法约束训练得到的权值矩阵。最后，通过仿真和实验数据验证了所提方法的优越性。结果表明，并行稀疏滤波能够实现轴承声信号的有效稀疏特征提取和精准分类，可用于声学信号下的轴承智能故障诊断。     

无人集群系统时变编队H∞控制

针对有向通信拓扑网络下具有通信时滞与外部干扰的无人集群系统（AUSS）时变编队H_∞控制问题进行了研究。首先，基于AUSS期望编队构型信息、无人机（UAV）实时状态信息以及通信UAV之间带通信时滞的状态误差信息提出了AUSS的编队控制方法，通过变量替换将AUSS的编队控制问题转换成低维闭环系统的渐近稳定问题，并以线性矩阵不等式（LMI）形式给出了系统稳定的充分条件与最大允许通信时滞的计算公式。其次，通过构造Lyapunov-Krasovskii（L-K）泛函，证明了存在通信时滞与外部干扰条件下AUSS能够实现时变编队。最后，通过数值仿真验证所设计方法的准确性与有效性。      

超精密微牛级微波离子推进技术及其在卫星超精度控制中的应用研究

空间技术的快速发展使得利用空间卫星的编队飞行构建大型空间星座成为可能，在引力波探测、射电望远镜编队、星座组网等任务方面具有重要作用。超精度控制是实现卫星高精度编队飞行的关键技术。推进系统是实现卫星编队长期高度稳定飞行的保证，从而实现内部科学装置的正确运行。不同于常规的推进系统，卫星精密编队超精度控制对推进系统的推力可调范围、分辨率、响应时间、推力的一致性等有着极高的要求。根据卫星精密编队任务需求，对微牛级推进系统的功能及技术要求进行了分析，提出了基于M2微波离子推力器的卫星超精度控制推进系统。阐述了M2超精密微牛级推进系统的关键技术和研究进展，为后续M2推力器在无拖曳控制方面的应用奠定了基础。     

基于可调品质因子小波和簇稀疏增强的磁异常信号特征提取研究

在磁异常信号目标探测中,由于存在背景噪声的干扰,导致采集到的磁信号中的有用特征极其微弱,从而极大地增加了特征提取的难度。文章提出了一种基于重叠簇收缩算法的可调品质因子小波变换的稀疏特征提取方法。与传统的固定品质因子值相比,该方法可根据信号的振荡特性调整品质因子,从而有效地诱导稀疏;此外,重叠簇收缩算法可有效地从具有簇特性的信号中提取微弱特征,从而增强特征的提取精度。经工程验证,将该方法应用于磁异常信号特征提取,可从复杂背景干扰信号中精确地提取出有用的稀疏目标特征。     

基于DDPG算法的无人机集群追击任务

无人机的集群化应用技术是近年来的研究热点，随着无人机自主智能的不断提高，无人机集群技术必将成为未来无人机发展的主要趋势之一。针对无人机集群协同执行对敌方来袭目标的追击任务，构建了典型的任务场景，基于深度确定性策略梯度网络（DDPG）算法，设计了一种引导型回报函数有效解决了深度强化学习在长周期任务下的稀疏回报问题，通过引入基于滑动平均值的软更新策略减少了DDPG算法中Eval网络和Target网络在训练过程中的参数震荡，提高了算法的训练效率。仿真结果表明，训练完成后的无人机集群能够较好地执行对敌方来袭目标的追击任务，任务成功率达到95%。可以说无人机集群技术作为一种全新概念的作战模式在军事领域具有潜在的应用价值，人工智能算法在无人机集群的自主决策智能化发展方向上具有一定的应用前景。     

基于修正似然滤波的无人机编队相对导航方法

针对无人机编队相对导航系统中视觉导航传感器量测数据存在随机时延问题,提出一种能够处理多步随机延迟量测的修正似然容积卡尔曼滤波（ML-CKF）算法。用多个伯努利随机变量对量测模型进行修正以描述随机延迟;通过边缘化延迟变量来计算滤波的似然函数以从延迟量测中提取准确的信息;采用三阶球面-径向容积准则计算高斯加权积分以解决系统的非线性。滤波中的加权因子根据接收量测的特性进行调整,因此,所提修正似然滤波具有自适应卡尔曼滤波属性。利用罗德里格斯参数表示姿态误差,设计了基于修正似然容积卡尔曼滤波的相对导航滤波器。仿真结果表明：所提算法可以准确地估计出长机和僚机之间的相对位置、速度和姿态,且估计精度高于容积卡尔曼滤波和传统随机时延滤波。     

基于卷积稀疏表示的图像融合方法

图像融合是图像处理领域中比较重要的一门技术,传统的图像融合方法会降低图像融合质量。针对稀疏表示在图像融合中存在一定的缺陷,提出了一种基于卷积稀疏表示的图像融合方法。首先,对高频子带系数进行合理有效处理,利用相似度分析和视觉显著性进行融合。然后,将低频子带系数整体融合改进为使用Butworth低通滤波对低频子带进行分解,得到低频近似子带和强边缘子带。最后,再用改进的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)对强边缘子带进行融合。实验结果表明,与其它传统的图像融合方法相比,信息熵(Information Entropy,IE)提高了将近3%,标准差(Standard Deviation,SD)提高了将近9%,空间频率(Space Frequency,SF)提升了将近30%,互信息(Mutual Information,MI)提升了将近25%。同时,时间效率也有了一定程度地提升。