面向卫星电源系统的一种新颖异常检测方法

面向卫星电源高维周期性时序遥测数据，提出了一种新颖的代表性特征自编码器（RFAE）模型，并用于无监督的异常检测。RFAE采用改进的堆叠自编码器损失函数和训练算法，从而使模型可以学习到相位相同样本的代表性特征；然后根据代表性特征重构样本，根据重构误差来判断样本是否异常。在试验部分首先通过模拟数据校验了RFAE算法能够有效地检测出高维周期性时序数据的异常，然后又采用某卫星电源系统2014年1~12月真实遥测数据进行试验，RFAE异常检测准确率达到99%，检测效果明显优于目前的其他异常检测算法，具有较高应用价值。     

基于SE-TCN网络模型的太阳电池阵温度异常检测

针对因卫星入境数据延迟,无法快速判断太阳能电池阵温度遥测数据是否发生异常问题,提出一种SE-TCN网络模型。首先借鉴SENet中的通道注意力机制,对时间卷积网络(TCN)进行改进,提高模型的特征提取能力;其次使用SE-TCN做为特征提取网络,训练出网络模型;最后对温度遥测数据做中长期预测(约4轨)。以某在轨卫星实际太阳能电池阵温度遥测数据作为实验数据。结果表明:本文提出的SE-TCN网络模型在评价指标上与传统TCN网络模型相比,平均绝对误差(MAE)降低了7.7%,均方根误差(RMSE)降低了5.2%,相关系数(R)提高了0.4%。当卫星入境时,该检测方法可根据预测值快速判断实时遥测数据是否发生异常。     

基于VGG16迁移学习的轴承故障诊断方法

针对轴承故障诊断问题,提出基于VGG16卷积神经网络与迁移学习的故障诊断方法。首先将轴承原始振动信号数据利用信号转图像方法进行预处理,生成相应的目标数据集;然后将已经预训练过的VGG16模型在生成的目标数据集上训练并微调;最后将微调后的VGG16模型应用于故障诊断。将该方法分别在凯斯西储大学和辛辛那提大学的轴承数据集上进行验证,结果表明该方法能够取得接近100%的轴承故障诊断准确率,具有较好的应用前景。     

空间变化场景下卫星部组件域适应识别研究

针对小样本限制下卫星部组件识别域适应困难的问题,提出一种变化场景下自适应迁移的目标识别算法.卫星部组件的识别模型框架为YOLO,迁移算法包括3个策略:基于特征关联性的样本加权策略,基于模型的参数自适应策略和最优特征变换自适应迁移策略.基于以上策略,YOLO模型建立域特征空间的相似性,选择性地迁移源域知识,同时在适应过程...     

应用自适应滑动窗口的卫星模拟量遥测数据跳变检测方法

提出一种应用自适应滑动窗口的卫星模拟量遥测数据跳变检测方法,针对卫星模拟量遥测数据特性,设计一种低计算量、简单易行的滑动窗口机制,并结合指数平滑方法处理遥测数据,根据遥测数据的局部波动情况自适应调整滑动窗口的检测灵敏度,通过组合滑动窗口实现对模拟量遥测数据的跳变检测、拐点检测和噪声检测,提高跳变信息检测的正确性。通过对某导航卫星热试验期间的真实遥测数据进行计算分析,验证了所提方法的正确性。该方法不依赖先验模型知识和标签数据集,具备可量化、低虚警、计算简易及适用性广的特点,可用于地面测试和在轨运行过程中的实时数据判读。     

一种卷积神经网络非合作目标姿态测量方法

针对空间非合作目标姿态测量问题,提出一种基于卷积神经网络的非合作目标姿态视觉测量方法。该方法先设计特征提取网络并利用公开数据集进行预训练,用少量实际目标图像进行迁移学习,实现非合作目标图像高层抽象特征的自动提取;再设计基于回归模型的姿态映射网络,建立图像高层特征与三轴姿态角之间的非线性关系,实现非合作目标的姿态测量。实验验证了两类特征提取网络测量精度和参数量大小,测量精度可达 0.711° (1σ),表明了“单目相机+卷积神经网络”方法的可行性。     

基于深度学习神经网络的SAR星上目标识别系统研究

实现对地面目标的智能识别,对一种基于深度学习的卷积神经网络(CNN)的星载合成孔径雷达(SAR)星上目标识别系统进行了研究。系统由星上和地面两部分组成。其中:地面部分进行网络结构设计、SAR图像数据预处理、CNN模型训练、模型压缩及上传;星上部分接收上传模型并解压缩、目标识别、识别后粗筛图像下传地面;地面进行人工筛查,筛查后的正确图像作为训练数据对CNN模型进行再训练,逐步获得精度更高的模型。提出的CNN架构为卷积层2个、下采样层2个、Dropout层3个、Flatten层1个、全连接层2个,最终输出标签11类。为使训练后的CNN模型能部署到卫星上使用,采用数据精度压缩和剪枝两种数据深度压缩方法以减小数据存储量和减低网络复杂度。在Keras深度学习开源库环境中实现设计的CNN模型,对运动和静止目标获取与识别(MSTAR)数据库中的11类军事目标识别的实验结果表明:识别和分类的效果良好,整体识别成功率达96.29%;模型能压缩至原来的1/13,精度损失小于2%。     

基于多模态域对抗神经网络的调制识别算法

针对调制信号训练数据(源域数据)和测试数据(目标域数据)来自不同数据分布导致预先训练的深度学习模型失配、系统性能急剧恶化、且大量无标签目标域数据未被利用的问题,提出一种基于多模态域对抗神经网络的调制识别算法,在域对抗神经网络基础上同时使用时域和频域的多模态信息对齐源域和目标域调制信号的数据分布以提升调制识别算法性能.仿...     

数据驱动的运载火箭氧涡轮泵异常分析方法

基于模糊聚类和LSTM网络，提出了一种数据驱动的运载火箭发动机氧涡轮泵数据异常分析方法。通过模糊聚类对工况复杂，标签不完整的数据样本进行预分类，得到完整的标签并且分析特征贡献度，为LSTM网络的特征筛选和训练打下基础；通过LSTM网络对氧涡轮泵数据进行预测，并计算预测结果与原始数据之间的平均误差，再根据非参数阈值计算方法计算的阈值判据来判断设备是否异常，最终实现了氧涡轮泵数据驱动的故障检测报警，相较于红线阈值检测方法准确率提升7%。     

基于改进Unet++的丘陵地区耕地地块深度分割与提取

丘陵地区耕地地块具有结构复杂、种植类型多样且破碎度高等特点,针对传统分类方法对耕地信息难以快速准确提取的问题,文章基于“高分一号”卫星影像和Unet++网络模型,采用余弦退火学习率实现了复杂丘陵地区耕地信息的准确深度分割和分类。首先利用多尺度分割方法完成了深度迁移学习模型中典型区域耕地样本标签的制作及其结果验证;其次,采用规则格网裁切方法构建影像和标签训练数据集,在PyTorch环境完成了模型的训练;最后,将改进后模型与Unet和SVM方法进行了分类精度和泛化性能的对比分析。结果表明：改进的Unet++网络模型在复杂丘陵地区耕地提取结果的总体精度为92.75%,比SVM和Unet的提取精度分别提高了9.06%和2.50%。因此,基于Unet++的深度学习模型不仅能够有效抑制复杂的背景噪声,还能从遥感影像中学习到更强的语义特征,从而获得更加准确的耕地信息。该方法可为农作物面积监测和产量估算等实际应用提供基础数据支持。     

融合北斗短报文与CCSDS标准的卫星遥测遥控数据系统设计

随着北斗系统全面建成,北斗短报文在我国卫星测控领域的应用逐渐展开。为了充分利用北斗短报文双向通信功能、保密性好、全球覆盖等特性,参考国际空间数据系统咨询委员会（Consultative Committee for Space Data Systems,CCSDS）的可扩展标记语言的遥测遥控信息交换（XTCE）标准,提出了融合北斗短报文与CCSDS标准的卫星遥测遥控数据系统设计方法。首先,分析了CCSSDS XTCE和北斗短报文的应用现状;其次,考虑到北斗短报文的容量限制,设计优化了卫星遥测遥控数据传输格式和内容;再次,针对北斗短报文传输特性,探讨了加密通信方法;最后,为保证遥测遥控数据传输的正确性与可靠性,设计了数据连续识别和丢包补发方法。结果表明,融合北斗短报文与CCSDS标准的卫星遥测遥控数据系统,可以为提高卫星的设计与科学使用提供参考。     

基于回归分析的航天器异常检测方法

针对某在轨航天器电源温控系统典型故障案例,提出基于Pearson相关系数回归分析的航天器多元遥测数据异常检测方法.首先,对相关遥测数据进行特征提取;其次,对正常状态下的遥测数据进行拟合建模,并用该模型检测后续遥测数据;最后,采用基于Pearson相关系数的回归分析方法对实测数据进行仿真分析.结果表明,针对航天器首次发生...     

数据驱动的卫星关键部件剩余寿命预测模型

针对目前基于统计学方法对卫星及其关键部件进行剩余寿命预测时普遍存在的建模困难、预测精度不高等问题,为更快速、更精确地预测在轨运行卫星关键零部件的剩余使用寿命（RUL）,选取时序数据特征提取能力较强的门控循环单元（GRU）网络构建RUL预测模型。在模型构建时,除了利用卫星遥测数据之外,还将反映卫星通信质量的统计类数据添加到模型中;同时,为进一步提高GRU模型的预测精度,将卷积神经网络（CNN）与GRU融合。最后,以某型号卫星的天线转发器这一关键部件作为研究对象,通过模型预测结果的评价对比,验证CNN-GRU预测模型的RUL预测精度相比GRU模型的有明显提升。     

卫星遥测数据实时压缩算法设计与实现

为了满足多星并行遥测数据处理和海量数据高并发分析的性能需求，便于后续进行数据挖掘、智能预警，本文提出并实现了一种卫星遥测数据实时压缩算法。针对遥测数据的特点，提出了遥测自适应分类方法，采用改进型RLE（Run Length Encoding，行程编码）压缩和增量压缩结合的算法，结合数据库技术，实现了遥测数据的压缩。在某型号卫星研制项目中，采用了该算法进行数据压缩，统计分析表明：该算法起到了很好的压缩效果。     

基于点云的空间非合作目标初始相对位姿获取

针对空间非合作目标相对位姿解算对点云迭代最近点(ICP)算法迭代初值要求较高,易产生误匹配等问题,提出了一种基于点云分割与点云关键点的ICP初始迭代位姿获取方法。首先,考虑到非合作目标可能具有的高度对称外观,基于LCCP点云分割算法与点云Harris关键点,在已知目标外轮廓点云基础上,设计了点云ICP初始迭代位姿获取方法。该方法具体流程为：点云降采样处理与关键部分提取、关键部分点云多角度预变换处理、最佳点云匹配及初始迭代位姿获取。最后,以某通信卫星模型搭建虚拟验证平台,使用本文提出的方法给出ICP迭代初始位姿并进行对比实验。结果表明,本文提出的点云ICP迭代初始位姿获取方法可有效规避非合作目标高度对称带来的误匹配,可给出较精确的相对位姿。     

基于复数域Transformer-Unet混合模型的PolSAR地物分类

传统的基于深度学习的极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,PolSAR）地物分类方法,通过堆叠卷积层提取图像局部特征,难以建立长距离依赖关系。基于自注意力机制的深度学习模型Transformer（变换）在图像分类任务中取得了成功,其自注意力机制能够捕获全局像素之间的关联性,同时PolSAR地物分类任务被证实：相比于实数域,其在复数域上表现出更好的分类效果。因此,本文将Transformer引入到复数域中,提出了一种基于复数域的Transformer和Unet（语义分割网络）混合模型（CT-Unet）用于PolSAR地物分类,将Transformer与CNN相结合,对复数类型的PolSAR数据进行特征提取,使用西安数据集和德国数据集进行PolSAR地物分类的实验结果表明：提出的模型能够有效提高PolSAR地物分类的准确性,Transformer有望在PolSAR地物分类任务中弥补卷积神经网络的不足。     

基于通道剪枝的SAR图像舰船检测优化算法

近几年,随着深度学习的发展,基于深度学习的目标检测算法开始应用于合成孔径雷达(SAR)图像中的舰船检测。但深度学习模型结构复杂,参数量与计算量巨大,无法应用到星载处理器的实时处理中。本文提出一种结合了Faster-RCNN和卷积通道剪枝的舰船检测方法,在保证检测精度不受较大影响的情况下,剪除卷积层中的部分参数,提高检测效率。实验表明:经过剪枝优化的Faster-RCNN舰船检测模型中的参数量降低了约56%,而推理时间减少了约51%,同时精度下降仅有1.9%。这给未来在星载处理器上部署舰船检测算法提供了新的思路。