大气阻力参数修正对低轨空间目标轨道预报精度的改进

对于低轨空间目标, 大气阻力是影响轨道预报精度的主要摄动力. 本文提出了一种 基于空间环境数据和神经网络模型的空间目标大气阻力参数修正方法, 基于目 标的历史两行元根数, 通过模拟得到外推一天轨道预报中预报结果与观测数据 符合最好的阻力调制系数, 分析表明其与太阳F_10.7指数和地磁Ap指数具有很好的相关性. 根据已有数据, 构建神经网络模型, 实现对阻力调制系数 的补偿计算, 从而改进低轨目标外推一天的轨道预报. 结果表明, 神经网络模 型相比两行元根数能够更及时地对空间环境变化进行响应. 将该方案应用于天 宫一号和国际空间站的外推一天轨道预报, 验证了方案的正确性和普适性, 对 地磁扰动引起的较大预报误差改进效果更好, 误差能够降低50%~60%; 平均而言, 预报精度可以提高约30%, 改进成功率达到80%左右.      

利用卫星两行轨道根数反演热层密度

两行轨道根数（TLEs）是基于一般摄动理论产生的用于预报地球轨道飞行器位置和速度的一组轨道参数,通过求解大气阻力微分方程,可反演出热层大气密度. 本文选取近圆轨道CHAMP卫星和椭圆轨道Explorer8卫星,以两行轨道根数数据为基础,计算反弹道系数,并根据不同轨道特征采用两种不同反演方法对热层大气密度进行研究. 结果表明,这两种方法反演得到的大气密度与实测值均符合较好,其中CHAMP卫星的反演结果和经验模式值相对于实测值的误差分别为7.94%和13.94%,Explorer8卫星的误差分别为9.04%和14.32%. 相比模式值,利用两行轨道根数数据反演的热层大气密度更接近于实测值,说明该方法可以作为获取大量可靠大气密度数据的一种有效途径.      

基于SVM的低空飞行冲突探测改进模型

为保障通航飞行器在低空空域的飞行安全,提出了一种基于支持向量机（SVM）的飞行冲突探测改进模型。首先,建立适应于飞行器的保护区。然后,利用改进型ID3决策树算法将搜索空间降低到局部的方法筛选具有潜在飞行冲突的飞行器,并利用随机森林（RF）选择合适训练集。最后,利用tanh函数优化容易饱和的sigmoid函数对SVM分类结果的概率映射。通过仿真验证和对比分析,结果表明:利用基于密度聚类的DBSACN算法去除异常点,将剔除产生误报和虚报的数据作为训练集优化SVM分类器,改进的飞行冲突探测模型的误报率和虚报率分别降低了0.6%和1.9%,算法执行效率得到提高,而且具有较好的抗干扰能力与稳定性。      

LSTM神经网络在太阳F10.7射电流量中期预报中的应用

F_10.7指数作为大气密度经验模型的重要输入参量,其预报精度直接影响航天器轨道预报精度.研究发现,太阳活动表现出长时间尺度上平均11年和中短时间尺度平均27天的周期性变化特征.依据这一观测事实,基于长短期记忆单元（Long Short-term Memory,LSTM）递归神经网络方法进行F_10.7指数未来27天的中期预报.利用一个连续长时段F_10.7数据作为训练数据,构建LSTM神经网络训练和预测模型,分别预测太阳活动高低年未来27天的F_10.7指数.结果表明,太阳活动高年的第27天F_10.7指数预报平均相对误差最优可达10%以内,低年最优可达2%以内.      

基于支持向量机的机场智能驱鸟决策

为提高机场鸟击防范管理水平,实现探鸟雷达与多种驱鸟设备联动,提出一种基于支持向量机（SVM）的机场智能驱鸟决策方法。该方法包括训练和测试两部分。训练部分利用机场鸟类探测预警与驱赶联动系统获取的大量历史鸟情信息,结合专家知识,通过数据预处理与支持向量机训练,建立驱鸟策略分类模型;测试部分根据驱鸟实时智能决策结果,对驱鸟策略分类模型进行持续修正与优化。通过某机场的实测鸟情信息数据与若干驱鸟实例,证明驱鸟策略分类模型具有较高的决策正确率,并能够通过自身修正与优化应对各种新问题。本文方法针对实时鸟情信息,实现了多种驱鸟设备的优化组合,克服了驱鸟设备长期重复运行造成的鸟类对驱鸟设备的耐受性问题,极大改善了驱鸟效果。      

时间序列法在临近空间大气风场预报中的应用

受多种因素影响,临近空间大气环境要素复杂多变,预报难度很大.本文采用时间序列法中的自回归滑动平均（ARMA）模型对临近空间大气风场开展统计预报方法研究,基于廊坊（39.4°N,116.7°W）中频雷达在88km高度的大气纬向风数据开展预报试验.本次预报试验的样本数据为2015年9月24日至10月24日风场数据,利用过去7天数据对未来第8天风场数据进行预报.试验结果显示,ARMA模型对临近空间大气风场预报有一定的适用性.当风场变化规律性较强,即样本数据风场呈现出比较显著的24h周期性变化时,ARMA模型预报效果较好;当风场发生突变时,预报效果变差.与实测数据的对比结果表明,ARMA模型预报结果的误差在9~27m·s-1,预报效果优于同阶自回归（AR）模型,略优于高阶AR模型.      

基于GA-SVM的GNSS-IR土壤湿度反演方法

针对提高大范围土壤湿度测量精度的问题,研究了土壤湿度的全球卫星导航系统干涉测量法（GNSS-IR）,提出了一种基于支持向量机（SVM）的土壤湿度反演模型,利用遗传算法（GA）的自动寻优功能寻找SVM的最佳参数。结果表明,GA-SVM模型在测试集上得到的土壤湿度反演值与实测值的平均绝对百分比误差（MAPE）仅为0.69%,最大相对误差（MRE）为1.22%,线性回归方程决定系数达到了0.956 9。进一步与统计回归、粒子群优化的SVM模型（PSO-SVM）及反向传播（BP）神经网络方法进行对比,结果说明:在样本数目有限的情况下,GA-SVM方法更适用于土壤湿度的GNSS-IR技术反演,且反演精度较高,泛化性能良好。      

Orbital error propagation considering atmospheric density uncertainty

Due to the influence of various errors, the orbital uncertainty propagation of artificial celestial objects while orbit prediction is required, especially in some applications such as conjunction analysis. In the orbital error propagation of artificial celestial objects in low Earth orbits (LEOs), atmospheric density uncertainty is one of the important factors that require special attention. In this paper, on the basis of considering the uncertainties of position and velocity, the atmospheric density uncertainty is also taken into account to further investigate the orbital error propagation of artificial celestial objects in LEOs. Artificial intelligence algorithms are introduced, the MC Dropout neural network and the heteroscedastic loss function are used to realize the correction of the empirical atmospheric density model, as well as to provide the quantification of model uncertainty and input uncertainty for the corrected atmospheric densities. It is shown that the neural network we built achieves good results in atmospheric density correction, and the uncertainty quantization obtained from the neural network is also reasonable. Moreover, using the Gaussian mixture model - unscented transform (GMM-UT) method, the atmospheric density uncertainty is taken into account in the orbital uncertainty propagation, by adding a sampled random term to the corrected atmospheric density when calculating atmospheric density. The feasibility of the GMM-UT method considering atmospheric density uncertainty is proved by the further comparison of abundant sampling points and GMM-UT results (with and without considering atmospheric density uncertainty).     

Deep learning-based framework for monitoring of debris-covered glacier from remotely sensed images

In recent years, deep learning (DL) methods have proven their efficiency for various computer vision (CV) tasks such as image classification, natural language processing, and object detection. However, training a DL model is expensive in terms of both complexities of the network structure and the amount of labeled data needed. In addition, the imbalance among available labeled data for different classes of interest may also adversely affect the model accuracy. This paper addresses these issues using a new convolutional neural network (CNN) based architecture. The proposed network incorporates both spatial and spectral information that combines two sub-networks: spatial-CNN and spectral-CNN. The spectral-CNN extracts spectral information, while spatial-CNN captures spatial information. Moreover, to make the features more robust, a multiscale spatial CNN architecture is introduced using different kernels. The final feature vector is formed by concatenating the outputs obtained from both spatial-CNN and spectral-CNN. To address the data imbalance problem, a generative adversarial network (GAN) was used to generate data for the underrepresented class. Finally, relatively a shallower network architecture was used to reduce the number of parameters in the network and improve the processing speed. The proposed model was trained and tested on Senitel-2 images for the classification of the debris-covered glacier. The results showed that the proposed method is well-suited for mapping and monitoring debris-covered glaciers at a large scale with high classification accuracy. In addition, we compared the proposed method with conventional machine learning approaches, support vector machine (SVM), random forest (RF) and multilayer perceptron (MLP).     

小样本下基于孪生神经网络的柱塞泵故障诊断

针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明：与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明：所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。     

基于雷诺数的大气阻力模型在飞行器再入预报中的应用

随着对空间技术服务需求的增加和空间碎片主动移除技术的实现,未来空间碎片将以数量多、质量大、难分解等特点频繁再入大气层,给地面人员和财产安全造成更多威胁.因此,亟需对火箭体等大型航天器的大气再入进行预警,然而因缺乏合适的大气阻力系数模型难以实现高精度的大气再入预报.为此,在简化航天器模型的基础上引入基于雷诺数的大气动力模...     

带空间结构的人工神经网络建模方法

将遍历搜索法引入带空间结构的人工神经网络模型,提出一种新的模型估计和空间数据样本外预测方法。该方法基于人工神经网络,结合空间自回归模型思想,在网络模型中引入空间滞后项来考虑变量的空间效应,提出使用遍历搜寻最优解的方式替代传统极大似然法进行空间自回归系数估计和建模。结合样本外数据和空间结构,扩展空间权重矩阵并代入所提模型进行样本外预测,充分发挥了人工神经网络模型泛化能力强的特点。仿真分析指出:在合理考虑空间效应的情况下,所提模型的预测效果较普通人工神经网络有显著提升;而且当空间变量间存在非线性关系时,所提模型的预测精度同样优于空间自回归模型。      

基于SCSO-BP神经网络的卫星姿态控制系统故障预测

近年来,随着人工智能的迅速发展,基于人工神经网络的卫星姿态控制系统故障预测方法得到了越来越多的重视。在反向传播(Back Propagation ,BP)神经网络中,权重和偏置是重要的可调节参数,与神经网络的预测性能密切相关。BP神经网络的初始权重和偏置为随机生成,设置不当容易导致网络在训练过程中陷入局部极值,进而影响预测性能。为了提高BP神经网络的预测性能,提出了一种将沙猫群优化(Sand Cat Swarm Optimization ,SCSO)算法与BP神经网络相结合的预测方法。在训练过程中,首先通过SCSO 算法对BP神经网络权重和偏置进行预训练,在此基础上,利用精调后的BP神经网络对卫星姿态控制系统周期渐变故障数据的未来趋势进行预测。实验结果表明,与原始BP神经网络预测方法相比,SCSO-BP预测方法能够有效减小预测误差,具有更好的预测精度。     

基于异构网络表示学习的评分预测模型

深入分析电商行业的用户个性化数据并提供推荐服务近年来已成为业界的热点。推荐服务的基础是对用户的潜在兴趣进行挖掘,并对商品的感兴趣程度进行预测。因此,以此为背景,研究用户对商品的评分预测。对电商业的关系型数据在推荐系统中的应用进行了研究,提出了通过使用网络表示学习进行评分预测的方法。首先,将关系型数据构建成异构网络,用户和商品为网络中的节点。然后,设计了兼顾网络结构信息和节点之间相似性的个性化异构网络采样方法,并对节点进行表示学习。最后,将学习到的用户、商品表示向量输入到神经网络中进行训练,利用优化后的神经网络模型进行评分预测。实验结果表明:所提方法在YELP 13、Movielens 100k、Movielens 1m数据集上都有较高的准确率,对比常用方法,准确率提升6.5%以上。      

基于LSTM循环神经网络的故障时间序列预测

有效地预测使用阶段的故障数据对于合理制定可靠性计划以及开展可靠性维护活动等具有重要的指导意义。从复杂系统的历史故障数据出发,提出了一种基于长短期记忆（LSTM）循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。