木星环绕探测任务中的内带电风险评估

木星拥有类似地球辐射带的辐射带结构,其辐射带质子通量是地球的10倍,高能电子通量比地球高2~3个数量级,且最高能量可达1 Ge V。因此木星探测任务的抗辐射设计是任务成功的关键。选择3种不同倾角大椭圆探测轨道,仿真分析了2种介质在变化能谱下的内带电过程。仿真结果表明,对于环氧树脂(Fr4),由于电阻相对较小,电子通量较大的近木点的充电电荷,会在远离辐射带时泄放,其最大充电电场取决于近木点的电子通量;对于聚酰亚胺(Kapton),由于电阻相对较大,充电电荷不能及时泄放,不同轨道间电荷逐渐累计,最大电场不断增加。另外,环木轨道倾角越大,越有利于降低充电电场。和地球GEO轨道相比,不同电阻介质在环木轨道的充电差异相对地球GEO轨道较小。     

木星系探测及行星穿越任务轨迹初步设计

基于我国未来木星系探测任务需求,初步设计了任务轨迹。以目前的发射能力,要实现木星的环绕探测必将利用行星借力,需设计借力轨迹。首先将脉冲变轨的轨迹设计问题转化为参数优化问题,在满足2029—2032年间发射并且飞行时间不超过7年的约束条件下,使用PSO算法对发射时刻、借力时刻、深空机动时刻、到达时刻等参数进行优化,使得探测器需提供的总速度增量最小。探测器进入木星系后,利用木卫3借力捕获至环木大椭圆轨道,又利用木卫4构造共振借力,最终捕获至木卫4的环绕轨道。在此基础上,还考虑了天王星飞越的拓展任务,天王星探测器在到达木星时与木星系探测器分离,利用木星借力可无消耗飞往天王星,并在2043年完成天王星的飞越探测任务。     

木星磁层熵参量的计算与分析

空间等离子体熵的不守恒可能来自于磁场位形改变和非绝热过程.熵参量PV~(5/3)被广泛应用于分析地球磁层等离子体片中的输运问题,其中,P为压力,V为单位磁通量管的体积.通过熵参量的分布和变化可以判断磁层的稳定性及揭示磁层中的动力学过程.本文利用地球磁层中熵参量的分析应用,计算了木星稳态磁层模型中磁通量管的熵参量分布.从5R_j(R_j为木星半径)到55_j,熵参量增加了4个量级,55 R)_j之后有所下降,表明所用磁层模型在55R_j之外已经不稳定.同时,假想磁场重联后的单位磁通量管的熵参量分布表明,赤道面中远磁尾的磁场重联是由尾向输运的磁力线管拉伸断裂重联引起的.     

利用人工神经网络预报大磁暴

本文采用阈值预报的策略和人工神经网络BP模型,以13个太阳风参量和地磁AE,Dst指数作为输入,以0或1作为输出,提前4h预报大磁暴主相发生的时刻．结果表明,采用神经网络方法的阈值预报可以对灾害性磁暴的发生提前数小时做出比较准确的预报．     

两种空间直角坐标系转换参数初值快速计算的方法

在已知不共线3点在两坐标系下坐标的条件下,提出了两种快速计算两坐标系间转换参数概略值的方法。其中一种是先通过三点构造在两坐标系下的一个新点,将两个坐标系平移到该新点,从而消除平移参数。利用此时的三点坐标可以方便地求得两坐标系间的旋转矩阵,由旋转矩阵可进一步求得旋转角和平移参数;另一种方法是先通过已知的三点构造出一个新的坐标系,通过该坐标系可计算出待求的两坐标系及其旋转参数,从而求得待求两坐标系间的旋转参数。最后,通过旋转参数可计算出平移参数的概略值,并试验验证了两种方法的正确性。     

绳系拖曳飞行器高抗扰轨迹跟踪控制

针对受未知风扰动作用下的绳系拖曳飞行器轨迹精确控制问题,设计了一种基于最小学习参数神经网络估计器的拖曳飞行器轨迹动态面控制方法。首先,结合绳系拖曳系统多刚体动力学模型,构建拖曳飞行器六自由度非线性模型,并完成其仿射非线性化处理。其次,考虑到拖曳飞行器可能受到前方飞机尾涡、紊流和阵风等未知气流及不可测量瞬变缆绳拉力等扰动的综合影响,构建了基于最小学习参数神经网络的拖曳飞行器状态/扰动在线估计器,以准确重构系统不可测量集总扰动。然后,基于所提状态/扰动在线估计器,设计了一种基于最小学习参数神经网络状态/扰动在线估计器的拖曳飞行器轨迹动态面控制方法,并分析了系统稳定性。最后,仿真表明,所提方法能够在多重气流扰动下实现拖曳飞行器位置稳定和机动轨迹跟踪。      

人工神经网络在复合材料研究中的应用

人工神经网络技术广泛应用于复杂系统的建模中,已成为材料科学研究中常用的建模方法;介绍了BP神经网络及其建模的重要特征,综述了神经网络在复合材料性能预测、工艺设计与优化、损伤预测与检测等方面的研究情况.     

太阳质子事件警报

采用人工神经网络预报方法,利用太阳耀斑的日面位置、X射线辐射的峰值流量及其上升时间、2695MHz和8800MHz微波辐射的半积分流量等5个物理参量,提出了一个新的太阳质子事件警报方案,预报太阳质子事件的发生及其流量和时间．该方案在本文检验中达到93．75％的预报准确率．     

神经网络方法在太阳质子事件短期预报中的应用

在大量统计结果的基础上,深入研究了太阳质子事件预报机理．总结了质子事件爆发与太阳活动区面积、位置、McIntosh结构、磁结构以及前两天活动区爆发耀斑事件数目之间的关系．然后,在神经网络的基础上建立了太阳质子事件短期预报模型,并对2000年以后12个未参加训练的样本进行测试,结果对事件预报的准确率为83％．此外,我们还利用该模型对2002年1-4月发生的几次质子事件进行了预报试验,结果发现,这期间发生的6次事件都被预报．其中3次质子事件系统预报提前了3天,两次事件预报提前了2天,一次事件提前1天预报．     

利用人工神经网络预测电离层f_0F_2月中值

提出了利用人工神经网络技术预测电离层临界频率月中值的方案．在利用人工神经网络技术研究电离层月中值隔月变化规律的基础上,考虑足够的周年和黑子周期变化的数据训练网络,使 ｆ０Ｆ２月中值预测值与实测数据比较平均误差为 ０．３４ＭＨｚ,预测精度有了较大改进．最后采用分形学的基本理论得到电离层 ｆ０Ｆ２月中值的分数维为 ３,选用 ３个输入量,分别预测高、低年 ｆ０Ｆ２月中值,与实测数据比较平均误差为 ０．３ＭＨｚ．     

基于神经网络模型的学习诊断

基于故障树模型的诊断把故障树的底事件分成三部分：必然的故障源集（ＣＦＳ）、正常底事件集（ＮＥＳ）和可能的故障源集（ＰＦＳ）,及如何进一步确定ＰＦＳ中各元素的状态（正常或异常）。在存在大量训练样本的情况下,可采用基于神经网络模型的学习诊断方法来确定ＰＦＳ中各元素的状态,并通过对某卫星能源系统故障模拟原理性试验台的故障诊断验证了该方法的有效性。     

基于神经网络模型的层次诊断方法及应用

对神经网络和故障诊断的层次分解模型进行了研究,把神经网络技术和层次分解模型相结合,利用神经网络来实现分层诊断。以卫星能源系统为背景,建立了该系统故障模拟试验台的层次分解模型,在此基础上构造了合适的分层神经网络,通过分层神经网络诊断系统故障,给出的两个实例说明了这种方法的有效性。     

BP神经网络用于传感器故障诊断的仿真研究

在标准逆传播神经网络的基础上 ,提出了一种全新的改进逆传播神经网络 ,用来消除标准逆传播神经网络收敛速度慢和易陷入局部最小点的缺陷 ;并且设计了一个主神经网络和三个分布神经网络的结构 ,通过神经网络的在线学习 ,得到需要的参数估计。用它与传感器测得的实际值比较 ,可判断出故障 ,并且给出了仿真实例。     

A noise attenuation method for medium-energy electron measurements in the radiation belt

From the viewpoint of plasma particle measurements in the radiation belt, background noise is a serious problem. High-energy particles penetrating the sensor shielding generate spurious signals, and their count rate often can be comparable to the true signals. In order to attenuate such background noise during medium-energy (5–83 keV) electron measurements, we propose the double energy analyses (DEA) method. DEA is conducted by a combination of an electrostatic analyser (ESA) and avalanche photo-diodes (APDs); ESA and APD independently determine the energy of each incoming particle. By using the DEA method, therefore, the penetrating particles can be rejected when the two energy determinations are inconsistent; spurious noise are caused only when the deposited energy at an APD is by chance consistent with the measured energy by ESA. We formulate the noise count rate and show the advantage of DEA method quantitatively.