一种星箭动态界面力识别方法

为获得卫星与运载火箭界面的动态载荷,提出了采用应变测量的识别方法:沿连接环表面设置测点,每个测点粘贴应变花测量该处应变,由升空过程中采集到的应变信号经理论分析即可辨识界面力。仿真分析证明,该方法对星箭界面动态载荷幅值的识别误差可达20%以下,能够满足工程需求,可对未来卫星力学环境识别的工程应用提供参考。     

一种星载GNSS-R海面风向反演方法

针对目前海面风场反演中风向反演困难,准确性低的问题,提出一种利用深度网络反演海面风向的新方法,该方法采用星载GNSS-R信号作为遥感源,根据海面反射信号特性与风向相关关系选择反演观测量,建立海面风向反演的深度网络模型。引入ReLU函数作为网络激活函数,并基于遗传算法(GA)优化了网络模型,对输入数据进行时空匹配与归一化处理,通过机器学习建立风向与输入变量的对应关系,利用深度网络模型反演得到海面风向,该方法反演结果的均方根误差εRMSE=18.14°,满足海面风向测量精度均方误差小于20°的一般测量要求,并通过两组对比试验验证了该方法的有效性和鲁棒性。     

“一箭多星”发射低地球轨道卫星的构型优化设计方法

针对一箭多星发射的低地球轨道(LEO)卫星,提出一种考虑多星-单星耦合作用的卫星构型优化设计方法,从单星系统配置和运载火箭对构型的约束分析、一箭多星发射构型设计、单星和多星分配器构型设计3个层次逐级开展卫星构型设计。通过设计实例验证了卫星构型优化设计方法的有效性,此方法能够在满足构型约束条件的同时,实现运载火箭潜力的最大化利用及单星发射成本的最低。     

基于深度学习和动态变阵的迈克尔逊干涉成像方法

干涉成像为突破衍射极限成像带来了可能,然而目前干涉成像系统的子孔径阵列通常固定不变,导致图像频谱获取不足、灵活性差,阻碍了成像系统性能的提升。此外,干涉图像的复原方法面临复原速度慢、复原品质差等难题。文章利用动态变阵的方法解决迈克尔逊干涉成像由于孔径稀疏且固定导致的频谱获取不足、灵活性差的问题,进而进一步地利用深度学习的方法,设计了一种干涉成像的图像复原算法,提高图像复原品质和速度。实验结果表明：动态变阵可有效提高稀疏孔径迈克尔逊干涉成像的频谱获取能力,基于深度学习的网络模型可以显著提高图像的复原品质,复原图像峰值信噪比提升5 dB,复原时间提升两个数量级。总之,文章所提的变阵方案和基于深度学习的图像复原方法可以获得高品质的复原图像,在成像领域具有一定的应用潜力。     

基于多智能体深度强化学习的多星观测任务分配方法

为应对多星环境中复杂多约束条件下的任务分配场景,提出一种多星自主决策观测任务分配算法,该算法采用基于集中式训练、分布式执行的多智能体深度强化学习算法。通过这种方式训练后的卫星智能体,即使在没有中心决策节点或通信受限的情况下,仍具有一定的自主协同能力及独立实现多星观测任务的高效分配能力。     

一种基于在轨深度学习的压缩率确定方法

如何对遥感图像中的重要目标进行精确的识别分类,是卫星遥感领域的一个难点和重要的研究方向。深度学习能较好解决识别分类的问题,但其学习模型有大量参数需要确定,会消耗大量计算和存储资源,不利于在轨实现。模型压缩是降低资源需求的有效方法,但会导致分类准确率降低。剪枝是模型压缩的主要方法之一,目前剪枝技术大多研究的是在降低计算量的情况下如何减少准确率损失,如何确定压缩率是有待研究的问题。本文提出了一种通过函数拟合准确率与压缩率关系的方法,可以据此确定相应的压缩率,并对不同的压缩方法进行比较。仿真结果表明:该方法的函数模型可以在不同场景下用较少的点拟合出准确率与压缩率关系曲线,且均方根误差最大为1.09,平均值为0.51,拟合效果较好,可据此针对不同的应用条件与需求确定相应的模型压缩率。     

一种航天器软件进程堆栈使用深度的动态检测方法

航天器软件进程堆栈溢出往往会导致软件跑飞的后果。文章分析了现有堆栈使用深度检测的静态测试方法和动态测试方法的优点和不足,针对航天器数管软件的特点,提出了一种适用于航天器数管软件进程堆栈使用深度的动态检测方法。通过访问应用软件与系统软件的接口,获得进程堆栈的起始地址和大小等信息,将堆栈区初始化为特定标识,对软件执行最大路径测试后,扫描堆栈区特定标识被覆盖情况,获得进程堆栈的使用深度。在嫦娥五号上升器数管软件中,实现了此方法,并通过上注在轨维护指令进行了测试。结果表明:在不借助任何专业检测软件的情况下,该方法能够实时检测出软件进程堆栈的最大使用深度,以利于避免进程堆栈溢出的风险,提高软件的可靠性。     

基于深度学习的日间逐小时地表PM2.5浓度反演

以长三角地区作为研究区域,提出了使用深度学习算法来实现主被动遥感数据结合反演地表PM2.5浓度的方法。基于MPL观测数据,使用雾霾层高度(HLH)替换了边界层高度(BLH)特征,对已有的基于气溶胶光学厚度(AOD)结合大气BLH来反演PM2.5浓度的算法进行了改进。为提高数据覆盖率,对研究区域内的MAIAC AOD进行了填补与评估。利用多种机器学习算法实现了日间逐小时的PM2.5浓度估算,模型验证相关性最高可达0.87。该方法能够为观测气候变化、应对大气污染提供有效帮助。     

基于深度学习的日间逐小时地表PM2.5浓度反演

以长三角地区作为研究区域,提出了使用深度学习算法来实现主被动遥感数据结合反演地表PM_2.5浓度的方法。基于MPL观测数据,使用雾霾层高度(HLH)替换了边界层高度(BLH)特征,对已有的基于气溶胶光学厚度(AOD)结合大气BLH来反演PM_2.5浓度的算法进行了改进。为提高数据覆盖率,对研究区域内的MAIAC AOD进行了填补与评估。利用多种机器学习算法实现了日间逐小时的PM_2.5浓度估算,模型验证相关性最高可达0.87。该方法能够为观测气候变化、应对大气污染提供有效帮助。     

月表陨坑检测轻量化深度学习方法

针对目前基于深度学习的陨坑检测方法存在的模型参数量大和检测速度慢的问题,提出了一种轻量化的深度学习陨坑检测方法。首先,采用通道剪枝方法删减卷积神经网络中冗余的卷积核,得到结构紧凑高效的陨坑检测模型。然后,使用轻量化的深度可分离卷积操作替换基础陨坑检测模型中的标准卷积操作,进一步降低了模型的复杂度。仿真实验结果表明,所提出的轻量化陨坑检测模型能够保证较高的像素预测精度,并且能够适应亮度、图像噪声等干扰因素的影响。同时,与轻量化处理前的模型相比,参数量减少了99.2%,检测速度提升了94%。     

基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的模型预测控制算法,满足航天工程低硬件需求,实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态,然后将控制过程中状态量用于3层3核卷积神经网络的训练,训练完成后,用该卷积神经网络代替模型预测对组合航天器进行控制,从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数,相比传统模型预测算法所需硬件计算时间降低约5倍,在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制,控制精度在10 -4 量级。