一种非规则采样航空时序数据异常检测方法

航天器遥测数据的实时异常检测对于航天任务具有重要意义。以往方法大都考虑规则采样且缺失率较低的时序数据,然而航空时序数据具有维度大、噪声多、缺失率高、采样间隔不规则等特点,因此异常检测任务较为困难。针对非规则采样且具有缺失值的多维航空时序数据提出非规则采样多维时序数据异常检测（IMAD）算法。首先,采用带有可训练迟滞项的门控循环单元（GRU-D）对缺失值和非规则采样的时序数据进行建模;然后,采用变分自编码器建立随机性模型,学习正常时序数据的分布,从而对噪声数据具有鲁棒性;最后,利用基于极值理论的自适应阈值确定法确定合适阈值进行异常检测。结果显示,在两个真实航空时序数据集上,IMAD具有超出当前最新异常检测算法的性能;多个实验表明,IMAD在缺失率、参数以及数据集变化时,能够维持较好的异常检测效果,具有较强的鲁棒性。     

飞控系统PBIT试验时报故问题分析

某型飞机飞行控制系统在进行飞行前自检测时频繁报故,且故障代码繁多、无序,无法正确定位故障原因。本文通过对这起PBIT典型故障的分析和排除,引发对PBIT报故问题的研究,可供同行参考。     

应用灰度特征的行星陨石坑自主检测方法与着陆导航研究

针对陨石坑阴影不明显的行星着陆导航图像,提出了基于图像灰度值特征的陨石坑自主检测方法,通过兴趣区快速确定陨石坑边缘分布,解决了一般陨石坑检测方法对图像太阳高度角的依赖问题。利用检测出的陨石坑视线信息,采用非线性预测滤波方法估计着陆器着陆阶段的位置和姿态;鉴于视觉着陆导航对照了场景状况的高度依赖性,提出了一种利用分形理论和相邻点分级方法的天体随机地景建模方法。最后验证了所提方法的有效性。     

基于层次化分类器的遥感图像飞机目标检测

在大量航空航天遥感图像中,快速发现和统计飞机目标并对其进行准确定位,在军事和民用方面均具有重要意义。结合遥感图像特点,针对飞机目标的特征,文章设计了一种基于层次化的分类器的遥感图像飞机目标检测方法。首先用基于哈尔（Haar）特征的底层AdaBoost分类器快速去除大部分非目标区域;然后用基于梯度方向直方图（Histogram of Oriented Gradient,HOG）特征的顶层支持向量机（Support Vector Machine,SVM）分类器进行精细检测。在分辨率为1m的遥感图像数据集上的实验结果表明,层次化分类器在保证较高检测率的前提下,大大降低了虚警率,可以有效解决遥感图像飞机检测问题。     

基于能量检测法的统计特性分析

能量检测法是一种适用范围广泛的信号盲检测方法,而统计特性分析的准确估计是其应用的基础和前提。针对其检测量的统计特性分析,通过系统分析和理论推导,发现在仅有噪声输入的情况下,检测量服从卡平方分布;信号加噪声输入时的检测量服从非中心卡平方分布。最后利用详细的仿真分析验证了检测量统计特性分析的正确性,为能量检测法的应用提供了参考和依据。     

《汽车检测技术》课程教学改革研究

针对目前《汽车检测技术》课程教学中存在的问题,本文从课堂形式创新、学生思维方式培养、学习渠道拓展、考核方式改革等方面进行了教学改革的研究,以提高学生的学习兴趣和动手能力。在教学实践活动中,这些改革取得了良好的效果,可为专业相关课程的教学改革提供一定的借鉴。     

基于双重分类深度学习的低空目标自动检测方法

由于图像数量多,因此准确、高效的目标检测是提升靶场光测图像处理自动化程度的关键步骤.针对低空目标图像及目标类型多、目标特性变化等情况导致传统目标检测算法适应性差的问题,提出了一种基于双重分类深度学习的低空目标自动检测方法.该方法基于深度学习目标检测框架YOLO V3,根据低空目标的亮度和形状的双重属性特征,将网络输出层...     

卫星姿态控制系统执行器微小故障检测方法

针对卫星姿态控制系统执行器微小故障检测问题,提出一种基于神经网络干扰观测器的微小故障检测方法。该方法利用卫星姿态控制系统内的冗余关系,分别构建陀螺干扰观测器和干扰力矩观测器,对系统内的测量误差、扰动等进行估计,并对故障检测观测器进行扰动补偿,提高对执行器微小故障的检测能力。仿真结果表明,与基于解析模型的方法相比,该方法能够较精确地对解析模型的误差进行补偿,明显降低了检测阈值,实现了对扰动掩盖下的微小执行器故障检测。      

遥感图像飞机目标高效搜检深度学习优化算法

为了实现大幅面遥感图像中飞机目标的高效检测与准确定位,通过深度神经网络（DNN）的级联组合,提出了一种新颖的搜寻与检测相集成的飞机目标高效检测算法。首先,运用高性能的端到端DNN网络,进行停机坪与跑道区域的像素级高效精准分割,从而大幅度缩小飞机目标的搜索范围,以降低虚警发生概率,完成飞机目标候选检测区域的快速搜寻。然后,针对分割所得停机坪与跑道区域,借助手工数据集对YOLO网络模型进行迁移式强化训练,一方面可以弥补训练集在样本类型与数据规模上的不足,另一方面借助YOLO网络的强时效性优势对飞机目标的位置进行回归求解,可以显著提高飞机目标的检测效率。停机坪与跑道区域分割DNN网络在分割精度与时效性上具有显著优势,而迁移式强化训练YOLO网络不仅具有很高的检测效率,在检测精度上也能保持良好的性能。通过一系列综合实验与对比分析,验证了提出的搜寻与检测相集成的DNN级联组合式飞机目标高效检测算法的性能优势。      

基于CCD和超声的物体位姿检测方法及精度分析

介绍了用单个CCD摄像机和超声传感器相结合检测物体位姿的方法.首先由CCD摄像机采集一幅图像,获取物体上目标点在图像坐标系中的理想坐标,并由此确定该点投影矢量(连接物体点和对应图像点的直线)的方向;然后控制机器人运动,使超声传感器的z轴与求得的投影矢量重合;最后用超声传感器测出投影矢量的长度,确定目标点在摄像机坐标系中的坐标.分析了影响检测精度的主要因素,具体研究了超声传感器的安装参数对检测精度的影响规律,进行了仿真分析.该方法可以有效地降低图像处理所带来的巨大数据量,避开双目视觉中的图像匹配问题,快捷、精确检测物体的位姿.