走近冥王星的“新地平线”

<正>经过约9年的长途跋涉,美国研制的世界第一个冥王星探测器"新地平线"(New Horizons,又译"新视野"),于2015年1月15日开始探测位于太阳系边缘的冥王星及其卫星附近,触手探及太阳系最后一块未开垦的处女地,打开人类的新视野。目前,该探测器已飞行了约4.8×109km,距冥王星的路程仅剩2.2×108km。冥王星与地球的最近距离也有4.7×109km,最远100多亿千米,因此至今还没有一个空间探测器探测过它。探测完冥王星及其卫星后,它将飞向柯伊伯带(Kuiper Belt),去寻找关于太阳系起源和地球生命起源的线索。     

基于多尺度失真感知特征的重定向图像质量评估

在不同宽高比显示设备上的图像观看体验通常受到图像重定向操作方法的影响。为了提高重定向图像主观感知与客观评估之间的一致性,提出了基于多尺度失真感知特征（MSDA）的客观重定向图像质量评估（RIQA）方法。语义失真和细节失真经常出现在图像的不同尺度上,因此从图像的不同尺度中提取失真感知特征。提出了一个描述原始图像和重定向图像之间的宽高比相似度（ARS）的精确度量。此外,使用视觉注意力融合图来模拟人类视觉系统对图像的主观关注度。在2个基准数据库上的实验结果表明,所提出的MSDA方法的肯德尔排名相关系数（KRCC）、皮尔逊线性相关系数（PLCC）和斯皮尔曼秩次相关系数（SRCC）指标分别比对比方法中最优方法提高4.1%、1.8%和4.5%。      

火星精确定点着陆多信息融合自主导航与控制方法研究

针对火星定点采样、载人登陆和基地构建等任务的需求,提出了一种火星精确定点着陆多信息融合自主导航与控制(Guidance Navigation and Control,GNC)方案。针对大气进入前的高精度导航需求,提出了基于X射线脉冲星和火星表面陆标图像的融合自主导航方法;针对火星着陆探测进入、下降和着陆(Entry,Descent and Landing,EDL)过程的高精度绝对和相对导航需求,提出了基于陆标图像、IMU(Inertial Measurement Unit)和测距测速信息的多信息融合自主导航方法;针对精确定点着陆要求,设计了大气进入和动力下降过程的制导与控制算法。数学仿真结果表明,提出的方案能够实现高精度的定点着陆(精度100 m)和相对避障(精度为0.5 m),可满足任务需求。     

基于小波变换的多方位角SAR图像融合方法

针对目标散射特性空变效应以及多方位角图像信息冗余的问题,提出了一种基于小波变换和边缘检测的多方位角SAR图像融合方法。首先,将图像进行小波变换,完成低频信息和高频信息的分离,实现图像的多分辨表征及序贯图像多方位角信息的融合;然后,利用改进的Robinson算子增强图像的轮廓特征;最后,融合实验和定量评估结果证明了本文所提融合方法的有效性。     

一种腿臂融合四足机器人设计与分析

设计了一种腿臂融合的四足机器人,其具有腿臂功能复用的分支,不仅可以实现行走,还可以进行操作。对该机器人的行走模式和操作模式进行了研究,首先,建立了机器人单腿运动学模型,推导出机身整体的逆运动学;其次,对腿臂功能复用分支的5自由度操作臂模型进行了运动学分析,提出了欠自由度操作臂保证末端位置和末端姿态2种情况下的逆运动学最优求解方法,并分别给出了位置或姿态偏差;然后,建立了支撑面、支撑腿、本体、操作臂所组成的串并混联机构的运动学模型,利用本体位移补偿操作臂末端位置偏差,从而实现操作臂末端精确操作;最后,对机器人本体、操作臂以及串并混联机构的工作空间进行了仿真,并利用实验验证了该机器人腿行走和臂操作的功能。     

基于地月合影图像的“嫦娥5T”指向校正算法

以"嫦娥5T"地月合影图像作为基本数据,提出一种基于信息融合的相机指向校正方法。首先利用形态分析从合影图像中提取天体的形心坐标,然后构建目标函数,通过优化算法估计相机的安装误差矩阵。该方法的典型优势是只需要利用单个相机对天体所成的单幅图像,便可快速确定相机指向。仿真数据和实测数据得到相机指向误差估计值的偏差保持在1%度量级,证明了算法的有效性。算法可以为实际工程任务和应用提供参考。     

基于深度长短期记忆网络的发动机叶片剩余寿命预测

为了研究航空发动机转子叶片的剩余寿命预测问题,提出了一种基于多传感器信号融合的深度长短期记忆网络(DLSTM)预测模型。首先利用深度学习和长短期记忆的组合来构造DLSTM网络。然后,将多个传感器信号数据进行融合处理,从而通过深度学习发现各个传感器时序信号之间隐藏的长期依赖关系。进一步在给定网格搜索策略的情况下,通过自适应矩估计算法调整DLSTM的网络结构和参数,并且在DLSTM模型中引入了一种随机丢失策略,以缓解过度拟合问题并使预测模型规范化。最后利用CMAPSS涡扇发动机进行了实验验证,在一种故障模式和两种故障模式条件下,DLSTM网络预测模型相对于其他传统方法的评价指标Score分别下降了17.19%和14.37%,其他两个评价指标相对来说也较优,结果表明本文提出的方法具有更高的准确性以及稳定性。     

基于BoF模型的多特征融合纹理图像分类

针对特征词袋（BoF）模型缺乏空间和几何信息,对纹理图像内容表达不明显等问题,提出一种基于BoF模型的多特征融合纹理分类算法。将灰度梯度共生矩阵（GGCM）和尺度不变特征转换（SIFT）融合特征作为纹理图像的区域特征描述,通过动态权重鉴别能量分析进行最优参数特征选择,并用BoF量化纹理特征,使用支持向量机对图像进行训练和预测,得出分类结果。实验结果表明,本文算法对有旋转扭曲的纹理、边缘模糊纹理、有光照变化的纹理及杂乱纹理等均能取得较好的分类效果,相对于传统BoF模型及凹凸划分（CCP）方法等算法在UIUC纹理库上的分类正确率均有不同程度的提高,平均分类正确率分别提高12.8%和7.9%,说明本文算法针对纹理图像分类具有较高的精度和较好的鲁棒性。