欧洲航天局拟创建太空碎片监控网络

自从美国和俄罗斯卫星太空相撞后,欧洲航天局2009年2月16日宣布,他们已经决定采取行动,建立自己的太空监控网络,对太空垃圾进行严密监督。目前的太空监控网络是由美国创建的,主要监视绕地轨道上的1．7万个太空碎片。欧洲航天局在此次撞星事件后,向NASA索取了相关材料,并开始完善自己的监控网络——“空间状况感知”系统。该项目已于上月启动。启动阶段的耗资为6400万美元,2011年完成。据欧洲航天局专家介绍,项目最早可望在2017年或2018年完成。除了太空垃圾,他们还打算通过这一系统监视对卫星有致命伤害的太阳耀斑、近地小行星等目标。     

每月一览

民航局空管局 3月5日,CDM（协同决策制定）系统项目及信息化交流会在深圳召开,民航局空管局信息办、民航数据通信公司、中南空管局通信网络管理中心的领导及技术人员参加了会议。     

论网络伦理的失范与规范

信息网络蓬勃兴起,改变了人们传统的交往方式,也加剧了伦理观念与社会生活的紧张关系,面对网络时代价值观念的震荡、冲突、扬弃和重建,规范网络伦理、遵守网络道德原则具有非常重要的意义。     

改善内乘波式进气道出口均匀性的内收缩基本流场研究

内收缩基本流场的设计直接决定了内乘波式进气道最终性能。以出口流场均匀为目标,提出了两种新型内收缩流场,分别命名为ICFC流场和ICFD流场并给出了相应的设计方法。以来流马赫数60和出口马赫数30为条件,设计了含截短Busemann流场在内的几种典型三维内收缩流场,开展了流场分析和性能对比。综合分析后发现,在保证流场具备较高性能参数的前提下,ICFC流场出口参数最均匀,更适合于内乘波式进气道设计。初步研究获得的ICFC流场主要性能参数随入口气流偏转角的变化规律,为改善内乘波式进气道出口均匀性设计提供了依据。
     

网络可生存性及其度量方法

介绍了网络可生存性的概念,对传统有线和无线网络、军事网络和Ad Hoc网络的可生存性问题进行了阐述和比较分析;探讨了网络可生存性的分类和度量方法,并给出了一种度量AdHoc网络可生存性的方法。     

基于RBF网络辨识的挠性卫星姿态自适应控制

为满足挠性卫星姿态控制的更高要求,提出了一种基于径向基函数（RBF）网络辨识的模糊自适应控制方法。根据卫星姿态动力学方程,将RBF辨识网络引入模糊神经网络的T-S模型,以辨识卫星,在线修改模糊神经控制器（FNC）参数,使卫星的姿态角度达到设定值。仿真结果表明：该法能有效克服卫星的不确定性,提高卫星姿态的控制精度。     

关于网络侵权行为的管辖权

网络技术创造出全新的虚拟世界,导致网络侵权法律混沌不清,存在无数个疑难点,网络管辖权问题首当其冲.文章从网络侵权的概念人手,探讨了互联网上侵权案件对传统管辖权的冲击,介绍了互联网上侵权案件管辖权的新理论及司法实践,以期为网络侵权方面国际私法的发展起到抛砖引玉的作用.     

小波网络在某型航空发动机故障诊断中的应用

分析了用小波网络替代神经网络进行模型辨识的优点,在误差反向传播算法(Error back prop-agation)的基础上,结合小波分析理论,设计了一种小波网络算法.通过对某型航空发动机的仿真实验,小波网络能够及时准确地预测出发动机的输出.同时利用小波变换对残差的分析可以有效地检测出系统所发生的故障.      

基于Agent模型的机场网络延误预测

准确可靠的机场网络航班延误预测是科学认知空中交通运行态势,动态精准实施国家空域系统容流协同调配策略的重要依据。提出了基于Agent的机场网络延误模型,表征机场网络系统中各元素及子系统间的交互作用下的延误特征涌现。针对机场节点动态容量、预计起飞时间、最小飞行与周转时间等Agent模型中的关键参数,适应性选用了贝叶斯估计、模糊k近邻等数据挖掘方法建立参数模型,并采用2015—2017年全美历史航班和气象数据进行训练学习。为综合评价模型性能及泛化能力,选取全美2018年3个不同延误程度的典型日进行测试。实验结果表明,在全美34个核心机场组成的网络中,各节点在4小时预测区间内延误最大误差不过27.9 min,其中约80%的节点误差小于5 min,验证了所提延误预测模型在时空范围内的准确性和稳健性特征。另外,通过与其他模型对比,展示了本模型优良的延误预测性能。     

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。