一种超低轨卫星干扰力矩与故障的估计及补偿方法

针对超低轨道卫星在轨运行时存在强烈大气阻力力矩以及姿态控制执行机构故障的情况,基于并行学习策略理论,提出了一种估计与补偿干扰和故障的方法。首先,作为参数辨识的一种思路,并行学习自适应辨识策略被引入到干扰及故障估计问题中,相较传统的观测器,该策略可将干扰和故障同时分别估计,并放松了对实时姿态信息及指令力矩信息的需求。然后,利用上述估计值设计姿态控制器以保证干扰及故障情况下实现卫星的高精度姿态控制。最后,通过对具体的任务过程进行数值模拟,验证了所提方法的有效性。     

人工智能技术在宽域飞行器控制中的应用

针对人工智能技术在宽域飞行器控制中的两种应用技术途径进行了研究,其中包括利用深度神经网络辨识飞行器关键特征,实现控制增益的精准调度,提升对模型不确定性的自适应能力;以及利用深度神经网络建立神经网络动力学对飞行动力学的映射表达,实现“端对端”控制。最后对有待持续深入开展的人工智能应用研究进行展望。     

空间机器人目标捕获的自适应零反作用控制

针对目标捕获后空间机器人的机械臂反作用力对其基座的姿态扰动问题,提出了一种自适应零反作用控制方案。首先,针对目标捕获带来的动力学不确定性,设计了一种激励矩阵调节的固定时间并行学习算法。该算法可在放松持续激励条件的同时,使参数估计的收敛率与回归通道中未知的激励水平无关,因此不同量级惯性参数的估计可在相近时间内收敛。此外,通过分别设计基座姿态控制器与机械臂轨迹跟踪控制器提出了一种具有输入扰动补偿的有限时间零反作用控制方法,能够在机械臂跟踪末端期望位姿轨迹的同时维持基座姿态的稳定性。仿真结果验证了该方案的有效性。     

星上遥感影像在轨处理进展研究

从星地数传、高时敏任务等对星上遥感影像在轨处理的需求出发,本文对美国、欧洲以及国内主要的星上遥感影像在轨处理进展进行了研究;以此为基础,结合星上遥感影像在轨处理框架与深度学习等智能处理技术,分析了高性能星上智能处理平台构建、基于深度学习的遥感影像在轨智能处理、多源遥感影像数据在轨融合处理、星地协同数据处理及在轨更新等星上遥感影像在轨处理关键技术;最后,对星上遥感影像在轨处理未来发展趋势进行了总结,为进一步提升遥感卫星在轨应用效能提供参考。     

深度学习模型的可解释性及其在医学影像分析应用中的研究进展

深度学习模型作为机器学习的分支之一,被广泛应用于以医学影像分析为代表的图像识别领域。其优势在于不依赖人为标注,模型训练过程中计算机能够识别和处理人为遗漏的特征信息,从而达到甚至超过人类处理的准确性。基于深度模型中未知的数据处理过程所带来的可解释性普遍缺失的问题,现有解决方式主要包括建立内在解释性、注意力机制解释特定模型以及以LIME为代表的不可知模型解释等。对可解释性进行量化评估的方式仍在探索,特别是在医学决策相关模型中针对医生和患者双方的解释性评估中已经提出了一些可供参考的量表。当下对深度学习模型在医学影像中的应用研究普遍更关注准确性而非可解释性,导致可解释性缺乏,进而阻碍深度学习模型的临床实际应用。如何平衡准确性和可解释性以开发令医患双方能够信服的深度学习模型将成为业界未来的研究重点。     

基于交互融合的高精度图像融合算法的研究

针对可见光和SAR图像融合,提出了一种基于跨模态差分感知和注意力机制的交互融合（TDPAM Fusion）算法,能有效保留可见光图像中的纹理结构和SAR图像的细节信息。首先,采用跨模态差分感知融合（Cross-Modal Differential Perception Fusion, CMDAF）模块提取图像的互补信息,避免真值缺失并提高融合精度。其次,通过坐标注意力机制（Coordinate Attention,CA）提高特征提取的准确性和效率,增强语义信息的集成。最后通过交互融合算法（Interactive Fusion Module,IFM）将特征自适应融合。设计了相应的大型基准数据集,用于网络模型的训练和测试。实验结果表明：TDPAM Fusion融合算法可以获得包含清晰SAR信息的高质量可见光图像。此外,融合算法将互信息（Mutual Information,MI）、空间频率（Spatial Frequency,SF）、视觉保真度（Visual Fidelity,VIF）和相关系数（Correlation Coefficient,CC）等关键指标,分别提高了约6.41%、10...     

面向体系对抗的电磁环境模拟技术研究

电磁环境模拟技术广泛应用于装备论证、研制、试验、演习等专业领域中.针对未来体系对抗的研究需求,从近年来的模拟实践出发,重新剖析了当前模拟技术的研究差距,归纳了存在的共性问题.在已有的模拟技术体系基础上,构想了总体目标愿景,提出了一种新的思路,即采用"深度强化学习+云边结合"的技术框架来开展体系对抗背景下的电磁环境模拟技...     

通信信号智能调制识别对抗攻击研究

基于深度学习技术的通信信号调制识别算法由于其优秀的特征提取能力,极大地提升了调制识别任务的精度,但是对抗样本特性的存在,导致基于深度学习的调制识别模型的安全性受到了极大威胁,通过在训练好的调制识别网络中添加设计好的特定微小扰动,就可以使得调制识别模型完全失效。研究了基于深度学习的调制识别模型及其对抗样本攻击方法,提出一种基于快速梯度符号法的定向扰动生成方法,该方法在扰动和原始信号功率比为-21 dB的条件下,针对11类常见的不同调制种类的通信信号生成扰动,实现对通信信号调制识别模型的定向攻击,为智能调制识别模型的攻防对抗提供参考。