空间碎片对航天器的撞击效果分析

空间碎片的急剧递增对航天器的安全运行构成了巨大的威胁.文章分析了空间碎片研究的现况,通过建模对空间碎片撞击的效果进行分析,并从撞孔、撞击裂缝以及穿透深度三个方面来论述空间碎片对航天器的破坏作用.     

基于FPGA的可变尺寸块运动估计高效结构

针对可变尺寸块运动估计(VBSME,Variable Block-Size Motion Estimation)的硬件结构在现场可编程门阵列(FPGA, Field Programmable Gate Array)上实现时消耗资源多且速度慢的问题,提出了一种面积和速度优化的VBSME硬件结构.其中,绝对差累加和(SAD,Sum of Absolute Differences)的计算采用基于随机存储器(RAM,Random Access Memory)的累加计算方式,比基于寄存器合并的方式节省了面积并增加了速度;通过采用脉动比较链而非总线结构,增强了多个SAD值的比较能力,并能高效地实现对部分差排除算法(PDE,Partial Difference Elimination)的支持.基于Virtex-II型FPGA器件,本结构消耗了2261个slice,时钟频率达到164MHz,在搜索窗口为16×16时可实时处理标清格式的视频.与同类设计相比,设计的面积可减少77%,速度增加218%,FPGA的硬件效率显著提升.     

带导流叶排的轴流压气机级叶尖处理机匣容畸变特性

基于叶尖处理机匣轴流压气机叶排实验特性,应用畸变传递的矩阵分析模型,分析了进口导流叶排对叶尖处理机匣结构容总压畸变特性影响,初步建立了在进口导流叶排下几种处理机匣结构对总压畸变及其沿轴流压气机叶排衰减特性影响规律。计算结果表明,叶尖处理机匣虽均能有效提高压气机级的稳定工作范围,但削弱了转子叶排和静子叶排的抗总压畸变能力,这对设计合理的扩大轴流压气机稳定裕度处理机匣结构尤为重要。      

液池深度对水滴撞击水面后形态特征影响的实验研究

用实验方法对液滴撞击液面后的形态特征及其机理进行了研究。用高速摄像机记录了不同液池深度下的液滴撞击液面过程,总结出了在不同阶段出现的液坑、液冠、中心射流和次生液滴等特征现象。基于计算机视觉算法开发了图像处理程序,实现了特征几何参数的自动提取。讨论了液池深度、韦伯数、初始液滴直径和液滴下落高度等因素对特征运动形态的影响。结果表明：在韦伯数一定的情况下,当液池深度跨越某个临界值时,液坑、液冠、中心射流和次生液滴等特征现象发生显著变化;液冠–液坑高度比随韦伯数的增大在一定范围内增大;中心射流能否分离出次生液滴与液池深度和初始液滴直径有密切的关系。     

基于改进SSD的无人机航拍目标检测

针对无人机航拍图像尺度变化大、识别难度大和目标普遍较小的问题,提出一种基于改进单阶段多框检测器(single shot multibox detector, SSD)的无人机航拍目标检测算法——RCBnet.该算法为了提升网络的特征提取能力,将SSD算法的特征提取网络修改为Resnet-50并采用特征融合的方式,将特征图进行融合,用融合后的特征图构建特征金字塔;为了增强算法对物体的检测能力,设计一种联合注意力机制的多尺度卷积结构来有效调节感受野,实现不同尺寸卷积核对特征图的并行运算;针对训练过程中正负样本极具不平衡的问题,该算法采用Focal Loss损失函数训练网络模型,使其侧重于困难样本.通过与其他经典算法相比可知,所提算法在无人机航拍图像中具有更高的检测精度、更好的检测性能和鲁棒性,相比SSD,精度提高达3.46%.     

基于高光谱和LiDAR的黄河口湿地植被分类方法

利用无人机（Unmanned Aerial Vehicle, UAV）高光谱影像（Hyper-spectral Imaging, HSI）和激光雷达（Light Detection and Ranging, LiDAR）数据开展黄河口湿地植被分类方法研究。由于高空间分辨率HSI光谱变异性强,以及LiDAR点云密度不均匀,分类结果呈现出“椒盐”现象。为了解决这些问题,本文提出了一种结合空谱特征融合和通道注意力机制的双分支卷积神经网络（SSF-C-DBCNN）。光谱注意力机制通过为每个波段分配不同的权重来减少光谱变异性的影响。空间注意力机制侧重于学习和强调特征表达能力强的密集点云区域空间信息,从而减轻LiDAR点云密度不均匀对结果的影响。最后,在双分支融合特征后引入通道注意力机制来提取更深层次的特征。利用UAV采集的HSI和LiDAR数据进行实验验证,结果表明,本文提出方法的性能优于随机森林和五种深度学习方法,分类结果更为贴合实际土地覆盖,有效地抑制了“椒盐”现象。     

基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前,目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时,随着脑科学研究的不断深入,人们对人脑视觉系统的理解逐渐透彻,利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs),提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法,包括：基于演算侧抑制的目标检测算法,基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明,将类脑模型和深度神经网络应用于目标检测和跟踪领域,有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.     

一种基于SQLite数据库日志的手机数据恢复方法

为了研究SQLite数据库的参数对删除数据恢复的影响,分析SQLite数据库的WAL日志文件格式,提出了一种综合提取SQLite数据库文件中页和WAL日志文件中各个帧包含页的数据恢复方法,用于对SQLite数据库存储的数据进行恢复.通过实验表明,该方法在数据恢复率和准确率上有较好的恢复效果.研究结果对智能手机中删除数据...     

涡轴发动机空中停车故障分析与验证

针对航空涡轴发动机在使用过程中发生的空中停车故障,通过对损伤件及其断口进行宏观和微观检查、金相组织观察、化学成分分析,以及损伤件的温度分析和磨痕对比,确定了首断件。结合发动机参数分析和质量复查,查明故障原因为发动机返厂检修重新装配时,前篦齿封严环与导流盘在规定的压紧螺母拧紧力矩下轴向压缩量偏小,在高转速状态出现轴向间隙,前篦齿封严环松动;前篦齿封严环与静子封严环径向间隙不均匀,切向摩擦力增大造成前篦齿封严环与导流盘相对转动而剧烈摩擦,局部温度升高,导流盘破裂,导致发动机空中停车。通过计算和螺母拧紧力矩试验进一步研究了故障机理,并针对故障机理开展部件和整机模拟试验,复现了故障现象。     

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。