面向导航增强的低轨星座设计与应用

随着传统产业升级和新兴技术的发展,社会生产和生活对分米级、厘米级的实时精准定位需求日益凸显。低轨卫星轨道高度低、信号强度大、短时间内几何构型变化快,因此应用低轨卫星开展导航增强服务成为研究热点。低轨卫星的增强服务性能依赖于星座的快速组网和设计,低轨卫星星座构型、轨道高度、轨道倾角等是影响其覆盖性能和增强性能的关键因素。全面分析了低轨星座设计的关键要素,包括轨道高度、轨道倾角和单星覆盖性、地面人口密度、空间环境等,在此基础上设计了单构型和复合构型低轨导航增强星座,并进一步分析低轨星座的覆盖性能。结果显示:复合低轨导航增强星座可以实现对全球的连续覆盖,同时满足极地高密度覆盖和低纬度的连续覆盖需求,对北斗导航系统的增强效果明显。     

基于部件级模型修正的某发动机整机动态特性计算

针对型号研制初期产品缺乏试验、动力学识别误差较大的问题,采用一种经修正的简化模型计算发动机动特性。首先,使用多类型有限元单元进行整机刚度等效简化建模及单元耦合,计算得到喷管延伸段的结构模态特性;然后,对比喷管延伸段简化模型、全三维模型与振动台模态试验结果,以100 Hz内主要模态频率为优化目标,使用多目标遗传优化算法对简化模型进行修正重构;最后,计算重建后整机模型动态特性,得到发动机模态特性与各部件位置谐响应分布规律。该模型修正方法在型号研制初期不具备试验条件情况下,能通过多轮模型修正得到较为准确的整机动特性。     

分布式小卫星SAR的基线测量方法研究

星间基线的高精度测量是分布式小卫星合成孔径雷达(SAR)的重点问题之一。本文以星间基线的表示为出发点,先筛选出可行的基线测量手段,然后针对分布式小卫星SAR所关心的测量精度、信号覆盖、数据率以及作用距离等方面,对这几种手段作进一步的比较分析,并根据比较的结果,提出了3种理论上可行的基线测量方案。最后,文章还指出了这些方案在工程实现过程中需要进一步解决的问题。     

考虑局部模态约束的卫星结构优化

在卫星结构设计中,基于传统的全局频率约束问题的结构优化方法不能直接应用于模式置换现象的局部频率约束问题。为此提出一种近似方法：首先假设在优化过程中结构整体质量矩阵的变化可以忽略不计,且指定局部频率的模态振型在优化前后是一致的;然后基于这2个假设,将原始局部频率约束的优化问题转化为局部区域节点位移约束的优化问题,节点位移约束由当前局部频率和期望局部频率之间的比值确定。数值算例和实际工程优化实例验证了该方法的合理、有效。     

地球资源卫星轨道设计

本文提出了满足设计要求的地球资源卫星轨道参数的计算方法。并且提出了使得地面轨迹形成覆盖循环所需要满足的简要公式。     

基于分形的数字图像水印技术

数字水印技术是解决多媒体数据包括卫星遥感图像等版权保护的一种有效手段。本文给出了数字水印技术的基本概念及主要特征,介绍了利用局部迭代函数系统进行分形图像编码的传统编码方法,研究并分类了现有分形数字图像水印方法:一类方法通过改变分形编码的编码参数,另一类方法利用图像的自相似性,还有一些用分形与其它理论相结合来嵌入水印信息。最后作者提出了进一步发展分形数字图像水印技术的几点建议。     

基于MED和LMD的自动倾斜器轴承广义Shannon熵谱分析

针对轴承信号微弱故障特征易被强背景噪声淹没的问题,提出采用最小熵反褶积,通过逆滤波器最优化设计,对目标信号进行降噪处理,其峭度值提高了约3.8倍,增强了信号的微弱故障特征;针对非平稳非线性信号频率成分复杂难以解调的问题,提出采用局部均值分解(LMD)和峭度-相关系数筛选准则,其可对非平稳非线性信号进行自适应分解和最优重构,提高了信号的信噪比;针对信号耦合调制及边频突出的问题,通过引入广义Shannon熵进行包络谱带内降噪处理,信号一阶故障特征调制频率与故障特征频率的幅度比降低了24%~43%。通过实验室信号及某型直升机自动倾斜器轴承故障诊断地面试验的分析结果验证了该方法的合理性和可行性。      

叶片平均频率对失谐叶盘振动局部化影响分析

为了探求叶片平均频率对失谐叶盘振动响应的影响规律,采用有限元缩减模型分别对谐调叶盘和失谐叶盘进行振动响应分析,通过振动局部化因子对失谐叶盘振动局部化特性进行评估,获得了不同叶片平均频率和失谐标准差下叶盘系统的振幅和应变能分布,以及失谐叶盘振动局部化特性。结果表明:随着失谐标准差的增大,失谐叶盘振动幅值呈减小趋势,同时共振带变宽;在平均频率为1.0044时出现了严重的振动局部化现象,在失谐标准差为5%时,叶盘振动局部化程度较轻。     

结合局部高清图像的遥感集群目标区域超分辨率重建

近年来,卫星遥感图像的应用场景越来越广泛。但是由于采集设备有限及其成本限制,卫星传感器获取到的图像通常不具备足够的分辨率且分布不够均匀,同时部分目标聚集成群难以分辨,导致低分辨率遥感图像在目标检测与识别等空间语义理解任务上难以满足准确定位和分类所有目标的要求。相比于一次性采集完整高分辨率遥感图像,已有遥感图像通常在局部区域具有相对清晰的高分辨率,且具备足够的细节信息用于分辨目标群,而传统的遥感图像超分辨率重建方法主要关注遥感图像自身的全局特征,通过图像的全局特征进行分辨率和像素扩充,而忽视了遥感图像的细节信息。为了解决这些挑战,提出了一种将遥感图像局部聚集群目标区域的细节特征信息引入到完整遥感图像的采样重建中的方法,通过多层级的神经网络来提取不同尺度的图像特征,并通过残差学习的方式将这些特征进行融合并重建。在实验中,该方法相比主流现有的遥感图像超分辨率重建方法,在视觉效果和测试实验上都取得了更好的结果,证明该方法可以有效借助局部图像的像素信息,显著地提高全局遥感图像的细节效果和优化集群目标区域的分辨能力,提升了遥感图像的质量和可用性。     

基于级联注意力机制的孪生网络视觉跟踪算法

针对全卷积孪生网络（SiamFC）在相似物体干扰及目标发生大尺度外观变化时容易跟踪失败的问题,提出了一种基于级联注意力机制的孪生网络视觉跟踪算法。首先,在网络的最后一层加入非局部注意力模块,从空间维度得到关于目标区域的自注意特征图,并与最后一层特征进行相加运算。其次,考虑到不同通道特征对不同目标和各类场景的响应差异,引入通道注意力模块实现对特征通道的重要性选择。为了进一步提高跟踪的鲁棒性,将其与SiamFC算法进行加权融合,得到最终的响应图。最后,将提出的孪生网络模型在GOT10k和VID数据集上进行联合训练,进一步提升模型的表达力与判别力。实验结果表明:所提算法相比于SiamFC,在跟踪精度上提高了9.3%,在成功率上提高了5.4%。