微小卫星多约束姿态机动规划方法

针对微小卫星姿态控制中存在的多重指向约束和角速率约束问题,提出一种基于对数型势函数的多约束姿态机动规划方法。首先针对微小卫星携带的光学传感器需躲避强光天体而天线需指向地面保证对地通信这一约束特性,采用对数型势函数方法保证约束姿态指向满足任务要求;其次,针对姿态角速率限制的问题,引入障碍Lyapunov函数确保姿态角速率始终处于约束范围内。与在线优化方法相比,该方法具有计算量小的显著优势,非常适合星上处理能力有限的微小卫星。此外,考虑外界干扰力矩的影响,引入自适应干扰估计律,增强了控制系统的鲁棒性。最后,通过数学仿真对本文方法进行了校验,仿真结果表明,该方法能够快速实现卫星姿态机动到期望指向,与此同时,在整个姿态机动过程中,均满足多重指向约束和姿态角速率约束 要求 。     

基于深度学习的通信信号调制识别算法

随着通信技术的发展,信号体制、调制方式日趋复杂,例如CPM、OFDM等,这给调制识别技术带来了巨大挑战。近年来,深度学习技术由于其强大的特征提取能力和分类能力,被广泛应用到模式识别领域中。为了实现复杂调制方式的识别,文章将深度学习技术引入到调制识别领域,并提出一种基于改进的CLDNN模型的调制识别算法。CLDNN模型已被成功应用到语音识别领域,其表现出了强大的特征提取和分类能力。该方法在原有CLDNN模型的基础上,针对调制识别问题的特点,对CLDNN进行了改进。而且该方法不依赖于载波同步、码元同步等预处理。实验结果表明,该方法可同时识别12种信号调制方式和信号体制,信噪比在3dB以上时,整体识别准确率达到90%以上,并且可以较好地识别复杂调制方式和信号体制。     

基于深度神经网络的自适应波束形成算法

自适应波束形成技术是航天领域中的旁瓣抗干扰关键技术之一。当回波数据量增多时,传统的波束形成算法无法进行快速的处理,而应用深度神经网络模型对数据进行预训练可以快速的进行波束形成,因此根据波束形成原理利用分段训练方式设计深度神经网络,应用Leaky-ReLU激活函数、Adam优化算法和Dropout正则化方法提升深度神经网络的性能,提出了基于深度神经网络的自适应波束形成算法。仿真结果表明,相比于传统的LMS算法,在实验环境下,基于深度神经网络的自适应波束形成算法的计算速度约有7~8倍的提高。     

一种多模型自适应联邦滤波器及其在INS/CNS/GPS组合导航系统中的应用

本文介绍一种基于多模自适应估计的联邦滤波器的原理和特点。设计了INS/CNS/GPS组合导航系统的联邦滤波算法 ,并首次将多模自适应估计方法运用到联邦卡尔曼滤波器中。此外 ,联邦滤波器算法中采用自适应调整信息分配系数的方法。仿真结果表明 ,与采用单一模型的联邦滤波算法相比 ,多模自适应方法与联邦滤波方法结合使用能大大提高导航系统的精度和可靠性。     

无陀螺卫星姿态的二阶插值非线性滤波估计

采用四元数作为姿态描述参数，提出了一种确定无陀螺卫星姿态的新方法，即二阶插值非线性姿态估计算法，它能够利用星敏感器提供的矢量观测信息准确地估计三轴稳定卫星的姿态。这种姿态估计算法的实现非常简单，其运算量与传统的扩展卡尔曼滤波姿态估计算法相当，但滤波性能却与基于二阶泰勒级数近似得到的非线性姿态估计算法一致。而且，在二阶插值非线性姿态估计算法中，不会遇到由四元数正交约束所造成的协方差阵奇异性问题。     

欠采样条件下的正弦信号时差估计

针对正弦信号时差估计的多解模糊问题,提出采用多周期取点欠采样和多重相关方法来解决。这种方法可有效降低处理的复杂度,增大时差估计的范围和稳定性,避免噪声及干扰对时差估计的影响,最重要的是它能够适用于高频信号(如雷达、电子战等)的测向、测频等处理,促进这些高频系统的数字化接收机处理的实现。仿真实验证明了算法的性能和优越性。     

陀螺静态漂移系数的两种估计方法

在分析了目前使用的AR（1）估计方法之不足后，提出了均值估计方法，以及这两种方法的改进型，即加权均值估计法和AR（p)法，计算结果表明，均值估计可以提高精度近40％，在导弹发射前的陀螺误差补偿中使用这一方法效果会更好。     

基于递推最小模型误差估计的机动目标跟踪

将非线性系统递推最小模型误差估计用于机动目标跟踪 ,有效地解决了基于Kalman滤波的跟踪算法对机动模型的依赖性和非线性跟踪的不稳定性问题。仿真结果表明 ,该估计方法能适应不同的机动方式、精度高、跟踪快速 ,具有重要的工程应用价值     

复基带信号的几种载频偏估计算法比较

给出了复基带信号的三种载频频偏估计算法：基带信号谱对称性频偏估计算法，同相－正交（I－Q）信号的叉积鉴频算法和最小二乘原理的频偏估计算法。并用三种算法对FM和PM卫星测控信号的复基带信号进行频偏估计，给出了计算机仿真结果，通过对三种算法的性能对,比得到了一些结论。     

基于KPCA 和DBN 的航空发动机排气温度基线模型

为了给航空发动机整体性能的实时监控与健康管理提供技术手段,提出1种基于核主成分分析和深度置信网络相结合的航空发动机排气温度基线模型构建方法。以配装CFM56-7B发动机的飞机在运行过程中各系统产生的快速存取数据作为原始的数据样本,利用核主成分分析进行降维处理,选用高斯函数作为核函数,将降维后的数据作为深度置信网络的输入,建立航空发动机EGT基线模型,通过大量QAR数据验证了模型的有效性和正确性。与传统神经网络建模方法相比,所提出的建模方法不但降低了网络结构的复杂度,同时也提高了模型的精度。