激光基准高精度小角度的测量研究

描述了一种用于测量反射面微小角度变化的新型激光测量系统。采用三角法和光杠杆的原理测量微小角度变化，测量精度为0.05角秒，测量范围达3角分以上。与传统的测量方法相比，该方法具有体积紧凑、结构简单、成本低的优点，更适用于高分辨率小角度的测量。     

基于逆动态理论的空间飞行器大角度机动控制

提出了一种基于逆动态理论的轮控空间飞行器大角度机动控制方法。用逆动态控制对系统作非线性解耦,基于变结构控制的鲁棒性设计控制器,给出了控制回路方案。仿真结果表明：该控制法在有外界干扰和系统参数不确定条件下有较快的收敛性和一定的鲁棒性。     

基于深度学习的语义分割算法综述

图像的语义分割是对图像中的每个像素标注其所属的类别。在航天领域,语义分割技术可用于定位航天器及其零部件,为航天器故障排除、部件维修、太空垃圾清理等在轨服务创造条件。近几年,全部或部分使用深度学习时,语义分割的效果获得了很大的提升。本文对基于深度学习的语义分割算法进行综述。首先介绍常用的数据集和通用的深度神经网络,随后对两类具有重大实用意义的分割算法:编码器-解码器算法和整合上下文信息算法进行总结。最后对语义分割的发展进行了展望。     

对激光制导武器欺骗干扰技术研究

依据激光角度欺骗干扰的工作原理,采用定性和定量相结合的方法,分别从假目标的选择、束散角的选择、干扰机和假目标的配置等三个方面,对激光角度欺骗干扰在作战运用中的主要问题进行了分析,最后给出了具体的使用方法和建议.     

圆波导多模自跟踪天线受角度拖曳干扰的分析

对自跟踪天线的角度拖曳干扰有两种可能结果:其一是干扰源和信号源均处于被干扰自跟踪天线方向图的主瓣内,结果是自跟踪天线电轴偏离信号源;其二是干扰源处于自跟踪天线的副瓣方向上,视干信比的不同,结果是自跟踪天线电轴产生抖动或者跟踪失效。     

基于时空注意力机制的新冠肺炎疫情预测模型

新冠肺炎疫情持续蔓延给人类社会带来深远影响,准确预测各地区的病毒传播趋势对防控疫情而言至关重要。现有研究主要基于传统的时序预测模型和传染病模型,鲜有考虑疫情地区关联复杂和时序依赖性强的特点,限制了其疫情预测的性能。为此,针对新冠肺炎疫情的预测任务,提出了一种时空注意力驱动的自编码器框架。通过引入空间注意力机制捕捉病毒感染序列间的动态空间关联性,利用时间注意力机制挖掘病毒感染序列中复杂的时序依赖性,以此实现对不同地区的新冠肺炎病毒传播趋势的准确预测。在模型的编码器端,融合空间注意力机制的长短期记忆(LSTM)网络,关联目标地区与其他地区的病毒感染序列,提取该区域近期新冠肺炎疫情的时序特征。在模型的解码器端,将时间注意力机制引入基于LSTM网络的解码器中,通过捕捉病毒感染序列的时序依赖性推测未来的新冠肺炎疫情趋势变化。在多个公开的新冠肺炎疫情数据集上对所提模型进行验证,实验结果表明：所提模型的预测性能超越了LSTM等模型;在公开的欧洲部分国家新冠肺炎疫情数据集上,预测误差指标RMSE和MAE分别降低了22.3%和25.0%,在中国部分省级单位新冠肺炎疫情数据集上,RMSE和MAE分别降低了...     

单星只测角对低轨卫星的EKF跟踪分析

利用扩展卡尔曼（EKF）滤波原理研究基于天基光学平台对低轨卫星的跟踪问题,根据单星只测角观测值建立了相应的状态模型和观测模型,并进行低轨卫星的跟踪仿真,结果表明：该方法可以获得较高的跟踪精度,这使得基于单星只测角星上滤波跟踪成为可能。     

开关磁阻发电机角度位置控制自适应遗传优化方法

以开关磁阻发电机输出电压为研究对象,在分析高速情况下角度位置控制的特点和影响输出电压脉动因素的基础上,提出了基于自适应遗传算法的角度控制策略。当转速或负载变化时,自适应算法控制关断角不变,调节导通角快速稳压,采用遗传算法准确优化开通角与关断角的组合,减小输出电压脉动。通过仿真和实验验证,与单一自适应控制或遗传算法角度控制相比,自适应遗传角度控制策略能够更快速准确优化输出电压。     

基于双频激光相位测量五轴转台角度定位的误差分析

为提高光学制导仿真用五轴转台角度定位测量精度,提出一种基于双频激光干涉的相位测量方法.结合多齿分度盘搭建双频激光干涉相位测量光路,在五轴转台现场进行测试,并定量分析双频激光测量系统的误差因素.结果表明,结合多齿分度盘可以实现大角度的转台角度定位测量,在每±5°测量范围内,测角误差小于0.5",可以用于试验室现场五轴转台...     

基于样本错配训练的图像PRNU噪声提纯方法

基于传感器模式噪声的图像来源鉴别算法的关键在于如何获取高质量的光响应非均匀性（Photo-response non-uniformity, PRNU）噪声,目前大多数增强PRNU噪声质量的算法以及出于实际应用的目的对其压缩的算法几乎是在人工假设模型的基础上实现的。本文提出了一种基于样本错配训练的图像PRNU噪声提纯方法,该方法使用了深度堆叠自编码器网络,并设计了一种样本错配的技术对其进行训练。这种基于样本错配训练的端到端深度神经网络的使用有效避免了人工设计算法的局限性,对图像PRNU噪声进行了有效提纯,进而提升了其用于图像来源鉴别时的性能。在Dresden图像数据集上进行的比较实验结果表明,提纯后的PRNU噪声具有更好的性能。