深度学习技术在空间激光通信中的应用

与射频通信相比，空间激光通信具有传输速率高、保密性能强、终端功耗低等优点，目前已成为当前通信领域的一个研究热点。同时，空间激光通信也面临着一些严峻的技术挑战，如大气湍流导致空间激光通信的信道情况十分复杂，复杂的信道会引发信号光强度起伏剧烈，信标光跟踪与瞄准困难，接收端的信号光场波前畸变严重等。为了提升空间激光通信在复杂信道环境中的性能，学者们将深度学习技术引入到空间激光通信系统中。多项研究表明，深度学习在空间激光通信的诸多方面表现出了优越的信息处理能力。对近年来深度学习技术在空间激光通信信号处理与检测，信标光捕获与跟踪以及波前畸变探测与校正等方面的应用做一全面梳理，并对用于空间激光通信的深度学习技术的前景进行展望。     

航天器反应式碎片规避动作规划方法

提出一种航天器反应式碎片规避动作规划方法，首先以扰动流体动态系统(IFDS)算法作为动作规划的基础算法，通过其中的总和扰动矩阵对航天器的轨道速度矢量进行修正，实现轨道机动规避；然后，建立基于双延迟深度确定性策略梯度(TD3)深度强化学习算法的反应式动作规划方法，通过TD3在线优化IFDS规划参数，实现对碎片群的“状态-动作”最优、快速规避决策。在此基础上，将优先级经验回放和渐进式学习策略引入该方法中，提升训练效率。最后，仿真结果表明，所提方法可使航天器安全规避多发、突发、动态且形状各异的空间碎片群，且具有较好的实时性。     

无人机群体视角下的轨迹预测CSCD

利用无人机对观测目标的运动轨迹进行预测是当前无人系统领域的关键任务之一。目前的目标轨迹预测研究通常基于单一无人机所采集的轨迹数据,但由于场景中障碍物以及视角倾斜等因素的影响,单无人机不易稳定监测目标具体位置,容易导致目标丢失。而且,现有利用无人机的目标轨迹预测一般基于鸟瞰视角,没有发挥出无人机的灵活性。随着无人机集群协同技术的发展,无人机群体视角为目标全方位监测提供了新的思路,在解决目标丢失和目标遮挡问题中具有明显的优势。同时,基于多无人机的位姿估计可以估计出目标的准确三维坐标,为无人机的灵活视角观测提供基础。因此,从轨迹预测的相关工作出发,探讨无人机群体视角下轨迹预测中面临的挑战和解决思路,以期对未来的轨迹预测研究以及集群协同技术发展提供一定帮助。     

带落角落速约束的导弹虚拟期望落角末制导律

为解决导弹末制导阶段同时考虑落角和落速约束时带来的过载需求大、落速散布广的问题,提出一种基于虚拟期望落角的末制导律。首先,提出虚拟期望落角的概念,设计过渡函数降低末制导初期过载需求；然后,分析过渡函数各参数对落角、落速影响,设计预测-校正算法计算期望参数；为了提高预测效率与精度,使用深度神经网络离线训练弹道数据集。实际飞行中,基于扩展卡尔曼滤波在线辨识气动参数摄动,提高算法的适应性。蒙特卡洛仿真结果表明,所提出的算法能够降低末制导初期过载需求。在满足落角约束与位置精度的前提下,落速控制精度在±15 m/s以内。     

基于改进SSD算法的航拍目标检测算法研究

研究基于深度学习技术的无人机航拍图像目标检测算法，首先介绍目标检测算法SSD（Single Shot MultiBox Detector），并对其特征提取网络进行改进，采用稠密特征提取网络替换原网络的主干特征提取网络，提高算法的特征提取能力，从而提升了算法的检测精度。针对网络实时性问题，在算法中引入分组卷积，极大地减少了网络参数量，提升了网络推理速度。为解决训练中出现的正负样本不均衡问题，利用焦点损失（Focal Loss）改进了原算法的损失函数，进一步提升了网络的收敛速度和精度。最后，通过仿真验证了改进算法在目标检测精度上的优越性。     

功能型复合材料在深空探测任务中的应用研究进展

分析了深空航天器面临的复杂空间环境以及对航天用功能型复合材料的需求,系统综述了耐高低温、抗宇宙射线、电磁屏蔽等深空探测环境用功能型复合材料的研究进展,最后,展望了功能型复合材料在深空探测领域中的潜在应用。     

一种高速可变形飞行器智能变形决策方法

针对一类高速可变形飞行器(HMFV)的变形决策问题，提出一种基于深度确定性策略算法(DDPG)下考虑综合性能指标最优的智能变形决策方法。首先，以一类后掠角可连续变化的高速飞行器为研究对象，给出变形飞行器动力学模型，分析模型特性及变形量与关键气动参数之间的定性关系。其次，基于关键气动数据特征分析，考虑包含气动性能、控制误差在内的综合性能指标，设计一种基于DDPG算法的智能变形决策方案。再者，针对带有标称控制器的HMFV进行变形决策训练，实时获得滑翔过程中不同飞行状态下的最优构型。最后，仿真结果表明所设计的智能变形决策算法收敛效果好，且具备较好的泛化性能。相比于固定外形，可通过变形使得在不同状态下的升阻比保持最优，且与考虑单一决策指标相比，考虑综合指标最优的变形决策可进一步缩小姿态动态跟踪误差。     

Pose matters: Pose guided graph attention network for person re-identification

Person re-Identification (reID), aiming at retrieving a person across different cameras, has been playing a more and more important role in the construction of smart city and social security. For deep-learning-based reID methods, it has been proved that using local feature together with global feature could help to give robust representation for person retrieval. Human pose information can provide the locations of human skeleton to effectively guide the network to pay more attention to these key areas, and can also help to reduce the noise distractions from background or occlusions. Based on human pose, a Pose Guided Graph Attention (PGGA) network is proposed in this paper, which is a multi-branch architecture consisting of one branch for global feature and two branches for local key-point features. A graph attention convolution layer is carefully designed to re-assign the contribution weight of each extracted local feature by modeling the similarity relations. The experimental results demonstrate the effectiveness of our approach on discriminative feature learning. Our model achieves the state-of-the-art performance on several mainstream evaluation datasets. A plenty of ablation studies and different kinds of comparison experiments are conducted to prove the effectiveness of this work, including the tests on occluded datasets and cross-domain datasets. Moreover, we further design supplementary tests in practical scenario to indicate the advantage of our work in real-word applications.     

A hybrid deep neural network based on multi-time window convolutional bidirectional LSTM for civil aircraft APU hazard identification

Safety is one of the important topics in the field of civil aviation. Auxiliary Power Unit(APU) is one of important components in aircraft, which provides electrical power and compressed air for aircraft. The hazards in APU are prone to cause economic losses and even casualties. So,actively identifying the hazards in APU before an accident occurs is necessary. In this paper, a Hybrid Deep Neural Network(HDNN) based on multi-time window convolutional neural network-Bidirectional Long Short-Term M...     

物理启发的深度学习模型及其在热端部件散热中的应用

热端部件散热是众多空天设备的关键技术。表面温度分布是散热设计中用到的重要信息,常规的解析建模手段和机器学习方法均无法有效地表达此类高维信息。近年来兴起的图像深度学习算法是解决表面温度信息预测的有效手段。然而,现有的基于大数据的深度学习方法往往对于物理数据和小样本数据不适用,体现为泛化精度差、数据兼容性差、可解释性差。因此,有必要结合传热的先验知识发展物理启发的新型深度学习算法,以增强高自由度、高复杂度散热对象上的设计能力。本文基于卷积算子和有限差分求解方式的类比关系,提出了一种物理启发式的循环卷积神经网络。以横向出流的冲击冷却为例,开展了变计算域大小、变工况、变尺寸的批量数值模拟,获取了冲击冷却关键特征的小样本图像数据。进一步通过神经网络的训练,构建了多参数、大范围内有较好拟合能力的温度、传热系数、压力代理模型。研究结果表明,本文提出的物理启发神经网络模型,对于计算域大小没有限制,可以统一表达不同空间范围内获取的物理数据的共性规律。模型的各类超参设定均具有明确的物理意义,且与经典的微分方程求解理论有一定的类比关系,增强了神经网络调参的方向性。通过传热物理规律与黑箱模型的融合,本文实现了小样本多参数物理数据的共性建模。该方法可以迅速重构热端部件的高维分布信息,可服务于热端部件的快速分析设计以及优化。