深空探测器被动式高精度多普勒测量方法与应用

针对深空探测器的单程多普勒测量需求,研究了被动式高精度多普勒测量方法及其实现技术。该方法基于探测器测控信标残留载波等点频信号和VLBI测站高精度氢原子钟频标,构造出与实际接收信号频率接近的参考信号;再通过本地相关处理,完成高精度开环多普勒测量。其特色在于完全不需要精确的先验轨道模型。所开发的专用被动式多普勒测量设备,在国内第一次成功用于欧空局环火星探测器“MEX”的多普勒测定轨试验。探测器X频段信号5s积分的单程多普勒测量精度达到 0.2mm/s ,与欧空局测量水平相当。采用该多普勒测量数据的MEX定轨结果与欧空局精密轨道在数百米至千米量级一致。     

深空通信中高性能低复杂度的QC-LDPC码构造方法

LDPC码字具有优异的性能, 在空间通信中得到广泛应用. 为进一步降低LDPC码构造及编码的复杂度, 给出了一种高性能、低复杂度的QC-LDPC码构造方法. 设计了扩展近似下三角阵(extern Approximate Lower Triangular, eALT)结构的全局矩阵, 通过增加双对角阵结构全局矩阵的列重, 降低差错平底(error floor). 为降低传统循环移位系数选择的复杂度, 提出了一种基于Zig-Zag的移位系数设计方法, 采用数学公式计算循环移位系数, 无需计算机搜索即可完全消除长度为4的短环. 给出了所构造码字线性编码的实现过程. 仿真结果表明, 所提构造方法在保证线性编码复杂度的前提下, 增大了码字间最小距离, 降低了差错平底, 提高了码字性能; 采用结构化的方法设计循环移位系数, 无需计算机搜索即可消除4环, 所构造的码字与CCSDS标准中的码字在性能相近的情况下, 降低了实现的复杂度.      

多径干扰下GPS/INS跟踪环路的一种高斯码相位鉴别器

针对载体在多径信号的影响下,传统码相位鉴别器不能实时有效鉴别出码相位误差,提出一种高斯码相位鉴别器构建方法。在GPS/INS深组合模式中,接收机码相位鉴别器的构建将改变传统设计方法。INS系统利用GPS接收机产生的即时码相位信息,建立INS系统码相位鉴别器,该INS码相位鉴别器用于辅助GPS接收机码相位鉴别器,构建高斯码相位鉴别器,有效降低码相位跟踪误差。仿真结果表明,与传统的码鉴相器相比,高斯码相位鉴别器减小了噪声方差,能有效提高鉴相精度,从而在多径干扰下提高定位精度。     

Aerial-BiSeNet: A real-time semantic segmentation network for high resolution aerial imagery

The aircraft system has recently gained its reputation as a reliable and efficient tool for sensing and parsing aerial scenes. However, accurate and fast semantic segmentation of high-resolution aerial images for remote sensing applications is still facing three challenges: the requirements for limited processing resources and low-latency operations based on aerial platforms, the balance between high accuracy and real-time efficiency for model performance, and the confusing objects with large intra-class variations and small inter-class differences in high-resolution aerial images. To address these issues, a lightweight and dual-path deep convolutional architecture, namely Aerial Bilateral Segmentation Network (Aerial-BiSeNet), is proposed to perform real-time segmentation on high-resolution aerial images with favorable accuracy. Specifically, inspired by the receptive field concept in human visual systems, Receptive Field Module (RFM) is proposed to encode rich multi-scale contextual information. Based on channel attention mechanism, two novel modules, called Feature Attention Module (FAM) and Channel Attention based Feature Fusion Module (CAFFM) respectively, are proposed to refine and combine features effectively to boost the model performance. Aerial-BiSeNet is evaluated on the Potsdam and Vaihingen datasets, where leading performance is reported compared with other state-of-the-art models, in terms of both accuracy and efficiency.     

基于自适应迭代学习的小行星绕飞容错控制

对于小行星绕飞任务的探测器姿态控制问题,已有方法大都考虑了干扰力矩和参数不确定等因素,而忽视了执行器故障情况。针对执行器故障条件下的小行星探测器姿态控制问题,提出了一种基于自适应迭代学习的容错控制方法。所设计的控制器包括两部分：其一针对执行器故障,设计了自适应迭代学习控制器,采用类滑模的思想和自适应迭代学习算法对控制器参数进行调整,进而补偿执行器故障带来的影响,保证系统在控制输出不足情况下的高精度姿态稳定性;其二针对探测器参量变化、外部环境干扰等不确定情况,设计了基于自适应神经网络的迭代学习控制器,采用径向基函数（RadialBasisFunction,RBF）神经网络对系统非线性部分进行逼近,同时对控制器参数进行自适应迭代学习调整,进而保证系统在不确定情况下的动态性能。数值仿真结果表明该控制器能够有效抑制外部环境干扰和内部参数变化带来的不利影响,在执行器部分失效甚至完全失效故障情况下,仍能保证系统的鲁棒性并实现误差在10^-2数量级内的较高姿态控制精度。     

基于高斯过程的机器人自适应抓取策略

在机器人抓取作业时,目标物体的位姿经常发生变化。为了使机器人在运动过程中能够适应物体的位姿变化,提出了一种基于高斯过程的机器人自适应抓取策略。该方法建立了从观测空间到关节空间的映射,使机器人从样本中学习,省去了机器人视觉系统的标定和逆运动学求解。首先,拖动机器人抓取物体,记录物体的观测变量和机器人的关节角度;然后,利用记录的样本训练高斯过程模型,实现观测变量和关节角度的关联;最后,当得到新的观测变量时,通过训练的高斯过程模型得到机器人的关节角度。经过训练后,UR3机器人成功抓取了物体。     

高职学生英语课外学习情况调查与分析

对重庆城市管理职业学院非英语专业二年级学生的英语课外学习进行问卷调查并对调查结果进行分析,针对调查结果存在的问题,提出提高高职学生英语个性化自主学习能力的建议,做到课堂英语教学与课外英语学习的有机统一。     

基于等级状态方法的 军校本科学员学习能力评价模型

文章以等级状态方法为依托,构建军校本科学员学习能力评价指标体系,优选数据采集的方法途径,创建 数学模型,并进行实证分析,验证整套评价系统是比较客观的,具有推广应用价值。     

基于优化字典学习算法的压缩数据收集

为了提高压缩数据收集对多样化传感数据的适应能力,同时抑制环境噪声对数据收集精度的影响,提出了一种优化字典学习算法来构造压缩数据收集中的稀疏字典。理论分析表明在压缩数据收集中由环境噪声导致的数据收集误差和稀疏字典的自相干程度正相关。为此在字典学习的过程中引入了自相干惩罚项来抑制环境噪声对数据收集精度的影响。该惩罚项还能减少字典学习过程中对训练数据的过拟合,从而进一步提高了该算法的稀疏表示能力。实验表明,该算法的稀疏表示能力高于同类字典学习算法,而且能有效地抑制环境噪声对压缩数据收集精度的影响。      

基于权值分配及多特征表示的在线多示例学习跟踪

针对复杂环境下目标跟踪过程中由于遮挡、目标姿势及光照条件变化引起跟踪漂移的问题,提出一种基于多示例学习（MIL）框架的在线视觉目标跟踪算法。该算法针对多示例跟踪算法采用单一haar-like特征不能准确描述目标外观变化及在学习过程中对样本包中各正负样本示例采用相同权值,忽略不同正负样本示例在学习过程中对包的重要性不同的特点,采用多特征联合表示目标外观构造分类器,通过将多特征互补特性融入在线多示例学习过程中,利用多特征的互补属性建立准确的目标外观模型,克服在线多示例跟踪算法对目标外观变化描述不足的问题;同时,依据不同正负样本示例对样本包的重要程度进行权值分配,提高跟踪精度。实验结果表明,本文跟踪算法对场景光线剧烈变化、遮挡、尺度变化及平面旋转等干扰具有较强的跟踪鲁棒性,通过对不同视频序列进行测试,文中算法在5组测试视频序列上的平均中心位置误差远小于对比增量式学习跟踪,仅为10.14像素,其对比算法IVT、MIL和OAB的中心位置误差分别为17.99、20.29和33.64像素。