系绳辅助的行星际轨道捕获研究

针对深空探测中应用动量交换系绳辅助进行行星际轨道捕获时的系绳控制问题,首先对运行在目标行星双曲线飞越轨道上的探测器系统进行动力学建模,给出了一致性轨道捕获条件和系绳最佳切断点,并进行了动力学特性分析。考虑到子探测器捕获后的变轨需求及系绳收放速率的限制,提出了新的最优控制方法,并应用模拟退火算法进行了数值求解。仿真结果表明,系绳切断时指向恰当,子探测器距离目标行星最近,将有利于后续变轨;系绳最大收放速率约为30m/s,切实可行。     

深空通信中的网络技术

介绍了深空通信的特点、目前空间链路所使用的数据传输协议对深空探测环境的适用性、新制订容延迟网络体系结构的设计思想和实现要点,以及有待进一步研究的内容。     

基于网络语言学习中心的公共英语口语辅助教学设计

为了推进高校公共英语教学,以国家示范性院校建设为契机,学院建立了英语语言学习中心,开始了结合网络自主学习概念的公共英语教学改革的尝试。英语口语教学作为公共英语教学的主要组成部分,主要是以基于网络语言自主学习的辅助教学展开设计方案。     

深空探测器约束简化与任务规划方法研究

针对深空探测器现有的任务规划方法在处理系统间复杂约束时存在的约束复杂度高、实时响应能力差、计算效率低等问题,提出一种新的约束简化方法和启发式连续任务规划方法。首先,在时间线规划模型中根据两两子系统间的实时状态关系定义启发式因子,并利用该因子在规划周期内的取值建立子系统间时间线临时从属关系,从而合理地降低规划过程中的约束复杂程度;然后,在规划算法中采用时间线状态扩展策略,根据时间线临时从属关系对各子系统间的状态进行横向和纵向扩展,从而实现对目标任务规划进行快速排序。仿真结果表明由启发式因子建立的时间线临时从属关系有效简化了任务规划过程中的时间约束和资源约束、提高了任务规划的效率和灵活性。     

基于过程神经网络的液体火箭发动机状态预测

提出一种基于极限学习算法的离散过程神经网络模型,用于解决液体火箭发动机状态预测这一难题。首先,在历史数据的基础上建立离散过程神经网络（DPNN）预测模型;然后,根据在线更新的数据样本,采用递推极限学习（EL）算法对双并联前馈离散过程神经网络（DPFDPNN）隐层到输出层的权值进行更新,并应用权值更新后的过程神经网络对发动机状态进行预测;最后,以液体火箭发动机状态预测中氢涡轮泵扬程预测为例,分别采用有权值更新和无权值更新两种预测模型进行了试验。结果表明,通过更新过程神经网络权值可以使模型具有更高的预测精度和更好的适应能力,该方法能够为液体火箭发动机状态预测提供一种有效的解决途径。      

航空网络关键节点辨识的核极限学习机算法研究

通过技术手段准确识别航空网络的关键节点,对航空网络平时的正常运行以及战时的防御和修复,具有重要的理论意义和参考价值。提出一种基于核极限学习机的航空网络关键节点识别方法,首先,采用层次分析法对节点综合重要度进行评估;然后,选取三个简单指标,基于核极限学习机学习简单指标与综合重要度之间的映射关系,建立重要度评估模型;最后,以中美两国航空网络为例进行仿真。结果表明:仅需计算 40 个节点的复杂指标值,就可对关键节点取得较满意的辨识效果,降低了计算复杂度,提高了辨识效率,即采用本文方法辨识航空网络的关键节点是有效、可行的。     

一种用于深空高动态微弱信号的频率估计算法

研究了低载噪比与高动态环境下的深空测控系统频率估计算法,在分析已有方法不足的基础上,提出了一种基于无迹卡尔曼滤波(UKF)的闭环载波跟踪方法。此方法结合了锁频环鉴别器和UKF的优点,获得了宽的估计范围,高的估计精度和低的载噪比门限。在分析UKF模型的基础上,此方法还减少了原有UKF算法的运算量。仿真过程模拟了接收机的高动态运动轨迹,结果表明此法具有较好的动态适应能力、收敛性能和跟踪精度,能够有效地完成低载噪比与高动态环境下的频率估计。此法与基于扩展卡尔曼滤波(EKF)的频率估计算法相比,具有更低的频率估计误差,因此有着良好的应用前景。     

基于网络平台的大学英语自主学习现状与对策研究

基于网络平台的大学英语自主学习对大学英语教学产生了积极的影响。通过问卷调查发现,存在着学习目标不明确、学习内容不系统、自我监控能力较差等问题。应通过加强对学生自主学习策略的培养,落实学生的主体地位,加强网络监控来提高自主学习的效率。     

深空着陆器随机优化制导律设计

针对导航估计误差对制导精度的不利影响,提出了一种随机优化制导设计方法。该方法将导航估计性能作为优化项引入制导设计过程中,通过对观测轨迹的优化设计,使视觉导航估计精度得到提高,进而改善了制导性能;同时,引入单步超前优化方法减少迭代运算量。将其应用于深空探测着陆任务,仿真结果表明与传统估计最优制导方法相比,该随机优化制导律有效降低了估计误差给制导系统带来的不利影响,使着陆器导航与制导系统整体性能得到改善提高。     

基于深度神经网络的空间目标结构识别

利用空间目标雷达散射截面(Radar Cross Section, RCS)序列开展空间目标结构识别是空间态势感知的重要组成部分。文章针对 RCS序列受目标物理特性、姿态特性影响大,序列信号非平稳特征明显的问题,利用深度神经网络（Deep Neural Network,DNN）算法解决空间目标结构特征识别的问题;针对特征提取不具区分度的问题,提出利用分形分析提取RCS序列的分数维特征,并利用Fisher判决率对传统特征进行选取;介绍了DNN算法以及数据处理过程;最后,利用一组仿真测试数据对算法进行了仿真验证。分析结果表明,DNN算法在解决利用RCS序列进行目标结构识别这一问题中具有鲁棒性强、识别准确的特点。