Systematic examination of the geomagnetic storm sudden commencement using multi resolution analysis

Geomagnetic storm sudden commencements (SSC) contain a wealth of information which is useful in many applications. It is important to point out that the SSCs used in this study are sampled at the rate of one sample per second in order get use of such high resolution data. In this paper, two studies are made on the geomagnetic SSC and an SSC onset automatic detection algorithm is introduced. The first study is about finding the relationship between the SSC rise time and its amplitude. Where it is found that there is a positive correlation between the amplitude and the amplitude gradient which is the amplitude divided by rise time. The second study is checking the spectrum of the SSC, starting from its onset until the end of the SSC rise time. This check had proved that the SSC contains both low and high frequency regions. This led us to introduce a new term, namely the SSC variation rate (VR). This VR is defined as the maximum rate of change of the field in the higher-frequency region of the SSC. These two studies were the guide to build an SSC automatic detector of one sample per second data using multi resolution analysis (MRA) of the discrete wavelet transform (DWT). The data set contains 134 SSCs with different VRs that were collected from the Circum-pan Pacific Magnetometer Network (CPMN). It is found that the standard deviation of the detection error is 41 s and that the average error is 9 s. From the calculated error distribution function, it is found that the detection error is within the range of −1.5 to 3 min. The detection process, as will be shown in the article, takes 70 s for one station and 3 min if the decision is related to the detection(s) of other stations. These results demonstrate the superiority of the proposed algorithm over other algorithms in which the detection error ranges between −8 and 5 min and the detection process takes 2–10 min. In addition to being faster and more accurate than the other algorithms, the proposed algorithm is the first algorithm that automatically detects the SSC onset times from high-resolution data unlike previous studies that focused on determining the SSC times automatically using one-minute resolution data.     

基于实时观测数据的大气密度模式修正

针对国际大气密度模式NRLMSISE-00, 以中国神舟飞船探测数据为基础, 提出一种基于实时大气密度观测数据的模式修正方法. 通过计算分析模式计算结果与探测数据的误差分布特征, 针对地磁相对平静期(Ap≤ 30)模式计算的误差特点, 建立了一种平均误差修正方法, 即认为在相对平静期, 在相同纬度和地方时, 模式误差基本相同, 某一时刻模式预测误差可以近似用与其相同纬度和地方时的平均误差来替代, 从而对模式预测结果进行修正. 以神舟4号探测数据为基础, 通过对模式预测结果采用两种方式进行修正, 可以看到模式误差得到了一定的改善. 采用误差库累积准实时修正, 修正后的误差由原来的20 %降至6 %; 采用误差库5天滑动预报修正后, 模式提前1, 2, 3天的预测误差由原来的20 %分别降至7.8 %, 9.4 %和10.5%.      

基于动态RCS的无人机航迹实时规划

传统的无人机航迹规划主要采用仅考虑无人机与雷达距离的简化雷达威胁模型,未充分考虑无人机雷达散射截面RCS(Radar Cross-Section)随自身姿态角改变而产生的动态变化.据此,提出了无人机周向动态RCS模型,并建立了综合考虑无人机动态RCS与雷达距离的探测概率模型,利用遗传算法进行了基于动态RCS的航迹实时规划,计算结果与传统航迹规划结果进行了对比.仿真结果表明该模型的可行性和有效性,能充分利用无人机自身的优势规避威胁,满足无人机的航迹实时规划的要求.      

空间色噪声下信号频域检测方法性能分析

水下小孔径阵列的应用环境是色噪声环境,针对超增益波束形成方法在色噪声环境下噪声协方差矩阵估计偏差使阵列空间增益不能达到最大的问题,提出了一种频域超增益波束形成方法(FSD, Super-Directive beamforming in Frequency domain),该方法将宽带接收数据分成多个子带,在每个子带内分别估计噪声协方差矩阵,降低了噪声协方差矩阵的估计偏差,并使用估计得到的噪声协方差矩阵对接收数据解相关.最后使用空间谱检测器检测微弱目标信号.实测噪声数据的仿真结果表明,空间有色噪声环境中FSD方法的检测性能优于传统的时域超增益波束形成方法(TSD, Super-Directive beamforming in Time domain)2 dB,优于频域最小方差无畸变响应(FMVDR, Minimum Variance Distortionless Response in Frequency domain)波束形成方法2 dB.     

深空自主导航光学敏感器及其验证

利用光学导航敏感器进行深空自主导航在国际上已成为一种发展趋势,这种方法具有自主性强、精度高、节约成本等优点,且距离地球越远越显优势.在国内首次开展了用于深空巡航段的自主光学导航敏感器设计研制和验证工作,所研制的光学导航敏感器原型样机设计技术指标为:焦距953.8mm,视场角0.8°×0.8°,探测极限灵敏度12Mv,测量精度0.5″(1σ),动态范围100∶1.试验室测试和外场观星试验的结果表明,测量精度达到0.5″(1σ),探测极限灵敏度达到12.5Mv,技术指标全部满足要求.     

空间移动小目标的检测算法

空间序列图像中移动小目标检测与轨迹提取是空间目标监视、跟踪及编目的关键技术之一.为了及时有效地处理星载可见光相机输出的多维海量数据,提出了一种基于四邻域二值量化方法和改进概率Hough变换的目标检测及轨迹提取算法.相较于美国空间目标在轨检测(MTI,moving target indicator)算法,改进算法虚警噪声点及候选路径数目明显减少,计算复杂度降低,运行效率提高.实验结果表明,算法可有效检测序列图像中快速移动的弱小目标并提取其直线运动轨迹.     

锂离子电池极片涂层厚度在线测量系统

锂离子电池极片涂层厚度的实时高精度测量是实现对锂电涂层厚度控制的前提。针对在生产过程中的锂离子电池极片涂层厚度动态、非接触、高精度的测量要求,设计了一种基于非接触式电容传感器进行微位移测量的在线式测量系统。介绍了传感器结构及测量电路基本原理,搭建了适用于锂离子电池极片涂层厚度测量的硬件系统,开发了可用于数据采集、线性校正、数据记录的基于虚拟仪器技术的测试系统。经测试,该传感器的分辨力为0.1μm,现场长期运行证明该系统满足生产的测量要求。     

基于MapReduce的CME参数识别模型并行计算技术

日冕物质抛射（Coronal Mass Ejection,CME）参数识别模型是太阳风预报过程的重要组成部分.在空间环境预报业务中,为提高太阳风预报的准确率,需要提高CME参数识别的精度.模型以计算任务串行的方式运行,运算效率低导致模型运算时间长,不能满足这种需求.CME参数识别模型的物理运算过程相互不独立,其在单节点上的运行方式不能满足并行化要求.基于MapReduce的并行计算框架,改进了CME参数识别模型的计算流程,提出CDMR（CME detection under MapReduce）方法,实现了CME参数识别模型的并行计算,并对比分析CME参数识别模型在串行计算和MapReduce并行计算下的运行时间,提高了模型的识别精度和计算效率.      

无人平台复杂地形探测的视触融合方法

为提高无人平台在复杂环境中的地形探测能力以及解决在小样本数据下识别地形困难的问题,提出了一种无人平台复杂地形探测的视触融合方法。在原始宽度学习的基础上,建立了多模态级联特征节点宽度学习框架。首先进行触觉和视觉初步特征提取和融合特征提取,随后将融合特征矩阵经宽度学习分类器得到地形识别的结果。最后,在自建的视觉-触觉地形 (V-T2)数据集进行了实验验证。结果表明,相比于传统的融合算法,提出的融合算法有很好的准确性和鲁棒性,为无人平台地形探测提供了有效的策略。