基于神经网络的机器人姿态逆解

首次实现自组织神经网络求解机器人姿态逆解，突破了文献局限于研究位置逆解的状况。应用本文创新的自组织神经网络训练方法，结合工业机器人运动学特性，建立了工业机器人姿态逆解的神经网络方法，对PUMA560机器人的计算机仿真结果表明，该方法姿态控制精度高。     

基于Petri网的分布式编队小卫星星间通信仿真平台研究

针对编队小卫星星间通信的要求,提出基于Petri网的分布式编队小卫星星 间通信系统仿真平台。首先对编队小卫星星间通信系统进行TTDPN(T\|Timed Discrete Pe tri Net,TTDPN)建模,并建立该模型与分布式仿真平台间的映射。根据该映射关系设计编 队小卫星星间通信仿真平台的逻辑结构和数据流,搭建分布式编队小卫星星间通信系统仿真 平台。联合空间环境、姿态和轨道等分系统,重点对星间通信系统中信道编译码模块和扩频 解扩模块中的关键技术进行仿真验证。仿真结果表明：基于Petri网的分布式编队小卫星星 间通信系统仿真平台能够显著缩短仿真时间,提高仿真精度和仿真结果的置信度,提高通信 系统中模块的设计效率。
     

小视场红外光学系统设计

从红外光学系统的视场设计出发 ,分析了浸没透镜的厚度和曲率半径对光学特性的影响 ,介绍了小视场红外光学系统的设计方法 ,给出了弯月镜和浸没透镜的设计结果 ,试验表明小视场红外光学系统的设计是成功的     

遥感图像云检测方法综述

光学遥感图像中云层会对地面信息进行不同程度的遮挡,造成了地表观测信息的模糊和缺失,极大地影响遥感图像的成像质量。因此,对遥感图像中云层覆盖的检测和评估是进一步分析和利用遥感图像信息的基础和关键。通过充分的调研和对比总结,梳理了20世纪90年代以来,国内外基于遥感图像的云检测方法的发展趋势和代表性工作。将基于遥感图像的云检测方法分为三类：基于光谱阈值的方法、基于经典机器学习的方法以及基于深度学习的方法。总结了当前国内外云检测公开数据集,并对比了部分代表性工作的云检测精度。此外,简要梳理了与云检测相关的云雾(霾)检测、云雪检测、云阴影检测以及云去除等方法。对当前云检测相关工作中存在的问题和未来的发展趋势进行了分析和展望。     

网络环境下大学英语自主学习监控体系的构建

网络环境下的大学英语自主学习是大学英语教学改革的一项重要内容。为保障自主学习效果,本文提出构建多层次监控体系,即教师对学生的监控、软件对学生的监控、学生间相互监控和学生自我监控,并阐述监控效果及可能的发展方向。     

基于深度卷积网络的海洋涡旋检测模型

传统的利用遥感数据检测涡旋的方法通常是基于物理参数、几何特征、手工特征或专家知识。本文重点研究了基于深度学习技术从海表面高度图中识别海洋涡旋的方法。针对海洋卫星拍摄的海洋表面高度图中的涡旋检测问题,提出了一种基于卷积神经网络的多涡旋检测模型,该模型能够准确提取涡旋的特征信息,拟合语义信息与海面高度之间的关系。同时,在用于涡旋检测的最新公开数据集SCSE-Eddy上进行模型训练,以评估基于人工智能的涡旋检测方法性能,该数据集涵盖了15年来位于中国南海及其东部部分海域的每日卫星遥感海表面高度数据。实验结果表明,与现有的方法相比,本文模型取得了更好的检测结果,能够更好地区分相距较近的涡旋。     

小卫星测控通信分系统遥测参数处理的研究

提出一种小卫星遥测参数的处理方法 ,它采用三帧同步捕获的方法来减少误同步和漏同步 ,从而提高测控通信分系统的可靠性和有效性 ;同时 ,采用对遥测参数进行分类处理的方法确保测控系统可靠地运行     

外语学习中情感因素的调查与研究

外语学习中的情感因素主要是指学生们对外语学习所产生的情绪与感受,主要包括学习者的态度,动机与需求,自尊、自信与冒险心及焦虑情绪等.本文笔者通过对农村学生与城市学生的外语学习中的情感策略调查及分析,论述了对外语学习产生正面影响(如自信、冒险心等)的情感因素和一些对外语学习会产生极其负面的影响(如焦虑)的情感因素.并说明了外语教师除了传授知识和学习策略外,还应注重学生的情感教育.注意培养学生的学习动机,利用多元智能理论指导,培养学生的自信心缓解学生焦虑情绪.     

地球同步轨道目标物深度学习检测方法

针对欧空局SpotGEO竞赛中地球同步轨道目标物的检测问题,提出面向低精度CCD空间图像的深度学习检测方法。在图像预处理环节,分别采用高斯过程回归和模板匹配实现前景/背景分割和多帧图像配准。根据地球同步轨道物体的运动特征,采用拓扑扫描提取候选目标物。在此基础上,提出一套基于深度学习的目标物筛选方法。该方法利用卷积神经网络,依次对拓扑扫描前后候选目标物进行筛选,显著减少噪声点数量,提高检测效率。仿真结果表明,该方法达到98%的目标检测准确率,适用于存在光污染、云层遮挡等干扰的复杂环境。     

Spatial data quality capture through inductive learning

The relatively weak uptake of spatial error handling capabilities bycommercial GIS companies and users can in part be attributed to therelatively low availability and high costs of spatial data qualityinformation. Based on the well established artificial intelligencetechnique of induction, this paper charts the development of anautomated quality capture tool. By learning from example, the tool makesvery efficient use of scarce spatial data quality information, sohelping to minimise the cost and maximise availability of data quality.The example application of the tool to a telecommunications legacy datacapture project indicates the practicality and potential value of theapproach.