大型固体发动机燃烧室立式贮存研究

为研究大型固体发动机对特殊立式贮存环境的适应性,开展了大型固体发动机立式贮存状态的受力分析以及立式贮存试验研究。基于大型固体发动机立式贮存环境条件的分析,综合考虑固化降温、充气内压等因素对发动机立式贮存的影响,开展了联合载荷作用下的计算分析。研究结果表明,发动机立式贮存状态相对初始状态前、后人工脱粘间隙都增大,前人工脱粘间隙增大较多,前人工脱粘开口部位轴向位移最大,中孔径向位移最大;发动机充气后药柱的变形量、前后凸环形药柱界面及药柱中孔处等效应力应变随内压提高有所提高,但前后凸环形药柱界面和药柱中孔处受力状态从三向或两向受拉变为三向受压状态,设计合适的充气内压有利于发动机的长期立式存放。燃烧室立式贮存试验实测了药柱立式贮存后的变形,实测结果与计算结果趋势一致。     

Chaos and its avoidance in spinup dynamics of an axial dual-spin spacecraft

Attitude dynamics of a dual-spin spacecraft (DSSC) and a torque-free angular motion of a coaxial bodies system are considered. Some regimes of the heteroclinic chaos are described. The local chaotization of the DSSC is investigated at the presence of polyharmonic perturbations and small nutation restoring/overturning torques on the base of the Melnikov method and Poincaré Maps. Reasons of the chaotic regimes initiation at the spinup maneuver realization are studied. An approach for the local heteroclinic chaos escape/avoidance at the modification of the classical spinup maneuver is suggested.     

遥感图像飞机目标高效搜检深度学习优化算法

为了实现大幅面遥感图像中飞机目标的高效检测与准确定位,通过深度神经网络（DNN）的级联组合,提出了一种新颖的搜寻与检测相集成的飞机目标高效检测算法。首先,运用高性能的端到端DNN网络,进行停机坪与跑道区域的像素级高效精准分割,从而大幅度缩小飞机目标的搜索范围,以降低虚警发生概率,完成飞机目标候选检测区域的快速搜寻。然后,针对分割所得停机坪与跑道区域,借助手工数据集对YOLO网络模型进行迁移式强化训练,一方面可以弥补训练集在样本类型与数据规模上的不足,另一方面借助YOLO网络的强时效性优势对飞机目标的位置进行回归求解,可以显著提高飞机目标的检测效率。停机坪与跑道区域分割DNN网络在分割精度与时效性上具有显著优势,而迁移式强化训练YOLO网络不仅具有很高的检测效率,在检测精度上也能保持良好的性能。通过一系列综合实验与对比分析,验证了提出的搜寻与检测相集成的DNN级联组合式飞机目标高效检测算法的性能优势。      

基于显著特性的保持边缘滤波算法

针对传统保持边缘滤波算法中存在光晕的缺点,提出了基于显著特性的图像保持边缘滤波算法.该算法主要思想是利用原图的显著特性图具有边缘突出的特点,简化双边滤波法中灰度因子的设定工作.首先提取出原图像的显著图,然后根据图像显著值的大小自适应模糊图像中的细节和噪声部分:显著值较小的区域灰度因子设置较大,平滑此区域;显著值较大的区域灰度因子设置较小,保持边缘部分的清晰.实验结果表明,该算法在平滑了细节和噪声的同时,有效地保持了边缘信息的清晰,与传统方法相比,新方法不仅避免了光晕现象的产生,而且应用更为广泛.      

基于三维光场的静态场景前景分割

为解决复杂场景中的前景提取问题提出一种基于三维光场分析的静态场景前景分割方法.首先,通过在一条直线等间距的不同视点上拍摄场景的序列图像构建密集采样的三维光场.其次,用线段检测(LSD)直线检测算法从对极平面图(EPI)中分析提取出场景边缘及其深度信息.借助分段三次Hermite多项式(PCHIP)快速插值算法恢复整个场景的深度信息.最终,通过阈值法实现对不同深度的前景物体的分割.初步实验结果表明,本方法能够较准确地恢复场景中多个物体之间的空间关系,前景分割结果较好地克服了现有基于区域聚类和数学形态学等方法在复杂场景应用中存在的过分割问题.      

An intelligent target detection method of UAV swarms based on improved KM algorithm

Complete and efficient detection of unknown targets is the most popular application of UAV swarms. Under most situations, targets have directional characteristics so that they can only be successfully detected within specific angles. In such cases, how to coordinate UAVs and allocate optimal paths for them to efficiently detect all the targets is the primary issue to be solved. In this paper, an intelligent target detection method is proposed for UAV swarms to achieve real-time detection requirements. First, a target-feature-information-based disintegration method is built up to divide the search space into a set of cubes. Theoretically, when the cubes are traversed, all the targets can be detected. Then, a Kuhn-Munkres (KM)-algorithm-based path planning method is proposed for UAVs to traverse the cubes. Finally, to further improve search efficiency, a 3D real-time probability map is established over the search space which estimates the possibility of detecting new targets at each point. This map is adopted to modify the weights in KM algorithm, thereby optimizing the UAVs’ paths during the search process. Simulation results show that with the proposed method, all targets, with detection angle limitations, can be found by UAVs. Moreover, by implementing the 3D probability map, the search efficiency is improved by 23.4%–78.1%.     

基于星图匹配的小视场空间图像畸变校正

小视场星载相机受发射振动和空间环境等影响,会使所拍摄的空间图像产生畸变,并且畸变模型和参数也时有变化.针对小视场空间图像所含恒星点相当稀少的特点,提出一种基于Hausdorff距离多帧星图匹配的空间图像畸变校正方法,利用恒星点作为控制点实现畸变参数的计算.针对卫星姿态漂移所造成的相机光轴指向系统误差对校正的影响,给出一种自适应补偿方法.仿真实验结果表明,该方法计算量小、精度高,能够有效抑制图像噪声和输入误差的影响.      

提高地形图测绘精度与速度方法探讨

通过对地形图重要性的简要描述,提出了在实际测绘工作中比较实用的几种简便而迅速的测绘方法。它们对提高地形图测绘的精度及速度有很好的效果。     

一种基于三正交主轴平面的快速星图模拟方法

为在地面上进行星图模拟以测试星图识别算法和星敏感器性能, 提出了一种新的快速星图模拟方法. 该方法利用截面圆和固定区域的性质, 将单位天球按照三个正交主轴平面进行等分, 根据赤纬值求解恒星矢量与主轴平面夹角来确定选星条件, 进而根据坐标变换原理进行星图模拟. 为验证所提方法与现有方法相比的优势, 进行了大量的仿真实验. 实验结果表明, 与现有星图模拟方法相比, 本文方法在保证星图模拟精度的条件下, 选星速度提高了3倍以上.      

基于加权朴素贝叶斯分类器和极端随机树的蛋白质接触图预测

提出一个新的基于集成学习的预测器(TargetPCM),对蛋白质接触图(特别是中长程)进行高精度的预测。首先,TargetPCM使用加权朴素贝叶斯分类器(Weighted Nave Bayes classifier,WNBC)融合3个接触图预测器的输出,其中WNBC中的权重参数通过粒子群算法优化得到;其次,将WNBC融合后的输出和基于序列的特征进行组合,得到更具鉴别能力的特征;在此基础上,应用极端随机树训练得到最终的蛋白质接触图预测模型。为了验证TargetPCM的有效性,在包含98个非冗余蛋白质的数据集上进行了测试。结果表明:对于短程、中程和长程接触,TargetPCM的Top L/5精度比现有最好的集成预测器(NeBcon)分别提高了8.2%,16.1%和5.3%。在CASP11上进一步的验证表明,对于短程、中程和长程接触,TargetPCM的Top L/5精度比现有最好的基于协同进化的集成预测器(MetaPSICOV)分别提高了7.4%,9.1%和7.5%。实验结果验证了本文所提蛋白质接触图预测方法的有效性。