全球十大机体维修供应商

根据O＆M杂志的最新调查，新加坡科技宇航公司在2008年以800余万工时数继续位居全球十大机体维修供应商的榜首。但其他公司的排名却发生了较大的变化。     

国航提高飞行员培训能力

国航自2006年首次引进了空中客车A330-200双通道宽体飞机之后，2007年又与空客签订了价值百亿元的购机合同。为此，国航今年引进了A330／340全动飞行模拟机，以满足其空客机队飞行员培训的需要。新国航飞行模拟训练基地战后，国航将拥有20台全动飞行模拟机，每年可完成110000小时的全动飞行模拟训练任务，训练飞行员6500人次。     

使命，时不我待! 专访中国航天员科研训练中心主任陈善广

2008年4月1日,中国航天员科研训练中心迎来了她的40华诞,为此,《航天员》杂志对中国航天员科研训练中心主任,中国载人航天工程航天员系统总指挥、总设计师陈善广进行了一次专访。陈主任围绕建设世界一流航天员中心的话题,给我们进行了系统的分析和阐述。采访过程中,他神态上体现出的那种忧患意识、那种深思熟虑、那种谋定而后动的思路深深感染着我们。当问及建设世界一流的航天员中心的紧迫性时,他神情肃穆地说:使命,时不我待啊!使命在肩,责任重大,这一切让中心人不敢懈怠。与时间赛跑,与世界赛跑,他们将如何演绎下一个历史奇迹?谨以此话为题。     

塑造英雄的英雄们

他们不畏艰难,挑战国内空白的航天员选拔与训练领域;他们勇于开拓,开创了有中国特色的航天员选拔与训练体系;他们培养出我国的第一批航天员,孕育了我国的飞天英雄杨利伟、费俊龙、聂海胜。他们是塑造英雄的英雄们。     

国航西南分公司投资1．5亿元购入西南地区首台空客A320全动模拟机

3月20日．价值超过1．5亿元，西南地区首台空客A320全动模拟机在国航西南分公司培训部飞行训练中心通过民航总局验收，正式投入使用．至此，西南分公司已拥有A320全动模拟机．A320固定模拟器（投资2700万元）和波音B737—300型全动模拟机（投资1亿元）各一台．     

我国宇航元器件标准体系建设取得重大进展

近日，中国航天科技集团公司组织召开“宇航元器件标准体系建设”首批标准成果应用推进会，我国宇航元器件标准体系总体设计成果和首批228项宇航元器件标准，正式与国内宇航元器件领域相关各方见面。这标志着我国在建立统一完整、先进实用、具有自主知识产权的宇航元器件标准体系道路上迈出了坚实的第一步，对推动我国由航天大国向航天强国迈进具有重要意义。     

俄罗斯要续写航天大国辉煌——赴俄出席加加林首次上太空50周年庆祝活动见闻

4月12日是人类首次进入太空50周年的纪念日。4月8日~13日,应俄罗斯齐奥尔科夫斯基宇航科学院的邀请,中国宇航学会副理事长兼秘书长杨俊华和本刊主编周武赴俄参加了一系列庆祝活动,感受了俄罗斯人民对加加林的深切缅怀之情,以及俄罗斯官方决心续写航天大国的雄心。     

太空行走的训练

人类长期以来生活在重力环境里,而航天员在舱外执行各种任务时是处于一种微重力环境。在微重力环境下行走或工作可不是一件容易的事,当航天员按照地面的习惯来行走或操作时往往会用力过度,使自己飘离航天器或无法准确地完成操作。而且,在分析航天事故中,可以发现很多事故与航天员违反操作规程和训练不够有关。因此,为了更好地完成出舱任务,航天员在执     

二○○四年航天测控技术研讨会情况简报

2004年10月26至30日,以北京跟踪与通信技术研究所为挂靠单位的中国宇航学会飞行器测控专业委员会在厦门组织召开了以“空间目标探测与识别技术”为主题的“2004年航天测控技术研讨会”。专委会名誉主任委员沈荣骏同志、中国宇航学会杨俊华秘书长专程莅临会议,中国航天科技集团张履谦院士、中国电子科技集团14所张光义院士专程到会指导,专委会顾问、委员及来自总装备部各试验训练基地,中国航天科技集团、中国电子科技集团、中科院系统各有关厂所,及国防科技大学、南京大学等相关高等院校的专家、代表共一百余人参加了会议。     

基于迁移学习的卷积神经网络SAR图像目标识别

针对卷积神经网络中因网络参数随机初始化和参数过多导致的收敛速度慢及过拟合的问题,提出了一种基于迁移学习监督式预训练的卷积神经网络。首先,引入迁移学习的思想,采用小规模数据集作为源域的训练样本,针对源域中源任务进行监督式训练得到预训练模型;然后,构建一个多层的卷积神经网络作为目标域中目标任务的待训练网络,将源域中获得的预训练模型作为该网络的初始参数,大规模数据作为目标域的训练样本进行网络的微调,通过这种基于特征选择的迁移学习,实现源域到目标域的特征信息迁移;针对卷积神经网络中全连接层参数过多的问题,采用卷积层替代全连接层。试验使用美国国防高等研究计划署的移动与静止目标搜索识别（Moving and Stationary Target Acquisition and Recognition,MSTAR）数据集中三类目标数据作为源域样本,十类目标数据作为目标域样本,结果表明该算法的十类目标识别精度达到了99.13%,且具有更快的误差收敛速度。