红外前视对一类特殊建筑目标识别技术研究

针对电厂冷凝塔一类具有建筑规范的特殊建筑物,尝试在缺少其它基础地理数据保障的条件下,通过对冷凝塔外形的参数建模生成不同视点的参考图。在此基础上,针对红外／可见光多模图像匹配的特点,对自动目标捕获方案中模板匹配的相似性测度计算方法进行了研究。提出了基于梯度矢量相关系数的计算方法,将梯度信息作为红外／可见光多模图像的共性特征,匹配方案中不仅利用了图像点的梯度值,还充分考虑了该点的梯度方向信息。大量试验结果表明,该方法在识别性能上优于传统的灰度或轮廓匹配算法,匹配性能有较大的提高。     

天基照相跟踪空间碎片批处理轨道确定研究

随着国内外天基观测空间碎片研究的展开,文章提出了利用跟踪卫星的CCD(Charge
Coupled Device)相机对空间碎片进行轨道探测的方法,首先建立了CCD照相观测模型和基于 照相观测 的空间碎片批处理轨道确定模型。通过对CCD相机底片归算方法的分析可知,利用
CCD相机所获得的观测数据与跟踪卫星的姿态无关,且其精度只与测量和坐标转换计算的精 度有关,在测量和计算中可获得较高的精度。分别对分布密度较高的低轨道和地球同步 轨道区域的空间碎片进行了定轨分析。仿真结果表明,定轨时采用两个跟踪弧段的照相数据 定轨精度大大高于一个弧段照相数据的定轨精度;跟踪卫星距离空间碎片越近,定轨精度越 高;低轨道空间碎片的定轨精度高于地球同步轨道上的空间碎片定轨精度。
     

基于归一化神经网络的航天器自适应姿态跟踪控制

针对以变速控制力矩陀螺（VSCMGs）为姿态控制执行机构的航天器在同时考虑惯性参数和执行机构不确定性情况下的姿态跟踪控制问题,提出了一种基于归一化神经网络的自适应姿态跟踪控制方法。设计一个非线性反馈控制器作为航天器姿态控制的基本控制器,利用归一化神经网络设计补偿控制器,用以在线估计和消除包含系统不确定参数的未知不确定函数的影响,避免了标准自适应控制方法需要进行大量不确定参数估计的缺陷。采用神经网络输入归一化技术,简化了闭环系统复杂的稳定性分析过程。理论分析证明了闭环系统的稳定性和姿态跟踪误差的收敛性。仿真结果表明,所提出的控制方法能满足航天器在惯性参数和执行机构不确定性及外干扰存在情况下的高精度姿态跟踪控制要求。
     

基于Saber-Simulink的PPT卫星电源控制器联合仿真

本文的目的是通过Saber-Simulink联合仿真来验证作者建立的峰值功率跟踪(PPT)卫星电源控制器的有效性以及这种联合仿真方法的合理性。首先在MATLAB/Simulink中建立卫星电源控制器模型,包括PPT控制器模块,工作模式转换模块以及恒流-恒压(CC-CV)充电控制器模块。结合Simulink和Saber两者的优势,详细介绍了两软件接口定义方法并对基于PPT的卫星电源系统进行联合仿真。仿真结果表明卫星电源控制器工作模式切换正常,Saber-Simulink联合仿真是一种可靠的系统仿真方法,适合用于卫星电源控制器的仿真。     

一种步长为对角阵的正交数据投影算法

针对传统子空间跟踪算法正交性和稳定性差的问题,基于数据投影算法(DPM),提出了一种步长为对角阵的正交DPM算法。算法运算复杂度较低,能提供标准正交的子空间,运行时无累积性误差;采用"自适应"而非固定搜索步长,能更好地匹配子空间的动态收敛速度,可进一步提高收敛速率并具有更佳的跟踪性能。仿真结果证明了新算法的有效性和正确性。     

基于Simulink的直接序列扩频通信系统的仿真

卫星通信系统测试扩频信号源需具备自检功能。文章利用MATLAB的可视化工具箱Simulink建立了直扩通信系统的仿真模型,为扩频信号源自检程序设计提供参考。采用滑动相关捕获算法、单△值非相干延迟锁定伪码跟踪环,实现了伪码同步。仿真结果表明,该系统可无误码地恢复发端原始信息。     

俄进步M-04M货运飞船与“国际空间站”成功对接

据新华网2010年2月5日报道,莫斯科时间5日7时26分（北京时间5日12时26分）,进步M04M货运飞船与“国际空间站”的星辰号服务舱成功自动对接。在完成对接后,宇航员还要检查对接舱的密封性及压力数据,预计数小时后宇航员将开始从货运飞船上卸货。进步M04M货运飞船于2月3日从哈萨克斯坦境内的拜科努尔发射场由一枚联盟-U运载火箭发射升空。飞船为“国际空间站”送去总重约2．5t的食品、水、燃料和科研设备,     

基于权值分配及多特征表示的在线多示例学习跟踪

针对复杂环境下目标跟踪过程中由于遮挡、目标姿势及光照条件变化引起跟踪漂移的问题,提出一种基于多示例学习（MIL）框架的在线视觉目标跟踪算法。该算法针对多示例跟踪算法采用单一haar-like特征不能准确描述目标外观变化及在学习过程中对样本包中各正负样本示例采用相同权值,忽略不同正负样本示例在学习过程中对包的重要性不同的特点,采用多特征联合表示目标外观构造分类器,通过将多特征互补特性融入在线多示例学习过程中,利用多特征的互补属性建立准确的目标外观模型,克服在线多示例跟踪算法对目标外观变化描述不足的问题;同时,依据不同正负样本示例对样本包的重要程度进行权值分配,提高跟踪精度。实验结果表明,本文跟踪算法对场景光线剧烈变化、遮挡、尺度变化及平面旋转等干扰具有较强的跟踪鲁棒性,通过对不同视频序列进行测试,文中算法在5组测试视频序列上的平均中心位置误差远小于对比增量式学习跟踪,仅为10.14像素,其对比算法IVT、MIL和OAB的中心位置误差分别为17.99、20.29和33.64像素。