基于DRL的巨型星座星地测控链路规划算法

针对巨型星座的星地测控链路规划问题，提出了一种基于深度强化学习的智能规划调度算法。该方法考虑了卫星对于测控站的资源竞争关系和连接关系，设计了环境状态，决策智能体通过感知卫星状态，结合动作选择策略，生成卫星对于测控站的分配方案，并根据反馈的奖励值进行策略的迭代优化。将本算法应用于巨型星座系统的星地测控链路规划任务，仿真结果表明所提出的智能算法可以将测控站天线利用率提升到98%以上，同时有效地降低了天线的切换次数。另外，训练好的模型可以根据未来时刻的星地可视窗口，在30s内快速生成星地测控链路规划方案。     

通信拓扑切换下的预定时间分组协同制导方法

针对通信网络拓扑结构切换下的协同制导问题，提出了一种预定时间协同制导方法(PTCGL),以保证拓扑切换下的预定时间分组收敛。首先，建立三维飞行器协同制导模型和拓扑切换下的分组协同架构：组间利用小组领队飞行器之间的协作实现分组配合，组内则通过有向通信实现组协同。随后，在通信网络拓扑结构切换的情况下，结合牵制控制和预定时间理论，基于M矩阵假设的牵制分组误差和预定时间尺度函数提出拓扑切换三维预定时间协同制导律。进一步，考虑拓扑切换驻留时间，利用Lyapunov理论证明在通信拓扑切换的情况下，该制导律可实现预定时间收敛。最后，数值仿真结果验证了所提出的协同制导方法可实现在拓扑切换下的预定时间收敛、保证分组协同打击。     

MIMO仿射型非线性系统的滑模切换极值搜索控制

针对 MIMO仿射型非线性系统设计了一种基于分数阶积分的滑模切换极值搜索控制方法,将系统分解为若干个子系统,对每个子系统采用输出跟踪误差以及该误差函数的分数阶积分值构造切换函数,构造滑模切换极值搜索控制律,证明了方法的稳定性。对比已有的方法进行仿真分析,验证了方法具有较好性能。     

基于改进大气散射模型的单幅图像去雾方法

雾天情况下获得的图像通常会出现对比度低、色彩丢失及噪声等问题，传统的去雾方法主要着眼于解决对比度低、色彩损失等问题，而没有考虑空气中灰尘颗粒散射隐藏的噪声光，导致去雾结果中易出现大量的噪声。针对该问题，提出了一种基于改进大气散射模型的单幅图像去雾方法。结合雾霾天气的特点，通过增加空气中介质散射的噪声光对传统雾天成像的大气散射模型进行改进；针对暗通道先验计算透射率不准确的问题，根据改进的模型构建一种透射率精细化的求取方法；结合全变分模型保边抑噪的思想，构造一种新的目标函数，迭代求解获得去雾图像。实验结果和对比分析表明:所提方法能有效去除图像中的雾，减少去雾结果中的噪声，同时也能保留图像中丰富的纹理信息。