启发式深空探测器任务规划方法

针对深空探测器的任务规划过程特点,考虑约束的数值特性,提出一种基于规划活动相关度的领域无关启发式规划方法。定义了活动的相关度,结合规划过程,给出自学习式的相关度动态更新过程。设计基于相关度的活动选择机制,形成启发式规划算法。数值计算结果表明,文中提出的方法有效地减少了规划过程中规划步数和回溯步数,提高了深空探测器规划的效率。     

基于深度残差网络的模拟电路软故障诊断方

航天电子电路的故障诊断一直是航天领域可靠性与安全性的一个热点研究课题,航天电子电路的故障将直接影响航天任务是否成功。提出了一种基于深度残差网络的模拟电路故障诊断方法。该方法使用短时傅里叶变换将电路的时域输出信号转换为二维电路图像,并将其作为神经网络的输入,再利用ResNet提取模拟航天电子电路的性能特征,确定元件的故障类型,完成电路的故障诊断。通过仿真验证了该方法的故障诊断性能。仿真结果表明,该方法能够实现高达99.1%的诊断准确率。     

基于卫星遥感的岛礁影像多类目标智能化提取

卫星遥感影像具有背景复杂、目标尺度不一、观测方向各异、纹理不清晰等特点,主流的深度学习目标检测算法不能直接适用于卫星遥感影像的目标检测。改进了RetinaNet,使其适用于卫星遥感影像。首先设计了一种新的特征融合方式,融合ResNet50输出的特征图,使得融合后的特征图同时具有高层语义信息和低层纹理细节信息。为了减弱遥感影像复杂背景对目标特征的影响,设计了特征感知模块,在减弱噪声对特征图影响的同时增强有用特征。挑选DOTA数据集中船只、飞机和存储罐图像进行训练和测试。改进的算法与RetinaNet相比,飞机、船只和存储罐的平均精度分别提高了41%、25%、24%。基于高分二号卫星（GF 2）真实影像数据的试验结果表明,提出的算法能够用于卫星遥感岛礁影像的多类目标智能化提取。     

月球探测器路径规划的基于案例的学习算法研究

讨论了基于案例的学习方法在月球探测器局部路径规划中的应用问题。基于案例的学习算法是人工智能中的一种学习方法 ,它根据过去的经验进行学习及问题求解 ,是一种增量式的学习过程。本文对基于案例的学习方法在月球探测器路径规划中的应用框架进行了一些讨论 ,提出了一些算法。     

从深度撞击探测器看空间拦截技术的发展

深度撞击探测器精确成功地撞击坦普尔-1号彗星,不仅具有很大的科学意义和价值,也显示了当前世界的空间拦截水平。本文旨在通过研究“深度撞击”任务的技术性能论述空间拦截技术的发展方向-动能直接拦截技术。     

基于交互融合的高精度图像融合算法的研究

针对可见光和SAR图像融合,提出了一种基于跨模态差分感知和注意力机制的交互融合（TDPAM Fusion）算法,能有效保留可见光图像中的纹理结构和SAR图像的细节信息。首先,采用跨模态差分感知融合（Cross-Modal Differential Perception Fusion, CMDAF）模块提取图像的互补信息,避免真值缺失并提高融合精度。其次,通过坐标注意力机制（Coordinate Attention,CA）提高特征提取的准确性和效率,增强语义信息的集成。最后通过交互融合算法（Interactive Fusion Module,IFM）将特征自适应融合。设计了相应的大型基准数据集,用于网络模型的训练和测试。实验结果表明：TDPAM Fusion融合算法可以获得包含清晰SAR信息的高质量可见光图像。此外,融合算法将互信息（Mutual Information,MI）、空间频率（Spatial Frequency,SF）、视觉保真度（Visual Fidelity,VIF）和相关系数（Correlation Coefficient,CC）等关键指标,分别提高了约6.41%、10...     

基于CNN-LSTM神经网络的前视成像算法

雷达前视成像作为雷达成像领域的难点与重点,在自动驾驶、导航、精确制导等方面具有广阔的应用前景。传统的前视成像算法受限于天线孔径的宽度,无法实现高分辨率的成像,本文使用卷积神经网络（Convolutional Neural Networks, CNN）与长短期记忆（Long Short-Term Memory,LSTM）网络相结合实现前视成像中方位向的预测,首先介绍了扫描前视成像信号的类卷积模型及其病态性,利用脉冲压缩以及距离徙动校正对回波信号预处理,输入CNN-LSTM神经网络逐距离单元进行方位向估计。仿真结果表明：算法能有效提高前视成像的方位分辨率,实现前视成像的超分辨。     

基于启发强化学习的大规模ADR任务优化方法

随着航天事业的蓬勃发展,空间碎片尤其是低轨碎片已成为航天任务不可忽视的威胁。考虑到碎片清除的紧迫性和成本,低轨多碎片主动清除（ADR）技术成为缓解现状的必要手段。针对大规模多碎片主动清除任务规划问题,首先,基于任务规划的最大收益模型,提出一种强化学习（RL）优化方法,并依照强化学习框架定义了该问题的状态、动作以及收益函数;其次,基于高效启发因子,提出一种专用的改进蒙特卡罗树搜索（MCTS）算法,该算法使用MCTS算法作为内核,加入高效启发算子以及强化学习迭代过程;最后,在铱星33碎片云的全数据集中检验了所提算法有效性。与相关MCTS变体方法以及贪婪启发算法对比,所提方法能在测试数据集上更高效地获得较优规划结果,较好地平衡了探索与利用。     

一种基于天文测速的火星捕获段天地联合导航方法

为提高火星捕获段探测器的导航精度,提出一种基于天文测速的天地联合导航方法。该方法在地面无线电测距、测速的基础上,引入探测器与恒星的视向速度作为新增观测量,采用扩展卡尔曼滤波(EKF)对探测器状态进行估计。理论分析与仿真结果均表明,与仅依靠地面无线电导航相比,采用基于天文测速的天地联合观测导航方法能有效提高探测器的位置与速度估计精度,且导航精度的提升效果与马尔柯夫最优估计理论的预测值有较好的吻合度。当天文测速精度与地面测速精度相当时,位置估计精度较地面无线电导航提高了近一倍。     

辅助动力装置控制系统传感器智能解析余度方法

针对辅助动力装置(APU)控制系统传感器故障,提出了一种基于协方差优化集成极限学习网络(COSELM)的传感器智能解析余度方法。该方法能够根据在线序列预测误差的最小方差来自适应更新单个在线序列极限学习机的权重系数,发挥和权衡各个学习模型的优势,通过提高模型算法的稳定性和泛化性,改善传感器智能解析余度的精度。通过在某辅助动力装置控制系统传感器解析余度的验证表明,提出的COSELM方法可以解决传感器在发生偏置故障时的信号重构问题,重构误差不超过1%,适用于不同辅助动力装置个体,为其提供可靠的解析余度。