基于LightGBM的卫星飞轮温度预测

为保障卫星的正常在轨运行,地面系统需要对卫星运行状态进行监控预警,其中对卫星各系统的温度监控尤为重要.温度不仅直接反映卫星系统的健康状态,更会对系统器件的性能和寿命造成影响.飞轮作为卫星姿态控制系统的重要组件,其温度变化是识别姿态控制系统状态的重要信息.卫星飞轮温度的预测与预警对卫星在轨稳定运行具有重要意义.本文基于某在轨卫星遥测数据,结合空间环境数据,应用LightGBM机器学习框架研究建立梯度提升决策树模型,对卫星飞轮温度进行预测.经与实际遥测温度值进行对比验证,预测精度可以满足对卫星飞轮温度的监视需求.研究结果可应用于地面系统,对卫星姿态控制系统可能发生的温度异常进行预警,使地面运控人员能够提前规避风险,保障卫星的安全在轨运行.     

地球同步轨道目标物深度学习检测方法

针对欧空局SpotGEO竞赛中地球同步轨道目标物的检测问题,提出面向低精度CCD空间图像的深度学习检测方法。在图像预处理环节,分别采用高斯过程回归和模板匹配实现前景/背景分割和多帧图像配准。根据地球同步轨道物体的运动特征,采用拓扑扫描提取候选目标物。在此基础上,提出一套基于深度学习的目标物筛选方法。该方法利用卷积神经网络,依次对拓扑扫描前后候选目标物进行筛选,显著减少噪声点数量,提高检测效率。仿真结果表明,该方法达到98%的目标检测准确率,适用于存在光污染、云层遮挡等干扰的复杂环境。     

中国学生学习动机研究述评

以中国学生学习动机研究的文献为基础,对学生学习动机研究方法,学生学习动机的现状,学生学习动机的影响因素,学生学习动机与其他因素的关系等方面进行了回顾,展望了该领域的研究方向,为学生学习动机的深入研究提供借鉴.     

脉冲星候选样本分类方法综述

脉冲星搜索是射电天文学中的重要前沿领域。随着现代搜索设备性能的不断提升,可以接收到更弱的信号,如何从海量信号中准确地识别出脉冲星疑似信号成为一个挑战。介绍了国内外关于脉冲星候选样本分类方法的发展历史和发展状态,归纳总结了发展过程中各个阶段的处理方法:人工识别方法和机器学习方法;最后对未来的发展趋势进行了分析。     

基于在线学习RBF神经网络的故障预报

提出了一种基于在线学习神经网络的故障预报方法.该方法在网络设计过程中结合了"添加"准则和基于对网络输出贡献相对较小的"剪枝"准则."添加"过程中利用隐层的最大输出判断神经元的活跃性;"剪枝"过程中加入了滑动窗口,避免了误"剪枝".同时,调整过程只对输出响应比较大的神经元进行,大大减少了计算量,提高了实时性.仿真结果表明,利用该算法能够对一类带时变参数的非线性系统进行故障预报.     

现代化视域下的高校师德建设路径

鉴于高校教师师德建设的重要性研究,在现代化视域下限定其论域边界,分析其与其他范畴的联系和区别,高校教师师德建设的具体路径。     

基于深度强化学习的软件定义卫星姿态控制算法

深度强化学习（DRL）作为一种新型的基于机器学习的控制算法,在机器人和无人机等智能控制领域展现出了优异的性能,而卫星姿态控制领域仍然在广泛使用传统的PID控制算法。随着卫星的小型化、智能化以至软件定义卫星的出现,传统控制算法越来越难以满足姿态控制系统对适应性、自主性、鲁棒性的需求。因此对基于深度强化学习的姿态控制算法进行了研究,该算法使用基于模型的算法,比非基于模型的算法拥有更快的收敛速度。与传统控制策略相比,该算法无需对卫星的物理参数和轨道参数等先验知识,具有较强的适应能力和自主控制能力,可以满足软件定义卫星适应不同硬件环境,进行快速研发和部署的需求。此外,该算法通过引入目标网络和并行化启发式搜索算法之后,在网络精度和计算速度方面进行了优化,并且通过仿真实验进行了验证。      

空间深空探测低温制冷技术的发展

深空探测技术已经被列入国家发展计划,由于空间环境的特殊性,对空间低温制冷技术提出了更高的要求。文章介绍了美国、日本和欧空局用于深空探测的深低温制冷技术的发展状况,包括超流氦制冷技术、多级机械制冷技术、吸附式制冷技术、绝热去磁制冷技术和氦稀释制冷技术,并介绍了在天文卫星和空间望远镜上的应用;综述了中国空间低温制冷技术的发展现状,提出了中国开展深低温制冷技术研究的启示和建议。     

多机械手混合位置/力协调学习控制的研究(英文)

研究了多机械手抓持一刚性物体的协调控制。考虑多机械手系统的动态模型不确定性,导出了物体位置的误差方程和内力的误差方程,给出了多机械手的混合位置/力协调学习控制策略,并对学习控制的收敛性进行了讨论。文中提出的控制策略在每次迭代学习后,通过修正系统的控制输入来改善系统的性能。最后,通过两个平面机械手抓持一物体的仿真实验证明了该方法的有效性     

Ground maneuver for front-wheel drive aircraft via deep reinforcement learning

The maneuvering time on the ground accounts for 10%–30% of their flight time, and it always exceeds 50% for short-haul aircraft when the ground traffic is congested. Aircraft also contribute significantly to emissions, fuel burn, and noise when taxiing on the ground at airports. There is an urgent need to reduce aircraft taxiing time on the ground. However, it is too expensive for airports and aircraft carriers to build and maintain more runways, and it is space-limited to tow the aircraft fast using tractors. Autonomous drive capability is currently the best solution for aircraft, which can save the maneuver time for aircraft. An idea is proposed that the wheels are driven by APU-powered (auxiliary power unit) motors, APU is working on its efficient point; consequently, the emissions, fuel burn, and noise will be reduced significantly. For Front-wheel drive aircraft, the front wheel must provide longitudinal force to tow the plane forward and lateral force to help the aircraft make a turn. Forward traction effects the aircraft’s maximum turning ability, which is difficult to be modeled to guide the controller design. Deep reinforcement learning provides a powerful tool to help us design controllers for black-box models; however, the models of related works are always simplified, fixed, or not easily modified, but that is what we care about most. Only with complex models can the trained controller be intelligent. High-fidelity models that can easily modified are necessary for aircraft ground maneuver controller design. This paper focuses on the maneuvering problem of front-wheel drive aircraft, a high-fidelity aircraft taxiing dynamic model is established, including the 6-DOF airframe, landing gears, and nonlinear tire force model. A deep reinforcement learning based controller was designed to improve the maneuver performance of front-wheel drive aircraft. It is proved that in some conditions, the DRL based controller outperformed conventional look-ahead controllers.