基于深度学习的ADS-B异常数据检测模型

广播式自动相关监视（ADS-B）是下一代空中交通运输系统的重要组成部分，是新航行系统中非常重要的通信和监视技术，但其协议没有提供相关的信息认证和数据加密，因此极其容易受到欺骗干扰的影响。针对ADS-B报文数据特点，采用深度学习的seq2seq模型对ADS-B报文数据进行重构，通过重构误差来检测异常，并对数据进行特征扩展，使模型能更好的捕捉数据的时间依赖性。实验结果表明，所采用的方法优于传统的机器学习方法，且在数据特征扩展后，模型检测效果提升。相比于现有的欺骗干扰检测方法，该方法不需要改变ADS-B系统的协议，也不需要额外的节点或传感器参与，具有一定的适应性和灵活性。     

美国几架航天飞机所发生的SEU研究

本文对1991年美国发射的5架不同倾角不同高度的低地球轨道航天飞机所遇到的单粒子翻转事件进行了考查和研究．结果证实在极光区和南大西洋异常区仍可能发生大量单粒子事件,大大地影响到航天器的安全,对此文中给出了一些结论和建议．     

数据挖掘在运载火箭智能测试中的应用

针对运载火箭复杂系统的故障检测难以建立准确的数学模型的问题,研究了基于数据驱动的数据挖掘异常检测算法,对多种数据挖掘算法在运载火箭发动机异常检测的应用进行了研究和分析,提出了基于混合概率密度统计的多策略异常检测评价算法。该算法基于非监督学习的算法挖掘火箭发动机不同参数间的正常关联模型,火箭发动机早期的异常数据会引起正常关联模型的破坏,引入混合概率密度统计的多策略异常检测评价机制,可以有效屏蔽参数测量故障对系统故障检测的影响,从而更加准确给出系统异常程度。使用发动机历史试车数据作为样本进行特征模型的训练,使用一元、多元和混合概率密度模型对存在异常的发动机试车数据进行了实时异常检测的实验验证。实验结果表明,相比传统基于阈值和规则的异常检测算法,基于概率密度统计的多策略异常检测算法不仅可给出系统的正常和异常的状态,还可计算各参数和整个系统的异常值,为运载火箭进一步的故障诊断提供更加灵活的参考。     

TEC variability near northern EIA crest and comparison with IRI model

Monthly median values of hourly total electron content (TEC) is obtained with GPS at a station near northern anomaly crest, Rajkot (geog. 22.29°N, 70.74°E; geomag. 14.21°N, 144.9°E) to study the variability of low latitude ionospheric behavior during low solar activity period (April 2005 to March 2006). The TEC exhibit characteristic features like day-to-day variability, semiannual anomaly and noon bite out. The observed TEC is compared with latest International Reference Ionosphere (IRI) – 2007 model using options of topside electron density, NeQuick, IRI01-corr and IRI-2001 by using both URSI and CCIR coefficients. A good agreement of observed and predicted TEC is found during the daytime with underestimation at other times. The predicted TEC by NeQuick and IRI01-corr is closer to the observed TEC during the daytime whereas during nighttime and morning hours, IRI-2001 shows lesser discrepancy in all seasons by both URSI and CCIR coefficients.     

基于卷积神经网络对磁异常信号的识别研究

航空磁探反潜作为航空反潜的重要手段,在其中发挥了重要作用。针对目前航空反潜作战中,磁干扰信号极大地影响对水下目标磁探测效果这个问题,文章先对输入信号进行预处理,并使用卷积神经网络实现对2种信号的识别。实验结果显示,卷积神经网络的方法对信号的识别率达到了85%,能够有效对信号进行准确地识别。     

航天器异常与空间环境

本文研究考查了靠近或在地球同步轨道上的ＳＣＡＴＨＡ、ＴＤＲＳ－１卫星以及ＧＰＳ、ＧＯＥＳ卫星组等的各自１０年左右运行时间中,空间环境所导致航天器异常的发生率的年分布特征,月分布特征,地方时分布特征以及不同类型的发生率分布特征。结果表明,由于不同空间环境因素对航天器作用不同,引起异常类型不一样,因此,太阳长周期和短月,地方时周期活动对航天器异常发生率影响无简单的统一规律特征;长周期中的单粒子事件是由     

考虑表面加工缺陷的轮盘疲劳寿命分析方法

为了将表面加工状态引入零构件概率寿命分析中,提出并建立了考虑表面加工缺陷的轮盘疲劳寿命分析方法。将孔的表面加工缺陷简化为表面裂纹和/或角裂纹,导出裂纹深度密度函数;借助裂纹应力强度因子经验公式及有限元分析,提出轮盘孔边裂纹应力强度因子计算的推广经验公式方法。建立了3种考虑表面缺陷尺度分布时轮盘概率寿命计算方法。以钛合金盘为例,在获得的表面缺陷分布条件下,计算了给定寿命的轮盘疲劳寿命失效概率及故障率。仿真结果表明:采用该方法可以将表面加工缺陷对疲劳寿命的影响引入构件寿命评估体系。     

高光谱图像全局异常检测RFS-SVDD算法

针对SVDD用于高光谱图像全局异常检测时存在虚警率高的问题,提出RFS-SVDD算 法。RFS-SVDD将空间相邻且光谱相似的像元分为同一区域,根据区域大小将图像在空间上分 成潜在异常区域与背景区域,用背景区域中所有子区域的平均光谱RFS作为SVDD训练样本求 取支持向量。RFS是每个子区域中像元光谱的统计结果且不包含奇异像元,可以避免奇异像 元光谱和图像随机噪声对背景建模的影响。对HYMAP和AVIRIS图像数据的仿真结果表明：RFS -SVDD算法能抑制异常目标像元光谱和图像随机噪声对背景建模的干扰,降低SVDD用于高光 谱图像全局异常检测的虚警率。
     

基于BiGRU-SVDD的ADS-B异常数据检测模型

广播式自动相关监视（ADS-B）作为新一代空管监视技术,由于采用明文方式广播发送数据,因而存在易遭受网络攻击的安全问题。为了准确检测ADS-B数据攻击行为,在充分考虑时间相关性的基础上,提出了针对ADS-B数据的异常数据检测模型。首先利用双向门控循环单元（BiGRU）神经网络预测ADS-B数据,得到了ADS-B数据预测值。再将预测值和实际值作差,将差值放入支持向量数据描述（SVDD）训练,得到了能检测ADS-B异常数据的超球体分类器。并且,选择了合适的滑动窗口,在保证异常检测准确率的同时,缩短BiGRU神经网络的训练时长。实验结果表明,BiGRU-SVDD模型能检测出随机位置偏移攻击、高度偏差攻击、重放攻击、拒绝服务（DOS）等攻击下的ADS-B异常数据。并且,与其他机器学习和深度学习方法相比,BiGRU-SVDD异常检测模型的准确率更佳,适应性更优。