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。     

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。     

Improving multi-target cooperative tracking guidance for UAV swarms using multi-agent reinforcement learning

Multi-Target Tracking Guidance(MTTG) in unknown environments has great potential values in applications for Unmanned Aerial Vehicle(UAV) swarms. Although Multi-Agent Deep Reinforcement Learning(MADRL) is a promising technique for learning cooperation, most of the existing methods cannot scale well to decentralized UAV swarms due to their computational complexity or global information requirement. This paper proposes a decentralized MADRL method using the maximum reciprocal reward to learn cooper...     

基于近端策略优化的空战决策算法研究

面对未来有/无人机协同作战场景,实时准确的空战决策是制胜的关键。复杂的空中环境、瞬变的态势数据以及多重繁琐的作战任务,使有/无人机协同作战将替代单机作战成为未来空战的发展趋势,但多智能体建模和训练过程却面临奖励分配困难、网络难收敛的问题。针对5v5 有/无人机协同的空战场景,抽象出有人机和无人机智能体的特征模型,提出基于近端策略优化算法的空战智能决策算法,通过设置态势评估奖励引导空战过程中有/无人机智能体的决策行为向有利态势发展,实现在与环境的实时交互中,输出空战决策序列。通过仿真实验对所提空战决策算法进行验证,结果表明：本文提出的算法在经过训练学习后,能够适应复杂的战场态势,在连续动作空间中得到稳定合理的决策策略。     

基于可见光与红外卫星图像融合的舰船目标检测

为解决现有基于可见光卫星图像的舰船目标检测算法在云雾遮挡、海岸干扰等复杂场景下的错检和漏检问题,本文在YOLOv5网络基础上,通过空间特征与谱段特征的联合提取提高网络性能,提出了基于可见光与红外卫星图像融合的舰船目标检测算法VI-YOLOv5。实验结果表明:双模态融合目标检测算法性能优于单模态目标检测算法,在交并比阈值为0.5的情况下,可见光+红外融合网络的平均精度达0.976,相较于单可见光网络提高了2.5%,相较于单红外网络提高了8.9%,有效缓解了复杂场景下出现的错检和漏检问题,验证了可见光与红外卫星图像融合在舰船目标检测任务中的有效性。     

Sunspot cycle prediction using Warped Gaussian process regression

Solar cycle prediction is a key activity in space weather research. Several techniques have been employed in recent decades in order to try to forecast the next sunspot-cycle maxima and time. In this work, the Gaussian process, a machine-learning technique, is used to make a prediction for the solar cycle 25 based on the annual sunspot number 2.0 data from 1700 to 2018. A variation known as Warped Gaussian process is employed in order to deal with the non-negativity constraint and asymmetrical data distribution. Tests using holdout data yielded a root mean square error of 10.0 within 5 years and 25.0–35.0 within 10 years. Simulations using the predictive distribution were performed to account for the uncertainty in the prediction. Cycle 25 is expected to last from 2019 to 2029, with a peak sunspot number about 117 (110 by the median) occurring most likely in 2024. Thus our method predicts that solar Cycle 25 will be weaker than previous ones, implying a continuing trend of declining solar activity as observed in the past two cycles.     

遥感图像云检测方法综述

光学遥感图像中云层会对地面信息进行不同程度的遮挡,造成了地表观测信息的模糊和缺失,极大地影响遥感图像的成像质量。因此,对遥感图像中云层覆盖的检测和评估是进一步分析和利用遥感图像信息的基础和关键。通过充分的调研和对比总结,梳理了20世纪90年代以来,国内外基于遥感图像的云检测方法的发展趋势和代表性工作。将基于遥感图像的云检测方法分为三类：基于光谱阈值的方法、基于经典机器学习的方法以及基于深度学习的方法。总结了当前国内外云检测公开数据集,并对比了部分代表性工作的云检测精度。此外,简要梳理了与云检测相关的云雾(霾)检测、云雪检测、云阴影检测以及云去除等方法。对当前云检测相关工作中存在的问题和未来的发展趋势进行了分析和展望。     

基于分支深度强化学习的非合作目标追逃博弈策略求解

为解决航天器与非合作目标的空间交会问题,缓解深度强化学习在连续空间的应用限制,提出了一种基于分支深度强化学习的追逃博弈算法,以获得与非合作目标的空间交会策略。对于非合作目标的空间交会最优控制,运用微分对策描述为连续推力作用下的追逃博弈问题;为避免传统深度强化学习应对连续空间存在维数灾难问题,通过构建模糊推理模型来表征连续空间,提出了一种具有多组并行神经网络和共享决策模块的分支深度强化学习架构。实现了最优控制与博弈论的结合,有效解决了微分对策模型高度非线性且难于利用经典最优控制理论进行求解的难题,进一步提升了深度强化学习对离散行为的学习能力,并通过算例仿真检验了该算法的有效性。     

高职生英语学习焦虑的成因与对策分析

高职学生在英语学习过程中普遍存在着焦虑情绪,一定程度上阻碍了学生英语水平的提高.对焦虑情绪对英语学习的影响、成因和如何预防及解决学生的焦虑情绪进行分析,以期对解决学生的焦虑情绪提供一些建议.     

组合动力运载器上升段轨迹智能优化方法

针对组合动力水平起飞可重复使用运载器,开展了上升段轨迹优化模型设计与轨迹优化方法研究。首先,针对跨大空/速域飞行须采用多种动力形式协调工作这一问题,考虑动力/气动/轨迹/指标间的复杂耦合关系,建立了运载器动力和气动模型。其次,为降低轨迹优化问题的求解难度,设计了一种全新的飞行剖面,实现了关键优化参数的提取和攻角约束的自动满足,减少了优化算法需要处理的约束数量。然后,提出了一种改进的粒子群优化(PSO)算法完成求解;在收敛性分析的基础上,引入强化学习机制对PSO寻优过程进行自主智能控制,从本质上提升了PSO算法的求解效率。最后通过数学仿真验证了方法的正确性和有效性。