一种实用的目标跟踪算法

针对很多高精度目标跟踪算法不能满足实时性要求的问题,提出使用Harris角点检测方法提取目标的少量特征;使用高精度的光流法对提取的部分特征点进行匹配;使用重心算法计算分散特征点的中心作为目标的脱靶量。该算法在保持精度的同时,提高了速度。设计的系统已经应用到实际工程中,对目标旋转、光照变换、变形等具有较高的鲁棒性,并且能够在20ms内完成目标位置的计算,满足实时目标跟踪的要求。     

基于振动检测的发动机故障诊断算法研究

基于振动检测的发动机故障诊断算法,分析发动机发生故障时振动信号所具有的特征和故障诊断指标选择,对振动信号预处理、特征提取、状态识别和诊断决策分别进行了介绍,研究出采用振幅和频率两参量包络曲线法诊断发动机故障的算法,通过发动机热试车验证了采用发动机振动检测来判断发动机故障的算法的正确性。     

基于器间测量的火星进入过程实时高精度导航

精确着陆于火星特定目标区域是未来火星着陆探测的关键技术。面向火星精确着陆需求,研究火星进入过程中基于器间测量的实时高精度导航方法具有重要意义。该方法利用火星已有的环绕探测器,在着陆器接近进入过程中,通过无线电链路获得量测信息,结合器上滤波算法实时估计着陆器的位置与速度状态。仿真结果显示该导航方法可有效提高进入过程中的导航精度。     

凹腔前后缘圆弧对流场干扰的数值研究

基于两方程k-ωSST模型,对不同半径前后缘圆弧凹腔构型的超声速流场进行了二维仿真,获得了相应的流场特征参数。结果表明,与直角前后缘相比,采用圆弧构型时凹腔后壁的激波得到增强;随着圆弧半径的增加,凹腔内部的速度有所增大,而温度、涡量则呈递减趋势,从稳焰、助燃的角度看,后壁上端压力增大可以促进质量交换,同时降低回流区温度。综合考虑凹腔的稳焰和助燃作用,提出了一个适当的圆弧半径范围。     

新一代航天运输系统测发控技术发展的方向

随着信息技术的发展,运载火箭测发控系统的自动化程度大大提高,但技术的进步带来了要求的提高,使得测发控系统又显现出诸多不足.本文通过梳理当前测发控系统存在的主要问题,提出智能、全面、便捷应是未来测试发射控制技术努力的方向,以达到减少发射专业保障队伍、提高测试覆盖性和真实性、简化发射场操作的目的.文中提出的相关技术,部分已在我国新一代运载火箭中得到应用.随着这些技术成熟度的提高,将极大地提升长征系列运载火箭的竞争力.     

激光跟踪仪在交会对接微波雷达多径试验中的应用

交会对接微波雷达多径试验是在地面模拟两个飞行器在轨交会对接过程中由舱体表面及遮挡对微波信号造成反射干扰的一种试验,其目的是验证激光雷达系统功能及安装位置的合理性。在近20 m远的距离上,对飞行器舱体上的微波雷达天线和微波应答天线进行角度及距离的精确测量。文章通过对试验环境、测量项目分析及不同精测方案比对,采用激光跟踪仪直接测量舱体结构,获得了准确的基准数据,有助于指导微波雷达在飞船轨道舱上的精确安装和提高交会对接微波雷达多径试验的精度。激光跟踪仪首次应用于交会对接微波雷达多径试验,相比经纬仪在航天器基准测量中具有更大的优势。     

基于YOLOv5的近岸SAR舰船目标检测方法

由于类似舰船的陆地目标的干扰和舰船的紧密排列,基于合成孔径雷达(SAR)图像的近岸舰船检测会出现较多漏检和误检,提出了一种基于YOLOv5网络的近岸舰船的检测方法。为提高近岸背景下的检测精度,使用了注意力机制模型和CSL的技术用于改进网络;分析了YOLOv5网络、注意力模型和CSL算法,基于YOLOv5进行了检测实验,引入注意力模型来改进网络;结合CSL算法,重构了YOLOv5旋转检测网络。通过调整训练参数和改进注意力,近岸目标检测网络的测试结果达到mAP 80%以上,证实了CSL+YOLOv5算法实现旋转检测的可行性。     

基于无人机平台的机动式标校系统设计与应用

随着我国航天事业的不断发展,地面卫星测控网也日益完善,呈现出数量多、分布广、频段宽、工作体制多等特点。为提高航天测控装备标校的精度和效率,克服传统标校方式所具有的造价高、操作繁杂等缺点,研制了一套车载机动式、基于无人机(UAVs)平台的航天测控装备标校系统。该系统采用实时载波相位差分定位(RTK)技术,配备多类高度集成小型化目标载荷,可对地面统一测控、雷达和光电装备进行精度鉴定以及日常进行大动态范围标校和训练等工作。首先,介绍了系统的工作原理、系统组成及精度鉴定数据处理流程;其次,基于外场实验,给出了该系统的鉴定效果;最后,相较于目前测试性能单一的标校系统,该系统具有集成度高、机动性强、覆盖频段广、可完成性能实验多等优点,有更好的使用和推广价值。     

基于低比特量化神经网络的红外目标识别方法及其FPGA实现

红外目标识别系统成为航空航天、无人驾驶等军事和民用领域中一项至关重要的技术。红外目标识别算法是红外目标检测识别系统中的核心之一。传统红外目标识别技术往往依赖人为的特征选择,无法对复杂困难的红外目标实现高效、准确的识别。本文提出了训练中反量化与通道级量化相结合的量化策略,有效减小量化误差对网络模型性能的影响。实验结果表明:本文提出的低比特量化算法在红外数据集上有着优异的表现。在硬件部署方面,本文提出了更加高效的卷积计算单元,提高了硬件资源的利用率,同时也达到了更高的峰值性能。最终,在PYNQ-Z2嵌入式现场可编程门阵列(FPGA)上进行验证,系统在150 MHz的时钟频率下达到了90.6 GOP/s的峰值吞吐率,其功耗为2.5 W。     

基于卷积神经网络的运载火箭测发网络流量异常检测技术

运载火箭测发网络是维系各型号运载火箭远距离测试及发射控制的重要国防基础设施,对测发网络流量进行异常检测是保证其正常工作的关键举措。近年来,随着测发网络功能的拓展,其面临的网络安全威胁越来越严重,而当前的安全检测主要依赖于基于异常特征库匹配的流量异常检测方法,这种检测方法对一些新型攻击检测能力非常有限。本文结合运载火箭测发网络实际特点,针对以使用用户数据报协议(UDP)为主的测发网络流量,设计一种新的基于固定数据包数目的流量图片样本生成方法,首次提出在测发网络流量异常检测问题上使用卷积神经网络,以原始网络流量作为输入,避开难以解决的人工特征集设计问题。通过测发网络真实网络流量数据进行实验,取得了较高的精度、召回率和准确率,验证了本方法具备一定的实用性。