LEO至HEO多阶段任务小卫星测控系统方案

针对部分需要在多种不同轨道高度和轨道类型下分阶段执行差异性工作任务的小卫星,对常规测控系统方案进行改进,提出应用于近地轨道(LEO)至高椭圆轨道(HEO)多阶段任务小卫星的测控系统方案。该方案集成度高,采用高灵敏度遥控接收,设置高/低2档发射功率,引入信道纠错编码,设置多档遥测发送速率,单独设置无合成干涉效应的大功率发射天线,采用支持"漏信号法"的高灵敏度全球导航卫星系统(GNSS)接收机等,可有效应对不同阶段星地距离大尺度变化和卫星姿态的指向变化。以中欧合作"太阳风-磁层相互作用全景成像"(SMILE)卫星为实例,验证了改进测控系统方案的可行性。改进后的测控系统方案,可应用于LEO至HEO多阶段任务的小卫星及其他航天器。     

发烟机动力装置的试验研究

简要介绍了发烟机及其动力装置,研究并改进了ＷＱＪ－１型小型航空发动机,使之成为满足发烟要求的动力装置。确定了该发动机在新状态下的参数及结构,进行了发烟机的雾油发烟实验,得到了雾油发烟对发动机的影响及影响程度。实验结果表明：将ＷＱＪ－１型小发动机改为发烟机动力装置是可行的。对发烟机的型号研制和扩展小型航空发动机的使用范围有积极促进作用。     

电子移相方法的讨论

对精密测试中常用的几种移相方法进行了讨论,主要浅析小角度电路移相方法。     

基于CNLS-MMD的孪生混合网络四旋翼飞行器故障诊断方法

四旋翼飞行器在众多领域中应用广泛,由于工作环境复杂多变,四旋翼飞行器极易出现结构损伤性故障,给飞行器的安全性带来巨大的挑战,因此开展四旋翼飞行器结构损伤性故障的相关研究对提高四旋翼飞行器可靠性具有重要意义。针对四旋翼飞行器在实际应用中结构损伤性小样本故障数据诊断率低的问题,本文提出了一种在小样本条件下基于卷积神经网络和长短时记忆网络的孪生混合网络（CNLS-MMD）四旋翼飞行器故障诊断方法。首先,设计试验获取四旋翼飞行器多工况结构损伤性飞行数据并对数据进行预处理。其次,建立基于孪生混合网络的故障诊断模型,采用卷积神经网络（CNN）和长短时记忆网络（LSTM）构建CNLS混合模型提取数据特征,利用最大均值差异（MMD）衡量样本的相似度,实现对故障标签的预测。最后,选择不同样本数量的训练集训练模型,使用多工况小样本数据集对搭建的模型进行故障测试。结果表明,该故障诊断方法具有较好的诊断性能和泛化能力。     

基于深度学习的自冲铆接偏铆缺陷检测算法研究

自冲铆接技术适合铝钢等异种材料连接,接头性能可靠,在航空工业中有着广阔的应用场景,但目前针对自冲铆接缺陷无损检测的相关研究较少。提出了基于深度学习的自冲铆接偏铆缺陷检测算法,首先通过剪切力学性能试验得出偏铆自冲铆接件相较于正常铆接件力学性能下降了5.6%;然后通过自冲铆接偏铆件外部形貌特征将偏铆程度由外部特征定义在0～10的区间;最后探究了单步检测同双步检测间的检测效果差异,提出了YOLOv5s(You Only Look Once v5s)加ResNet18的检测方案,并通过Grad-CAM(Gradient-Weighted Class Activation Mapping)对不同检测方案的效果差异进行了可视化的解释。测试表明,提出的YOLOv5s加ResNet18的检测方案在所采集的数据测试集中可以达到100%正确率,高于仅用YOLOv5s取得的95.18%正确率,远高于仅用ResNet18取得的84.1%正确率。     

基于异构网络表示学习的评分预测模型

深入分析电商行业的用户个性化数据并提供推荐服务近年来已成为业界的热点。推荐服务的基础是对用户的潜在兴趣进行挖掘,并对商品的感兴趣程度进行预测。因此,以此为背景,研究用户对商品的评分预测。对电商业的关系型数据在推荐系统中的应用进行了研究,提出了通过使用网络表示学习进行评分预测的方法。首先,将关系型数据构建成异构网络,用户和商品为网络中的节点。然后,设计了兼顾网络结构信息和节点之间相似性的个性化异构网络采样方法,并对节点进行表示学习。最后,将学习到的用户、商品表示向量输入到神经网络中进行训练,利用优化后的神经网络模型进行评分预测。实验结果表明:所提方法在YELP 13、Movielens 100k、Movielens 1m数据集上都有较高的准确率,对比常用方法,准确率提升6.5%以上。      

一种基于深度学习的电磁信息泄漏检测方法

电子信息设备工作时无意发射的电磁波中包含有用信息,会导致电磁信息泄漏,从而威胁设备的信息安全。现有的电磁信息泄漏检测方法,在复杂现场环境下,难以从具有不确定性的电磁泄漏信号中提取有用信息。面向电磁信息安全问题,开展了电磁信息泄漏检测研究,提出了一种基于深度学习的检测方法。设计了一个适用于电磁泄漏信号的一维卷积神经网络,并结合改进的梯度加权类激活映射方法,在未知电磁信息泄漏特征的前提下,通过深度学习实现电磁信息泄漏特征的智能标定和自动提取,从而解决了现场环境下电磁信息泄漏检测难以提取有用信息的问题。分别通过实测和仿真对比实验,验证了所提方法的有效性。      

基于多尺度残差卷积网络的HEVC视频隐写分析

图片、语音、视频等多媒体形式的信息交流在网络通信中占有重要地位,同时也有很多非法信息的传播隐匿于此。隐写分析是甄别隐秘信息是否存在的有效手段,提出了一种通用的基于多尺度残差卷积网络的HEVC视频隐写分析算法。网络主体由残差计算、特征提取和二分类3部分构成,其中在特征提取部分针对性地提出了残差卷积层、多尺度残差卷积模块及隐写分析残差块。实验结果表明:所提算法基于视频像素域分析网络的检测率高达99.75%,比传统的手工提取特征方法具有更大的优势。