深入学习实践科学发展观,大力推进机制、管理、技术创新

深入开展学习实践科学发展观,是党中央着眼世情、国情、党情做出的重大战略部署。以胡锦涛同志为总书记的党中央,立足社会主义初级阶段基本国情,总结我国发展实践,借鉴国外发展经验,适应新的发展要求,提出了科学发展观。科学发展观是和马列主义、毛泽东思想、邓小平理论和“三个代表”重要思想一脉相承又与时俱进的科学理论,是我国经济社会发展的重要指导方针,是发展中国特色社会主义必须坚持和贯彻的重大战略思想。     

澳大利亚航行通告中值得学习的经验

航行通告内容包括影响飞行安全的机场设施、导航设备、飞行程序、管制规定、空域状况等的临时变化,是由航行情报部门收集、整理并对外发布的。作为对《中国民航航行资料汇编》、《中国民航国内航行资料汇编》、中低空、高空航图等长期性资料的补充,航行通告是否准确直接影响到飞行的安全和正常。如何将原始资料上报部门提供的信息准确、完整地在航行通告中表述出来一直是航行情报部门工作的重点。     

浅谈如何提高大一新生公共外语自主学习的策略

随着改革开放进程的加快我国社会迅猛向前发展,与此同时推动我国与国际世界的交往日益频繁,因此培养大量的有专业知识和技能同时能够熟练掌握一门外语的高级专业人才成为我国社会的紧迫任务。对于在校非英语专业的大学生来说,他们把大量时问都花在了本专业知识的学习上,因此英语学习时间就变得捉襟现肘,所以培养他们英语自主学习能力进而提高其英语学习效率就变得尤为重要。本文将首先介绍自主学习定义,然后阐述提倡自主学习的必要性,最后研究总结出如何提高非专业大一新生大学英语自主学习能力的策略。     

美国DARPA领导团队拟演示验证“凤凰”项目

据美国Aviationweek网站2012年8月20日消息,美国国防部近期启动“凤凰”项目（Phoenix）,旨在重新利用在轨退役卫星的有价值的零部件来组建新航天器,以削减成本、降低风险。Phoenix计划的小卫星Satlets能够获取在轨退役卫星的有价值的零部件（如大型天线等）,并可将其放人一个有效载荷在轨交付系统（PODS）中,以作为新组建卫星的有效载荷而搭载发射;在轨机器人将与PODS交会,利用机械臂将PODS内存放的卫星零部件集成新卫星,然后将新卫星送入静止轨道内新的轨道位置。     

我国成功发射资源三号卫星

1月9日11时17分,我国在太原卫星发射中心用长征四号乙运载火箭,成功地将资源三号卫星送入太空。同时,搭载发射了一颗卢森堡小卫星。火箭点火起飞约12分钟后,西安卫星测控中心传来的数据表明,资源三号卫星与火箭分离,卫星成功     

现代小卫星的微推进系统

现代小卫星,发展迅速,不仅要姿态控制,还要轨道控制,甚至要有轨道机动能力。为此,必须开发研究与其相应的微推进系统。文章首先研究现有推进系统的技术性能;提出对微推进系统的要求;给出适应小卫星的微推进系统,有四个种类,近20个微推进器;最后提出选择微推进器的原则和建议。     

卫星数据站全球开花

为进一步开拓国际市场,让中国遥感卫星数据更多地走出国门,中国资源卫星应用中心积极推进海外建站业务。在已建成的南非中巴资源02B卫星地面站的基础上,环境减灾小卫星A星泰国地面站即将建成。该中心后续的海外建站计划还包括环境减灾小卫星A／B星巴西地面站、中巴资源02B卫星香港地面站。     

顾及样本优化选择的机器学习云检测研究

针对云层日变化、云类型、云相态、云光学厚度等特征差异带来的光谱差异,导致传统阈值算法对云识别精度不高的问题,文章提出了一种顾及样本优化选择,耦合物理阈值方法和机器学习的云检测算法模型,利用“葵花8号”卫星（Himawari-8）数据进行日间云检测。通过样本优化选择,使样本中尽可能包括不同情形下的云特征,为机器学习模型提供良好的样本基础,增加模型泛化能力;同时输入特征除了考虑反照率、亮温、亮温差以及天顶角等因素外,还加入了基于反照率和亮温差的物理阈值方法云识别结果;最后基于极限随机树模型进行云检测。结果表明：模型云检测交叉验证精度为96.41%,总漏检率和总虚检率分别为2.08%和0.91%;通过云-气溶胶激光雷达与红外探路者卫星观测（CALIPSO）产品数据进行对比分析,结果显示云检测总体精度为97.1%。     

航空发动机叶片表面损伤与检测研究进展

航空发动机叶片的工作环境极其恶劣,表面会出现各种类型的损伤。在损伤早期进行表面检测能够有效预防因损伤扩展导致的叶片失效断裂。发动机叶片表面损伤的检测和评估主要由人工操作,严重依赖工作经验,但人工检测不仅效率低下,而且检测结果容易受到人为因素的影响。为了高效、高精度地检测发动机叶片表面损伤,从叶片失效形式出发,综述了发动机叶片在停放和运行2种状态下的损伤机理,并重点阐述了涡流检测、渗透检测等常用于叶片表面损伤检测的方法。总结了基于机器视觉的检测技术,分析机器视觉检测面临数据集稀缺和单一性的挑战,认为收集大量数据并进一步完善评估标准是未来发动机叶片表面损伤检测系统研究的重点方向。     

面向电力系统的多粒度隐患检测方法

由于电力系统的安全问题往往会造成严重的经济或社会影响,隐患检测已成为电力系统不可或缺的重要环节。随着人工智能领域的发展,基于深度学习的智能化电力系统隐患检测技术逐渐得到越来越多的关注。但目前的方法大多只是单一地考虑图像的全局特征或局部特征,无法全面彻底表征图像,进而难以捕捉电力领域尤其室外复杂背景下的隐患检测。为此,基于深度学习技术,提出了一种面向电力系统的多粒度隐患检测方法MGNet。通过引入图像的多粒度信息,构建全局和局部网络,进行多粒度级检测;并通过不同粒度级检测结果的协作式融合,增强检测的全面性。在杆塔连接金具隐患和线路通道机械隐患2个数据集上进行了实验比较和分析,对所提模型的检测性能进行评估。通过与现有最优隐患检测基准方法相比,所提方法在2种不同数据集上的平均精度均值分别提升了2.74%和2.77%,验证了模型的有效性。