基于WACCM+DART的临近空间SABER和MLS温度观测资料同化试验

基于WACCM+DART（Whole Atmosphere Community Climate Model,Data Assimilation Research Test-Bed）临近空间资料同化预报系统,以2016年2月的一次平流层爆发性增温（SSW）事件为例,开展了临近空间SABER（Sounding of the Atmosphere using Broadband Emission Radiometry）和MLS（Microwave Limb Sounder）温度观测资料集合滤波同化试验.结果表明：同化SABER和MLS温度观测资料可显著降低WACCM模式在中间层和平流层中上部（0.001～10hPa）大气温度场的预报误差,改善CR试验在SSW发生时中间层变冷现象偏强、纬向风场首次发生反转的层次偏低以及增温恢复阶段0.1～10hPa的东风层提前消退、纬向风速偏大、平流层顶位置偏高等现象.基于ERA5（The Fifth Generation of ECMWF Reanalyses）再分析资料的检验表明：同化SABER和MLS温度资料明显有利于减小北半球高纬度地区（60°-90°N）平流层中上层和下中间层（0.1～14hPa）纬向风场以及平流层和中间层中下层（0.01～100hPa）温度场的分析误差;同化低层大气观测也有利于减小0.1～14hPa纬向风场和0.01～100hPa温度场的分析误差,但是不如同化SABER和MLS温度资料对临近空间纬向风场和温度场分析误差的改善效果显著.     

1998年5月日冕三维结构的数值模拟

采用三维理想磙流体力学（MHD）模式，内边界条件把二维投影特征线边界方法推广应用到三维计算，有效地稳定了数值计算并保证稳态解的自洽性；初始猜解磁场由1935卡林顿周光球磁场观测数据得到，这样计算得到的1998年5月份期间日冕三维结构比较符合实际，计算结果表明：（1）计算得到的源表面非径向磁场量值在磁中性线附近不超过2μT，表明源表面磁场基本径向。（2）模拟得到的源表面径向磁场量值除了在磁中性线附近的区域外变化不大，这和观测一致。（3）由源表面磁场按平方反比的规律计算出1AU处磁场量值更接近观测值。（4）计算得到的日冕结构和观测定性一致，三维数值模拟结果表明，日冕的三维大尺度背景结构主要是由磁场决定的，在闭磁场处或者电流片附近，太阳风的密度高，速度低；在开场区，太阳风的密度低，速度高。     

中国廊坊中间层和低热层大气平均风观测模拟

利用中国廊坊站（39.4°N,116.7°E）流星雷达在2012年4月1日至2013年3月31日的水平风场观测数据,分析廊坊上空80~100km的中间层与低热层（Mesosphere and Lower Thermosphere,MLT）大气平均纬向风和经向风的季节变化特征.结果表明平均纬向风和经向风都表现出明显的季节变化特征.平均纬向风在冬季MLT盛行西风,极大值位于中间层顶,随高度增加西风减弱;在夏季中间层为东风,低热层为强西风,风向转换高度约为82km.平均经向风在冬季以南风为主,在夏季盛行北风.纬向风和经向风在春秋两季主要表现为过渡阶段.流星雷达观测结果与WACCM4模式和HWM93模式模拟的气候变化特点基本一致,但WACCM4模式纬向风和经向风风速偏大,而HWM93模式纬向风和经向风风速偏小.     

柔性铰接板振动测量及迭代学习主动控制

大型柔性板状结构广泛应用于航空航天领域,这种结构特性极易引起低频振动,针对这一问题以柔性铰接板为研究对象,探究了柔性铰接板在受外部激励作用下弯曲模态的振动特性.为此搭建了一套用于测控柔性铰接板振动特性的实验平台,采用了立体视觉和压电陶瓷传感器分别检测柔性铰接板的振动信息,以此信息作反馈,采用了变遗忘因子的迭代学习控制方法对柔性铰接板的振动进行主动控制,同时以PD控制的实验效果作为对比.实验结果表明,不论是大幅值的快速衰减还是小幅值的残余振动抑制,迭代学习控制效果都优于PD控制.     

神经网络理论在微分对策中的应用

阐述了微分对策理论在实际应用中存在的问题,并从动态冲突的实际过程出发,将神经网络理论与分层式智能控制理论相结合,来模型化微分对策问题.将微分对策的双向优化问题转化成基于神经网络理论的目标机动性辨识和单向优化控制问题,将微分对策的定性与定量结合起来,为有效加入人的经验提供了一种技术途径.并采用自适应分布式学习速率,大大提高了神经网络的学习速度和精度.     

"轨道快车"计划及其启示

1 计划简况 □□1999年11月，美国国防部高级研究计划局（DARPA）正式公布了酝酿已久的“轨道快车”计划。该计划用于研发支持未来美国国家安全和商业航天卫星的在轨补给及重构技术，有下列4项内容： 1) 开发一种能够为卫星提供服务的小型空间机器人轨道器（Astro）。 2) 设计     

基于Logistic回归麻雀算法的图像分割

针对麻雀搜索算法后期种群多样性减少、易陷入局部最优解等问题,提出一种新的改进麻雀搜索算法。所提算法先引入小孔成像反向学习策略对发现者的位置进行更新,提升寻优位置的多样性;其次受Logistic模型的启发,提出一种新的自适应因子对安全阈值进行动态控制,平衡所提算法的全局搜索与局部开发的能力。通过与其他算法在6个基准函数上进行仿真对比,结果表明：所提算法的收敛精度与速度均优于其他算法。在工程应用上,用所提算法优化K-means聚类算法进行图像分割,峰值信噪比（PSNR）、结构相似性（SSIM）及特征相似性（FSIM）3种度量指标验证了其良好的分割性能。     

基于动态特征选择的遥感图像目标检测算法

在遥感图像目标检测领域内,旋转物体的检测存在挑战,卷积神经网络在提取信息时会受制于固定的空间结构,采样点无法聚焦于目标;遥感图像尺度变化大,不同物体需要具有不同尺度感受野的特征映射,具有单一尺度感受野的特征映射无法包含所有有效信息。基于此,提出了可变形对齐卷积,根据候选边框调节采样点,并根据特征映射学习采样点的细微偏移,使采样点聚焦于目标,从而实现动态特征选择;同时提出了基于可变形对齐卷积的感受野自适应模块,对具有不同尺度感受野的特征映射进行融合,自适应地调整神经元的感受野。在公开数据集上的大量实验验证了所提算法可以提高遥感图像目标检测的精度。      

基于分布式深度学习的多星计算卸载策略

在边缘计算增强的低轨卫星网络场景下,低轨卫星集群协同处理地面任务能有效降低用户响应时延。对卫星集群的联合卸载决策和资源分配优化问题进行研究,将其描述为一个混合整数规划问题,并采用了一种基于分布式深度学习算法的卫星边缘计算卸载算法（deep learning based offloading algorithm,DLOA）。该算法使用多个并行DNN用于生成卸载决策并采用经验回放存储新生成的卸载决策,当采用隐藏层结构不同的DNN,收敛速度比同构DNN提升18%,收敛值与最优值的比值基本为1,可以认为已收敛至最优。此外,探讨了DNN的数量对所使用的算法的影响,仿真结果表明采用少量DNN就可以获得近优的收敛效果。通过对不同任务规模下采用不同算法的任务完成率进行研究,结果表明DLOA算法可通过采用异构DNN和优化资源分配方案显著提升完成率,其较单星运算方案任务完成率提升1倍,较二进制粒子群算法方案提升20%。     

基于迁移学习的太空台风自动识别

太空台风是极盖区内一种新发现的大尺度亮斑状极光结构,直观表征了地磁平静期的一种堪比磁暴的太阳风能量注入现象,这更新了人们对太阳风–磁层–电离层耦合过程的认识,如何从海量星载极光数据中准确髙效识别出太空台风事件具有重要的科学意义。采用深度学习的方法,通过六种网络模型的对比,最终基于迁移学习和EfficientNetB2网络提出了一种太空台风自动识别方法。在2005-2021年美国国防气象卫星（Defense Meteorological Satellite Program,DMSP）上搭载的紫外光谱成像仪（Special Sensor Ultraviolet Spectrographic Imager,SSUSI）的观测数据中验证了该模型的有效性,识别准确率达到97.7%。研究结果表明,该方法可用于从海量星载极光观测数据中自动识别太空台风事件。