模块化开放式航空电子系统架构标准研究

国外对开放式系统架构（OSA）概念的探索至今已有40多年。美国国防部模块化开放式系统方法（MOSA）正是建立在OSA概念之上,综合了采办和工程方法,来实现低成本、优化和快速能力升级的武器系统灵活开发。本文将集中讨论MOSA构建方法及其开放式架构的最佳实践,包括开放式任务系统、未来机载能力环境和传感器开放式系统架构。最后,本文讨论了MOSA在开放式架构上开展的工作及其挑战,以期对我国在航空电子OSA标准研究和实践上有所裨益。     

火箭发动机推力试验装置应用范围研究

提出并研究火箭发动机推力试验装置应用范围扩大问题,即推力试验装置如何适用于推力远远小于试验装置额定负荷能力的发动机的推力试验。指出并研究了其中关键技术问题,包括试验装置机械结构与发动机的安装与配合、减小测力误差和原位校准的实现。建立了有关力学模型,分析了测力误差产生原因,并提出和论证了解决措施。研究结果表明,通过合理的设计,火箭发动机推力试验装置基本上可以用于推力小于试验装置额定负荷的任何规格的发动机的推力试验。     

面向航天异构平台的深度学习编译器加速技术优化

为了解决TVM编译器在航天应用过程中优化时间过长的问题,针对TVM的自动搜索框架Ansor,提出一种新的基于LightGBM算法的成本模型来预测代码的运行时间。LightGBM算法由于减少了分裂点数量、样本数量、特征数量,使得新成本模型有效地降低了计算量,在不损害准确率的条件下加快了模型的训练速度,缩短了优化时间。实验结果表明,在相同的优化任务下,具有新成本模型的Ansor在优化时间上提高了1.6倍,整体推理时间提高了6.1%。     

基于深度Q网络的飞行器增益调参技术研究

针对飞行器传统增益调参法依赖于人工经验繁琐费时、难以实现参数自整定的缺点,提出了利用强化学习中的深度Q网络算法与飞行环境状态的交互不断学习,实现对控制增益的自动调整动作。训练结果表明,该方法使高速飞行器能够自适应调整控制增益,稳定跟踪攻角指令,节省了人工调参步骤及时间,有效提高了控制系统自适应性。     

基于射频指纹的测控地面站身份识别方法

卫星测控信道具有开放性特点,第三方容易截获测控信号,并通过特定信号分析手段获得通信编码体制甚至密钥,严重危害测控安全.为增强卫星的测控安全性,提出了一种基于射频指纹的测控地面站身份识别方法,即提取测控信号的射频指纹来验证测控指令是否来自于合法用户.使用卷积神经网络从21台发射机的变功率信号中识别特定发射机,识别精度高达...     

基于DDPG-PID的机器人动态目标跟踪与避障控制研究

针对机器人在动态复杂环境下的操作问题,研究机械臂跟踪运动目标及避障的运动控制方法。采用传统PID控制方法与DDPG强化学习算法相结合的方式,利用PID控制使得机械臂的工作平面快速接近目标物并与之重合,再使用DDPG算法让机械臂在平面内自主学习追踪目标物投影同时避开障碍物投影,最终在三维空间中实现跟踪与避障。该方法将机械臂作为一个智能体,智能体通过感知目标物和障碍物的距离偏差来自主学习避障跟踪策略。将本方法用于多自由度机械臂路径规划与避障任务中,对比单纯使用DDPG算法将机械臂作为智能体在空间中进行决策控制,仿真结果显示本文所提出的方法收敛效果和控制性能更好,机械臂能在训练后实现目标物的稳定跟踪和障碍物的躲避。     

基于对比学习的终端区相似气象场景识别（英文）

为了提高终端区相似气象场景（Similar weather scenarios,SWSs）的识别准确率,提出一种基于对比学习的SWS(SWS based on contrastive learning,SWS-CL)识别模型。首先,针对对流天气图像特点,设计了一种数据增强方法来增加天气图像样本的数量和质量。接着,设计了一种对比损失函数使向量表征空间中的正样本与锚点样本之间的距离更近,而负样本与锚点样本之间的距离更远,进而基于对比学习技术在无标记样本集上训练得到相似气象场景分类预训练模型。最后,利用少量标记样本对预训练SWS-CL模型进行监督微调,进一步提高SWS-CL模型的性能。在广州终端区气象图像集上的对比实验表明,所提出的数据增强方法能有效提高气象图像集的质量,所提出的SWS-CL模型能取得令人满意的识别精度,且在标签稀少的数据集上具有明显的优势。     

仿壁虎刚毛阵列对卫星表面吸附能力模型与计算

壁虎脚的粘着机理对航天机器人脚掌的研制和开发具有重要启发意义.通过单根刚毛与光滑表面黏着力模型与计算、卫星粗糙表面分布模型与接触概率与计算、刚毛阵列与卫星粗糙表面黏着力模型与计算等,分析仿壁虎刚毛阵列对卫星表面的吸附能力,发现在一定条件下仿壁虎刚毛阵能够在太空失重环境中黏着在卫星表面,对航天舱内爬行机器人、管道机器人的...     

元强化学习综述

元强化学习是指自动从一组相关任务中学习强化学习所需归纳偏置的相关理论和方法,对于提高强化学习算法在困难场景下的样本效率和泛化能力具有重要用途。本文提出一种新的元强化学习框架,指出设计和分析一个元强化学习算法需要同时考虑学习经验（相关任务）、归纳偏置及学习目标3个独立因素及这3个因素之间的依赖关系。在此基础上对该领域的研究现状进行了分析和总结,特别对近年来元强化学习若干文献进行了分析和归类,并详细阐述了几种代表性算法的原理及各自特点。本文还对元强化学习常用的实验环境和性能评价方法进行了介绍,对该领域的不足和未来的发展方向进行了讨论和分析。