航天器1553B总线控制器RAM故障自主诊断与处理方法

在航天器中,1553B总线控制器(BC)作为总线信息交互的管理中枢,其可靠性直接关系航天器的系统安全。近年来,受单粒子事件的影响,多个航天器在轨发生总线芯片RAM损坏的故障。文章针对此问题,结合总线芯片BC模式的典型应用场景进行分析,提出RAM故障诊断的策略和自主分区故障处理的方法。该方法能够使BC端软件通过诊断自主发现故障,定位故障区域,并通过替换、隔离等手段排除故障,消除故障对航天器的影响。通过软件仿真,对故障诊断和处理的性能进行了试验验证,结果表明:采用该方法的软件能够自主发现故障区域并完成隔离和替换,且其处理的准确性和时效性都明显优于传统依赖地面遥控的方法。     

战斗机嵌入式训练系统中的智能虚拟陪练

智能化"实虚"对抗是现代先进战斗机嵌入式训练系统的重要功能需求。自主空战决策控制技术在未来空战装备发展中扮演关键角色。将当前的功能需求和发展中的技术结合起来,得到了空战智能虚拟陪练的概念。先进控制决策技术的引入使得智能虚拟陪练能够帮助飞行员完成复杂的战术训练,而训练中真实的对抗场景为技术的验证提供了理想的环境,大量的训练数据为技术的持续迭代优化提供了保障。作为可学习和进化的空战战术专家,智能陪练在人机对抗和自我对抗中不断优化,当其具备与人相当甚至超越人的战术能力时,可应用于未来的无人空战系统。智能虚拟陪练需要具备4项基本能力：智能决策能力、知识学习能力、对抗自优化能力和参数化表示能力。对其包含的关键技术进行了分析,提出并实现了一个基于模糊推理、神经网络和强化学习的解决方案,展示了其各项基本能力及目前达到的空战水平。未来更多的模型和算法可在智能虚拟陪练的框架中进行验证和优化。     

深空探测器自主规划技术研究进展

在深空探测过程中,探测器飞行距离远、所处环境动态多变,传统地面站遥测遥控方式很难满足探测器控制的实时性、鲁棒性和安全性等要求,迫切需要探测器具有自主性,而自主规划技术是实现探测器自主运行的核心技术之一.介绍了自主规划技术发展历程,给出了深空探测器自主规划内涵,分别从自主规划和执行框架、任务规划知识模型、任务规划和重规划...     

情感因素对语言学习的影响

情感因素对语言学习具有重大的影响.在学生智商水平相当的情况下,情感差异会导致学生学习成绩的高低之分.情感差异是由家庭、环境、情趣、学习方法等综合因素造成的.积极的情感会对学生的学习起到促进作用;反之,消极的情感则会阻碍学生的学习.教师在教学中应善于引导学生,促进学生积极情感的产生,减少消极情感的作用,以提高教学效果.     

基于改进SSD的无人机航拍目标检测

针对无人机航拍图像尺度变化大、识别难度大和目标普遍较小的问题,提出一种基于改进单阶段多框检测器(single shot multibox detector, SSD)的无人机航拍目标检测算法——RCBnet.该算法为了提升网络的特征提取能力,将SSD算法的特征提取网络修改为Resnet-50并采用特征融合的方式,将特征图进行融合,用融合后的特征图构建特征金字塔;为了增强算法对物体的检测能力,设计一种联合注意力机制的多尺度卷积结构来有效调节感受野,实现不同尺寸卷积核对特征图的并行运算;针对训练过程中正负样本极具不平衡的问题,该算法采用Focal Loss损失函数训练网络模型,使其侧重于困难样本.通过与其他经典算法相比可知,所提算法在无人机航拍图像中具有更高的检测精度、更好的检测性能和鲁棒性,相比SSD,精度提高达3.46%.     

基于联邦学习的星群故障诊断

针对卫星编队中单颗小卫星欠配置、测量信息不全和故障类型数据少等问题,提出一种基于联邦学习的卫星编队故障诊断方法.基于故障影响下的卫星动力学模型,利用Unity3D引擎搭建虚拟仿真环境,为后续卫星故障注入及故障数据产生奠定基础.考虑单个小卫星测量配置不全的问题,采用双向协调网络(BicNet)构建卫星本地故障诊断模型,借鉴邻居卫星的“远端”敏感器信息,实现本地卫星故障诊断.采用联邦学习框架进行分布式训练,每颗卫星上传本地模型参数进行协同建模,在不增加通信压力的情况下,整合整个星群的故障特征,提高星群对不同故障类型的故障诊断能力.所设计的编队故障诊断算法在编队卫星数量变化时也无需重新训练诊断网络,满足“即插即用”的工程需求.通过仿真实例验证,在测试集上精度达到99%,表明该方法有较高的准确性.     

基于高光谱和LiDAR的黄河口湿地植被分类方法

利用无人机（Unmanned Aerial Vehicle, UAV）高光谱影像（Hyper-spectral Imaging, HSI）和激光雷达（Light Detection and Ranging, LiDAR）数据开展黄河口湿地植被分类方法研究。由于高空间分辨率HSI光谱变异性强,以及LiDAR点云密度不均匀,分类结果呈现出“椒盐”现象。为了解决这些问题,本文提出了一种结合空谱特征融合和通道注意力机制的双分支卷积神经网络（SSF-C-DBCNN）。光谱注意力机制通过为每个波段分配不同的权重来减少光谱变异性的影响。空间注意力机制侧重于学习和强调特征表达能力强的密集点云区域空间信息,从而减轻LiDAR点云密度不均匀对结果的影响。最后,在双分支融合特征后引入通道注意力机制来提取更深层次的特征。利用UAV采集的HSI和LiDAR数据进行实验验证,结果表明,本文提出方法的性能优于随机森林和五种深度学习方法,分类结果更为贴合实际土地覆盖,有效地抑制了“椒盐”现象。     

UKF方法在脉冲星自主导航中的应用

针对X射线脉冲星自主导航中的非线性系统滤波问题,将无迹卡尔曼滤波方法应用于自主导航计算过程中。首先,在简述脉冲星导航可行性的基础上,研究了脉冲星自主导航系统的基本原理和实施方案。然后,根据牛顿二体引力模型构建了航天器运动状态方程,根据脉冲到达时间模型建立了系统观测方程,并对二者进行了误差分析和建模。最后,将UKF算法应用于航天器自主导航过程中,仿真结果表明该方法能够实现航天器自主导航信息的解算。     

基于折射方向矢量的地球卫星星光折射导航新方法

在星光折射导航中,星光折射视线包含星光折射的大小和星光折射方向两种折射信息,传统的星光折射导航量测量只利用了星光折射大小的信息。但实际上,星光折射方向也是卫星位置矢量的函数,含有卫星位置的重要信息。针对上述问题,提出了一种同时使用两种折射信息的星光折射导航新方法,该方法以星光折射方向矢量为量测量。详细介绍了基于折射方向矢量地球卫星星光折射导航方法的量测量的获取和量测模型的建立,同时对不同影响因素对导航系统性能的影响进行分析。仿真结果表明,该方法的导航精度优于折射视高度和星光折射角两种传统的星光折射导航量测量。