基于深度学习的航天器位姿估计研究进展

从在轨应用角度出发,对近年来基于深度学习的航天器位姿估计相关研究成果进行了综述。首先,对基于传统特征提取方法的航天器位姿估计研究进展与局限性进行了归纳梳理。在此基础上,引出基于深度学习的航天器位姿估计的重要意义,并聚焦公开比赛、数据集、姿态估计方法、开源模型等方面阐述基于深度学习方法在当前和未来的关键问题与解决途径。最后,从数据集逼真度、模型可部署、多任务域适应3个维度给出了相应关键技术后续发展的方向与思路。     

深度学习视频快照压缩成像恢复效果影响因素研究

针对视频快照压缩成像掩模板编码模式对实际拍摄压缩图像解码恢复效果的影响机理研究较为欠缺以及真实图像恢复效果很难量化评估的现状,文章基于遥感卫星视频序列得到的仿真数据和视频快照压缩成像系统采集到的真实场景数据,使用两种深度学习算法——集成学习先验深度展开算法和基于3D卷积的快照压缩成像（SCI）算法,结合峰值信噪比（PSNR）和结构相似度（SSIM）以及重构时间等量化指标进行重构效果评估,对掩模板的随机方式、掩模板的重复精度、掩模板的移动速度、景物的运动速度、背景的复杂程度等因素进行仿真试验分析。主要试验结论有：1）高斯随机编码具有较好的重构效果,但伯努利随机中当成功概率p取0.59或0.58时（随机变量取1）,重构PSNR值较高斯随机平均提升超过0.5dB,SSIM值提升0.004;2）当步长较小时,移动编码方式重构效果不如随机编码方式,当步长较大时（超过9像素）,效果和随机编码相当;3）掩模板的重复精度方面,当探测器像元和数字微镜器件（DMD）仅沿着一个方向发生偏移时（相对偏移量小于0.3像素）,对重构效果影响较小,当同时沿两个方向发生偏移时,影响较大（两个方向均为0.1像素,PSN...     

基于网络平台的自主学习策略研究

以Dick与Carey的系统教学设计模式与相关文献为主要理论基础,在"互联网+"环境上建构一门以系统观点探讨"飞行英语听说"的自我导向式课程,并在实际教学过程中,由学习者中辍率、参与程度、对教学方案的满意以及与对学习的帮助程度等指标,分析设计成果的成效及呈现的问题.结果显示学习者中辍率仅12％,多数学习者每周登录4-9...     

液体火箭发动机健康状态智能检测方法

液体火箭发动机健康检测技术是提高火箭安全性和可靠性的重要技术之一,对其进行研究具有重要的学术和工程应用价值.目前的健康检测方法大多基于特征提取和专家经验,智能检测技术水平急需提高.提出了一种基于卷积自编码器的液体火箭发动机健康状态智能检测方法,对发动机多传感器监测数据进行无监督的特征提取和重构,完成对训练集的学习,并基...     

基于强化学习的多无人机避碰计算制导方法

针对大量固定翼无人机在有限空域内的协同避碰问题,提出了一种基于多智能体深度强化学习的计算制导方法.首先,将避碰制导过程抽象为序列决策问题,通过马尔可夫博弈理论对其进行数学描述.然后提出了一种基于深度神经网络技术的自主避碰制导决策方法,该网络使用改进的Actor-Critic模型进行训练,设计了实现该方法的机器学习架构,...     

基于CenterNet的航空遥感图像目标检测

为实现高精度的航空图像目标检测,将Anchor free的目标检测算法CenterNet应用到检测中,同时使用Resnet50主干网络,并引入CIoU损失替代原有损失函数对网络模型做出了改进。改进后的算法在RSOD与DIOR数据集上进行测试,结果显示在保证网络轻量化的前提下检测精度有明显的提高,证明了算法在航空目标检测方面的可行性与准确性。     

多智能体动态目标协同搜索策略研究

针对目前多智能体集群搜索采用的分区域巡逻策略在搜索具备躲避能力的动态目标时,在分区边界地带搜索效果不佳、巡逻规律易被掌握、无法应对单体故障导致的其管辖区域成为盲区等问题,提出了一种运用强化学习框架的协同搜索策略.该方法通过对作为搜索者的多智能体和随机生成并具有躲避策略的目标进行对抗训练,最终训练出能指导智能体行为的协同...     

基于改进型Stackelberg博弈的异构蜂窝网络干扰协调算法

本研究使用Stackelberg博弈模型来研究未来5G异构蜂窝网络中宏蜂窝和小蜂窝之间的干扰协调问题.考虑到异构组网的限制,考虑了资源分配和功率控制进行分布式决策的干扰协调场景,将资源分配和功率控制问题转化为2步博弈:首先,由小蜂窝决策的跟随者博弈中,根据成本参数计算出小蜂窝链路的发射功率;其次,在宏蜂窝决策的领导者博...     

一种基于迁移学习的遥测数据异常检测方法

为解决卫星遥测数据异常检测面临的数据不平衡且缺乏有标签样本的问题,提出一种基于一维卷积神经网络(1dCNN)迁移学习的异常检测方法.首先利用源域卫星的遥测数据对1dCNN进行预训练,使得模型的卷积层具有卫星状态特征的提取能力;然后将训练好的模型迁移到缺乏标签数据的目标域卫星中;利用目标域有标签样本对预训练模型进行微调,...     

基于改进Unet++的丘陵地区耕地地块深度分割与提取

丘陵地区耕地地块具有结构复杂、种植类型多样且破碎度高等特点,针对传统分类方法对耕地信息难以快速准确提取的问题,文章基于“高分一号”卫星影像和Unet++网络模型,采用余弦退火学习率实现了复杂丘陵地区耕地信息的准确深度分割和分类。首先利用多尺度分割方法完成了深度迁移学习模型中典型区域耕地样本标签的制作及其结果验证;其次,采用规则格网裁切方法构建影像和标签训练数据集,在PyTorch环境完成了模型的训练;最后,将改进后模型与Unet和SVM方法进行了分类精度和泛化性能的对比分析。结果表明：改进的Unet++网络模型在复杂丘陵地区耕地提取结果的总体精度为92.75%,比SVM和Unet的提取精度分别提高了9.06%和2.50%。因此,基于Unet++的深度学习模型不仅能够有效抑制复杂的背景噪声,还能从遥感影像中学习到更强的语义特征,从而获得更加准确的耕地信息。该方法可为农作物面积监测和产量估算等实际应用提供基础数据支持。