面向林火持续侦察的多无人机分布式控制方法

为解决目前面向林火持续侦察多无人机（UAV）协同控制实用性与自主性不足的问题,基于蔓延速度诱导元胞自动机（SVICA）林火蔓延算法、无人机与传感器建模,构建了较为真实的三维多无人机火场侦察仿真环境与侦察效能指标,提出了一种面向林火持续侦察的多无人机双层分布式控制架构,在行动层基于强化学习训练的人工神经网络（ANN）,实现了有风条件下无人机自主火场环绕与地形跟随功能,在策略层设计通过时域均匀分布算法进行各无人机空速的离散自主调节,最终达到多无人机林火持续侦察时域分布的均匀性与即时性目的。通过一系列数值仿真实验,验证了所提出的无人机分布控制策略在无人机损失和补充突发情况下的自适应性。基于无人机数量与侦察效能指标关系的实验与研究,定义了无人机出动阈值并验证了无人机长时间出动回收策略。最终实验结果表明,针对林火持续侦察任务,所提出的多无人机分布式控制方法具备一定的有效性与实用性。     

具有时变权矩阵的离散Hopfield神经网络的稳定性

研究了以并行工作模式进行演化的具有时变连接权矩阵的离散Hopfield神经网络,得到了判定网络稳定的2个充分条件,改进了已有结果。     

International scientific optical network for space debris research

A joint team of researchers under the auspices of the Center for Space Debris Information Collection, Processing and Analysis of the Russian Academy of Sciences collaborates with 15 observatories around the world to perform observations of space debris. For this purpose, 14 telescopes were equipped with charge-coupled device (CCD) cameras, Global Positioning System (GPS) receivers, CCD frame processing and ephemeris computation software, with the support of the European and Russian grants. Many of the observation campaigns were carried out in collaboration with the Astronomical Institute of the University of Bern (AIUB) team operating at the Zimmerwald observatory and conducting research for the European Space Agency (ESA), using the Tenerife/Teide telescope for searching and tracking of unknown objects in the geostationary region (GEO). More than 130,000 measurements of space objects along a GEO arc of 340.9°, collected and processed at Space Debris Data Base in the Ballistic Center of the Keldysh Institute of Applied Mathematics (KIAM) in 2005–2006, allowed us to find 288 GEO objects that are absent in the public orbital databases and to determine their orbital elements. Methods of discovering and tracking small space debris fragments at high orbits were developed and tested. About 40 of 150 detected unknown objects of magnitudes 15–20.5 were tracked during many months. A series of dedicated 22-cm telescopes with large field of view for GEO survey tasks is in process of construction. 7 60-cm telescopes will be modernized in 2007.     

港口集散系统仿真研究

本文提出了一个新的可用于研究港口货物集散的PCDM模型(Port CargoDistribution Network Model)。该模型是根据随机网络仿真系统构造的。PCDM是一种综合描述港口货物集散过程的网络模型,采用这种方法可以帮助作出合理计划和为未来规划港口项目提供一种定量分析和评审的有实际价值的方法,作者在本文中还例举了一个应用PCDM的例子,卽对NT市L港口扩建项目的仿真研究。     

基于旋转机械故障诊断模糊神经网络多传感器融合(英文)

目前多传感器融合技术能够有效地提高精度和容错能力 ,所以它广泛应用于目标识别领域中。本文描述了一种基于旋转机械故障诊断多传感器融合系统 ,在数据融合处理中利用模糊神经网络 ,比较了采用基于数据融合实验结果和没有融合的原始数据 ,显然前者比后者更精确。     

LEO卫星通信网络的移动性管理

近年来,低轨道LowEarthOrbit,LEO）卫星通信网络以全球覆盖、低传输时延、低功耗链路、较强的抗毁性等特点而受到广泛关注,是未来全球移动通信系统的重要组成部分。移动性管理是构建LEO卫星通信网络的关键技术,为推动移动性管理问题的研究,文章从LEO卫星通信网络的结构和特点入手,阐述了LEO卫星通信网络中移动性管理的分类,并分析了其相比地面移动无线网络的特殊性。从链路层、网络层、传输层三个协议层次综述了近年来LEO卫星通信网络移动性管理研究的国内外现状,重点介绍了移动IPv6（MobileIPv6,MIPv6）和无缝IP分集通用移动性结构（SeamlessIP-diversitybasedGeneralizedMobilityArchitecture,SIGMA）在LEO卫星通信网络中的应用。最后,指出了移动性管理的发展趋势。     

基于小波矩特征和神经网络的灰度图像识别算法研究

小波矩结合了矩特征和小波特征,既反映了图像的全局性信息,又反映了图像的局域性信息,并且具有旋转、平移和缩放不变性。文章研究了基于小波矩的灰度图像特征提取算法,并将其与BP神经网络组合,利用神经网络的强学习能力和容错性,形成一个灰度图像识别系统。仿真实验表明,在图像失真较小的情况下识别率可达到100％,较之未提取特征的神经网络识别方法而言,网络收敛速度与识别精度都有较大的提高。     

基于DSP和CAN总线的热功率模拟系统

热功率模拟系统用于测试整星热平衡试验时模拟星上各设备热量分布情况,以检测整星的热控系统性能。本系统采用数字信号处理（DSP）组成单元处理系统,采用控制器局部网（CAN）总线组成通信网络,通过计算机对每一路功率按照预先设定好的功率曲线进行调控、巡检、记录。     

超低空空投航迹倾角自适应跟踪控制

针对超低空空投下滑阶段考虑执行器输入死区、不确定性大气扰动以及模型存在未知非线性等因素干扰轨迹精确跟踪等问题,提出了一种自适应神经网络动态面跟踪控制方法.建立了含执行器输入死区的超低空空投载机纵向非线性模型,采用神经网络逼近模型中未知非线性函数,引入非线性鲁棒补偿项消除了执行器死区建模误差和外界扰动.应用Lyapunov稳定性理论证明了闭环系统所有信号均是有界收敛的.仿真验证表明,所提方法既保证了轨迹跟踪的精确性,又具有强鲁棒性.     

空间网络技术发展分析与建议

针对空间数据传输与交互支持问题,介绍了CCSDS(Consultative Committee for Space Data Systems,空间数据系统咨询委员会)、IOAG/IOP(Interagency Operations Advisory Group/InterOperability Plenary,机构间操作指导组/机构间互操作大会),以及IETF/IRTF (Internet Engineering Task Force/Internet Research Task Force,互联网工程任务组/互联网研究任务组)在空间网络体系架构方面的研究进展,分析了IETF和CCSDS针对空间网络环境所发布的最新网络层协议和传输层协议.研究结果表明,IP(Internet Protocol,互联网协议)和DTN(Delay Tolerant Networking,容延迟网络)是空间网络协议体系的2个发展方向,而空间网络技术则呈现出3个清晰的发展趋势,现阶段需要重点关注路由、服务质量保证和数据流传输这3个方面的技术问题.