歼击机自修复控制系统仿真研究

针对歼击机自修复控制系统的综合仿真,推导了具有较大稳定域的自适应RK公式,研制了歼击机自修复控制系统一体化仿真环境,该环境支持歼击机动力学方程的线性化、故障诊断、自修复控制律设计等众多仿真实验任务。在此基础上,应用一种模型参考自修复方法对某型歼击机进行了仿真研究。     

仿真模型的可重用性研究

针对目前建模与仿真的现状和特点,分析了解决仿真模型重用的关键技术－面向对象的分析与设计方法的基本原则和重要作用。指出了面向对象技术中的抽象、信息隐藏、多态和继承等基本原则是隐藏复杂性、提高代码重用性和标准化的基础。进一步给出了模型重用的分类和前提,并重点论证了模型分类、公有属性提取、结构与参数分离、数据与处理方法的封装和ＶＶ＆Ａ技术是实现仿真模型可重用性的技术步骤。     

无人机对移动目标干扰航路问题研究

针对无人机的作战特点,结合作战目标的运动特性,研究了无人机对移动目标干扰航路的问题,引入了垂直干扰航路和跟踪干扰航路的概念,并建立了相应的干扰航路模型.通过仿真对比验证了两类航路规划方法的优缺点,从而确保对移动目标干扰航路规划的有效性,为无人机的任务规划决策提供了有力的辅助与支持.     

一种多分辨率图像目标检测算法

为解决航天遥感图像分辨率和目标尺度变化大的挑战,提出了一种基于多分辨率图像的目标检测算法。改进了自适应特征金字塔和轻量级的分类预测模块,通过使用注意力机制,从不同层次的特征图中提取语义信息。引入了一种预测目标尺度的方法,以分析图像中目标的分布和尺度信息。将算法在DOTA（Dataset for Object deTection in Aerial Images）数据集上进行了实验验证,在U-Net（一种基于卷积神经网络的语义分割算法）和ResNet-34（一种深度残差网络）两种不同的主干网络设置下,召回率和检测速度均超过了RPN（Region Proposal Network,区域提议网络）算法。提出的多分辨率图像目标检测算法能有效地提高检测精度,降低计算复杂度。     

对我国商业航天测控管理有关问题的初步探讨

国际商业航天的蓬勃发展带动了国内商业航天的兴起。以实现商业卫星高效便捷管理为目的,调研了国内外商业航天与商业航天测控的发展现状,分析了国外商业航天以及商业航天测控发展对我国商业航天测控管理的有关启示,得出了测控管理多元化大势所趋、适度鼓励商业航天测控发展势在必行等结论。同时,对我国商业航天测控管理中加强航天立法、探索商业航天测控管理新模式、加强商业卫星管理服务等问题进行了初步探讨,建议从国家层面、行业规范层面制定航天法规,卫星任务中心应支持对外联网,并加强商业航天测控地面站的国际合作,从而提高商业卫星频率、轨位、空间目标编目、发射与回收等管理服务能力。     

一种复杂形体消隐的新方法

本文首先提出了一种视线交点法消隐原理。然后针对复杂形体投影特点,给出了一种消除复杂形体隐藏线的新方法。该方法的特点是将复杂形体分解成若干个若干凸体,并将凸体的外围线框找出,同时将待消隐线段与外围线框求交,并用交点将待消隐线段分解成若干段,每一段采用视线交点法消隐原理测试其可见性,从而达到对待消隐线段消隐的目的。     

重排算法在多目标雷达信号分辨中的应用

本文使用１５年前由柯德锐等人首次在谱图中使用,并经弗朗克斯等人改进并推广的重排算法,对多目标雷达信号进行架次识别,此重排算法简单且极易实施,在重排后失支双线性时,却保持了其他许多可取特性,并换回了Ｃｈｉｒｐ信号和冲击信号的准确定位,针对编队多目标雷达信号的线性调频特点,利用此重排算法在权衡能量聚集性和消重排振荡的同时,实现了对编队多目标雷达信号的分辨。     

远程网络教学组卷测试子系统的设计与实现

随着网络信息技术和计算机技术的飞速发展,远程教育作为一种新型教学方式日益完善,并且逐步发挥出巨大的作用。本文着重以《大学语文》远程网络系统组卷测试的设计和实现为例,介绍ADO和ASP技术在网络中的应用,以及系统组卷测试所特有的题型实现机制和方略。     

空间目标的地面光谱特性和星等估计

针对自适应光学系统将要探测的空间非自发光目标,进行了光谱特性和星等估计的研究;研究了空间非自发光目标反射太阳光穿过大气层而进入自适应光学系统的波前探测器的子孔径内的光子速率;同时还针对反射太阳光的空间目标亮度太低,研究了激光照射目标后的相应情况。     

基于Faster R-CNN的精密零部件的识别方法

在航空航天领域中,惯性陀螺等精密器件装配精度要求较高,目前大多采用人工装配的方法,装配效率低、装配过程受人主观影响大。针对上述存在的问题,采用基于Faster R-CNN模型的目标识别算法,通过VGG16特征提取网络提取特征信息,在模型训练过程中利用COCO数据集的深度网络模型进行迁移训练,防止模型过拟合并加速参数的训练过程。同时,该方法还与其他深度学习模型以及传统的目标识别算法进行了对比,在自建的数据模型测试集上进行试验。结果表明,基于VGG16的Faster R-CNN目标识别模型在复杂环境及物体发生遮挡的情况下对于惯性陀螺的识别具有明显的优势,准确率可达到87.80%,召回率80.30%,识别速度可达到15FPS,能够满足实时性要求。