Using the radial basis function neural network to predict ionospheric critical frequency of F2 layer over Wuhan

Neural networks (NNs) have been applied to ionospheric predictions recently. This paper uses radial basis function neural network (RBF-NN) to forecast hourly values of the ionospheric F₂ layer critical frequency(f_oF₂), over Wuhan (30.5N, 114.3E), China. The false nearest neighbor method is used to determine the embedding dimension, and the principal component analysis (PCA) is used to reduce noise and dimension. The whole study is based on a sample of about 26,000 observations of f_oF₂ with 1-h time resolution, derived during the period from January 1981 to December 1983. The performance of RBF-NN is estimated by calculating the normalized root-mean-squared (NRMSE) error, and its results show that short-term predictions of f_oF₂ are improved.     

基于ANFIS的智能导航自适应滤波算法研究

智能导弹等智能化飞行器在快速跨域、高速机动飞行时,由于传感器切换、外形改变等因素,会对组合导航信息融合系统引入随机非Gauss噪声等影响,离线优化的参数往往不能满足滤波器精度的需求。自适应网络模糊推理系统ANFIS是一种将人工神经网络和模糊推理技术相结合而成,符合人类认知特点的决策方法,它可以对导航数据进行学习,实现智能决策、实时修改滤波器内部参数,对滤波器进行优化。仿真结果表明,基于ANFIS优化的智能导航自适应滤波算法可以有效减少噪声和干扰带来的影响,提高导航精度。     

科技期刊信息化建设的思路与实践

面对信息化时代带来的机遇和挑战,科技期刊如何应对,以适应潮流的发展,满足更多科技工作者的需求,抓住广大读者的需求,近而提升科技期刊的影响力。文章通过对《航天器工程》期刊编辑部信息化建设和网络建设,结合实践经验,对科技期刊信息化建设进行了分析。     

智能天地一体化网络的卫星跟踪测控技术综述

随着卫星互联网和我国航天测控技术的不断进步,航天测控网络朝着智能化、一体化的方向发展,在自主测控、资源分配等方面进展良好。因此,建立智能天地一体化的航天测控网是我国航天未来发展的重要目标。针对智能航天测控网中的跟踪测轨、遥测和遥控三个方面,分别介绍了相关原理与技术。同时,结合CCSDS提出的空间数据链路标准协议详细介绍了TM、TC、AOS、Proximity-1以及USLP标准,分析了不同标准所使用的技术与实际应用。本文从数据链路层和物理层的角度介绍了智能航天测控系统的工作原理及技术要求,为我国智能天地一体化卫星测控通信网的研究提供参考并予以展望。     

输入受限下流体网络系统控制器设计

由于控制的目标是流体的流量,流体网络是一个高阶的非线性系统。以往这方面的工作都是基于多变量线性模型,文中的设计是基于非线性模型。通过引入电路中的图论理论,建立了流体网络控制系统的非线性模型。基于反输入饱和技术,提出了一种反馈线性化的设计方法。综合运用微分包含、控制原理,得到了所设计系统渐近稳定的结论。     

基于深度学习的雷达干扰识别方法研究

针对复杂电磁环境下雷达干扰信号识别问题,从优化卷积神经网络结构的角度出发,本文提出了一种对卷积神经网络结构LeNet-5增加批量归一化层和改变激活函数的方法。该方法能够加速网络收敛,提升网络的学习效率。本文首先建立舰船目标模型,分析了噪声调幅干扰、噪声调频干扰、梳状谱干扰和无干扰的真实目标回波信号在时频域的差异,然后利用四种信号对舰船目标模型生成数据集,最后通过本文所提方法实现雷达干扰的自动识别。仿真结果表明：在全信噪比条件下,本文所提方法对四种信号的识别准确率达到98.1%,表明所提方法有着较好的稳定性和鲁棒性。     

惯性推算误差抑制的神经网络自学习模型设计与验证

惯性推算误差抑制是提升复杂场景下组合导航定位性能的关键,现有采用运动约束或系统误差高阶建模的方法从运动学模型及传感器误差模型出发,通过经验确定参数及模型的最优解。深度学习隐式模型能够挖掘数据之间的隐含关系,进行自主化参数寻优,并在提升惯导误差建模精度方面具有一定优势。总结了现有主流网络模型设计的优缺点,通过对比不同的输入输出方案进行优选,最终利用卷积神经网络构建了一套惯性误差抑制的轻量化神经网络自学习模型,并利用实测车载数据验证了该模型的有效性。实验结果表明,在GNSS信号失锁300 s的路段I和失锁285 s的路段II,网络模型速度约束的算法相较于纯惯性推算和传统NHC算法均有一定提升,融合NHC及网络模型速度约束的算法在水平定位精度上分别改善了41.7%~47.4%和26.7%~36.6%,一定程度上抑制了惯性推算误差。     

基于图像识别的机械振动信号特征提取与寿命预测方法研究

滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management, PHM)领域,滚动轴承寿命预测具有很高的研究价值。目前基于数据驱动的轴承寿命预测方法主要利用特征提取并构造健康因子(Health Indicator, HI),然而在这一过程中特征的选择与融合依然依赖于专家先验知识,并且健康因子也很难从复杂的时序数据中进行提取。因此,提出了一种新型的数据驱动寿命预测算法,在特征提取方面,通过连续小波变换(Continuous Wavelet Transform,CWT)将传感器振动信号转换为时频谱图,再通过深度残差网络(Deep residual network, ResNet)结合时空卷积网络(Temporal Convolutional Network, TCN)将时频谱图中的时域频域特征构造成为健康因子,最后完成剩余寿命预测。本研究在PRONOSTIA数据集上与现有的数据驱动算法进行了对比,证明了该算法可以更准确地完成剩余寿命预测。     

基于类脑模型与深度神经网络的目标检测与跟踪技术研究

目标检测与跟踪技术广泛应用于交通、医疗、安保和航天等领域.目前,目标检测与跟踪技术面临目标微弱、背景复杂、目标被遮挡等挑战.同时,随着脑科学研究的不断深入,人们对人脑视觉系统的理解逐渐透彻,利用类脑计算解决复杂背景下高精度目标检测与跟踪问题成为相关领域的重要研究方向.本文结合神经工程导向的类脑模型和计算机工程导向的深度神经网络(Deep Neural Networks, DNNs),提出多种基于类脑模型与深度神经网络的目标检测与跟踪算法,包括：基于演算侧抑制的目标检测算法,基于结构 对比度(Structure Contrast, SC)视觉注意模型的弱小目标检测算法和基于记忆机制与分层卷积特征的目标跟踪算法.实验结果表明,将类脑模型和深度神经网络应用于目标检测和跟踪领域,有利于实现复杂条件下的高精度目标检测和鲁棒性目标跟踪.     

多航天器协同探测效能影响参数不确定性分析

为解决传统基于蒙特卡洛仿真的探测效能不确定性分析评价方法中时间效率低,参数关系映射单一的问题,提出一种基于神经网络的不确定性分析方法,利用人工神经网络在拟合回归分析上的非线性特性,设计了能够替代复杂系统的神经网络结构,能够通过少量仿真计算结果作为训练样本实现模型的收敛并能有效反映被替代系统的原有特性。选择以一个多航天器的天文观测任务作为典型用例,建立了仿真分析模型,并与蒙特卡洛仿真方法结果进行了对比,验证了此方法的准确性和计算效率。