众眼看宇宙

这是"勇气"号火星探测器在火星所见的最终景色。已经超期服役近8年之久的"勇气"号在调查火星表面的这个火山坑时,因为困在火星泥沙之中而终结了它的探索之旅。照片的中上部分,有着浅色山顶的山丘是"冯布朗山",是"勇气"号陷入困境前的规划探索区域,它可能是火星上     

星载全球大气波动成像仪研究

在卫星上对中间层顶区域的气辉辐射成像观测, 对于全球大气波动的监测和研究具有重要的意义. 利用TDICCD对O₂A (0-0)气辉进行成像观测, 计算了曝光积分时间、信噪比和能达到的最高空间分辨率, 分析了地球自转对空间分辨率的影响, 在此基础上提出一种星载全球大气波动成像仪方案, 该方案可以观测垂直波长大于10km的大气波动, 最高水平分辨率可以达到0.33km.      

提高零控脱靶量预测精度的一种方法

对于大气层外拦截问题中以零控脱靶量(ZEM-zero effort miss)作为指标的预测制导方法,其ZEM的预测精度直接影响到最终的拦截任务.在线性化平方反比引力模型下,给出了基于目标轨道坐标系的ZEM预测算法,导出ZEM发生条件,并提出一种提高ZEM预测精度的方法,即通过初值轨道角速率的选取可明显改善算法的预测精度.同时将该算法与地心赤道惯性坐标系下的ZEM预测算法进行了比较研究,数学仿真结果表明该预测算法精度较高,具有一定的工程应用价值.     

一种前飞状态直升机可达区域快速计算方法

直升机可达区域可用于生成空域安全态势,提高直升机在低空复杂环境中的飞行安全水平.为了满足求解可达区域的实时性和准确性要求,提出了一种快速计算方法.根据能量机动性求解了直升机控制域,结合运动学方程建立了可达区域数学模型.基于最优控制原理,实现了边界点快速计算;提出了基本可达区域的概念,将实时可达区域构造问题转化为少量边界点的计算问题.以AH-1G直升机为对象进行了二维和三维的算例分析,并与微分包含法计算结果进行了对比.算例结果表明,直升机控制域是时变的,需根据实时飞行状态进行计算;该算法能实时计算前飞状态直升机的可达区域,有较高的计算精度.     

多机械臂的分布式自适应迭代学习控制

针对拓扑结构为无向连通的多机械臂系统,提出了一种自适应与迭代学习相结合的分布式控制协议来实现整个系统对给定期望参考轨迹的一致性跟踪.通过引入一个适当的自适应迭代学习参数,所提自适应迭代学习控制协议能够克服机械臂系统中的干扰和模型不确定性,并且每个机械臂的自适应迭代学习控制(AILC)律仅需要利用其与邻居机械臂的相对交互信息.进一步,在只有一部分机械臂具有期望参考轨迹信息的前提下,该控制协议可以实现整个系统对期望参考轨迹的跟踪,同时能够保证轨迹跟踪误差与控制输入的有界性.此外,利用李亚普诺夫分析方法证实了所得结论的正确性,并且通过一个实例验证了所提自适应迭代学习控制协议的有效性.      

美轮美奂“飞天”衣

在神舟七号执行中国航天员首次太空行走任务过程中,最大的亮点之一就是翟志刚穿的我国自己研制的飞天舱外航天服。其质量为120千克,单套价值高达3000万元人民币,可靠系数为0.997,可支持至少4小时的舱外活动,能重复使用5次以上,服装气体泄漏率不大于2升/分钟;应急供氧时间不小于30分钟;平均散热量为300瓦。为满足航天员在太空活动的需要,飞天和美俄舱外航天服一样,具有供氧、温控、二氧化碳吸收等环境控制、生命保障与安全防护功能,具备信息采集传输、通信能力,同时能满足人机工效要求。该     

伪卫星空中基站的定位算法研究

伪卫星空中基站的精确定位是构建伪卫星区域定位系统的一个关键问题。分析了伪卫星空中基站的位置误差(相当于卫星的星历误差)对系统定位精度的影响,研究了利用逆用定位原理确定伪卫星空中基站位置的算法和几何精度因子问题,并用Monte-Carlo方法对定位精度进行了仿真,结果表明这种方法是可行的,具有较大的实用价值。     

基于负载特征聚类的节能资源调度算法

基础设施即服务(IaaS,Infrastructure as a Service)平台提供商为用户提供高性能服务的同时,必须考虑如何在不违反服务级别协议(SLA,Service Level Agreement)的前提下,节约云平台的能耗成本.采用基于负载特征聚类的方法,提出一种IaaS云平台上保证SLA的资源调度算法,最终实现降低SLA违反率和节约能耗的目标.具体采用能耗相关的负载特征提取和改进K-means聚类分析的研究方法,进行资源调度算法研究,对物理资源进行有效分配,以保证IaaS平台节约能耗的要求.实验验证方面,通过扩展CloudSim模拟实验平台,对本研究算法与改进BFD(Best Fit Decreasing)算法进行比较,得出本研究算法在SLA违反率和节能方面更优.      

一种可变锚框候选区域网络的目标检测方法

目标检测作为计算机视觉领域的热点问题,目前基于深度学习的目标检测方法可以分为2类:两步检测和一步检测,前者有着较高准确性,后者有着较好速度,但是为提高检测的性能两者都引入了锚机制。为提高目标检测系统的性能,基于深度卷积神经网络的两步检测算法引入了注意力引导（AG）模块,通过对候选区域网络（RPN）的锚机制进行引导,使得对于预选锚框形状的选择更具有多样性;同时针对传统的后处理方式非极大值抑制（NMS）算法存在的误检和漏检的问题,提出了一种置信度因子的NMS（Cf-NMS）算法,对于模型的整体性能有着很大的贡献。实验结果说明,所提方法虽然在速度性能上有略微的下降,但是无论是在RPN变体还是现有的先进算法在准确性方面都有提升。      

基于改进深度学习模型的焊缝缺陷检测算法

针对传统深度学习模型在进行焊缝缺陷检测时对小缺陷目标检测效果不理想问题,提出基于改进深度学习Faster RCNN模型的焊缝缺陷检测算法,算法通过多层特征网络提取多尺度特征图并共同作用于模型后续环节,以充分利用模型中的低层特征,增加细节信息;改进模型的区域生成网络,加入多种滑动窗口,从而优化了模型锚点的长宽比设置,提高检测能力。实验表明,改进Faster RCNN模型取得最优的缺陷检测结果,对于小缺陷目标仍取得较好的检测精度,从而验证了算法的有效性。