基于GPS载波相位的微卫星姿态算法研究

GPS姿态系统是利用GPS载波相位测量来确定载体的航向和姿态角。本文对微卫星的GPS姿态系统进行了研究。重点解决短基线的GPS状态算法，讨论了姿态价格函数的了小化方法。测试结果表明，所提的算法对小于1m的基线是有效的。     

加速退化试验测量不确定度评定方法

受测量分散性、仪器误差等因素影响，加速退化试验中存在测量不确定性问题。提出了加速退化试验测量不确定度的传播与评定方法，以提高试验评估结果的准确性和可信性。首先，介绍了加速退化试验中的测量不确定度来源，并结合维纳过程加速退化模型参数估计过程分析了测量不确定度的传播效应；其次，分别利用测量不确定度指南评定法（GUM）和蒙特卡洛法，量化评定了加速退化试验中性能观测数据测量不确定度对正常应力水平下产品可靠性评估结果的影响；最后，采用某型空间用高分子传感器案例对本文所提方法进行验证，并针对2种方法的估计结果进行了对比分析，验证了所提出方法的有效性。     

同步双小行星系统共振轨道设计

研究了同步双小行星系统中共振轨道的设计方法及演化规律。首先，基于双椭球模型建立探测器运动方程，并给出共振轨道初值选取方法。然后，利用改进并行打靶法，提出一种双小行星系统平面共振轨道两步修正方法。同时结合稳定性理论及分岔理论，给出双小行星系统三维共振轨道生成和延拓方法；最后，以双小行星系统1999KW4为例，设计了共振比为1∶1,1∶2,1∶3,1∶4,2∶3的平面和空间共振轨道族，并分析了共振轨道的特性及轨道周期和轨道能量的变化规律。给出的双小行星系统中共振轨道的设计方法具有普适性，对未来双小行星系统探测任务中的轨道设计具有一定的参考意义与借鉴价值。     

复合材料的智能化修理

<正>嵌入式传感器监控技术正在为复合材料修理带来新变革。随着复合材料结构在各种新机型中所占的比例越来越大、发挥的作用越来越重要,如何保证修理后重新投入运营的复合材料结构的健康状况已经成为维修业必须面对的课题。在研究修理后复合材料结构的原位检测方法时,基于传感器的结构健康监控技术进入了研究人员的视野。位于法国巴黎的GMI Aero公司自成立以来,一直从事复合材料结构修理研究。尽管刚开始主要以设计复合材料制造设备和过程控制设备为主,但后来     

视觉与惯性融合的多旋翼飞行机器人室内定位技术

随着人工智能技术的发展，无人机的应用场景趋向多元，人们对无人机的需求也不仅仅满足于简单的飞行任务，而是赋予其飞行机器人的角色，对其自主导航、复杂环境下的定位以及智能协同方面提出了更高的要求。针对室内场景下的定位需求，融合视觉与惯性数据实现了多旋翼飞行机器人的室内定位。在视觉前端加入图像增强算法以提高图像灰度对比度，减少了光流跟踪的误匹配点数。提出了一种基于图像信息的特征点提取和图像帧发布策略提高了定位精度，解决了室内环境下的定位漂移问题。针对飞行机器人室内自主跟踪及降落任务，设计了基于视觉定位的飞行机器人自主降落系统。在Gazebo中搭建飞行机器人模型仿真验证自主降落系统有效性，在EuRoC数据集下对定位算法进行对比评估，搭建飞行机器人平台在真实场景下进行室内定位实验，完成了室内场景下平台自主跟踪及降落任务，并采用运动捕捉系统获取的定位真值数据进行了误差分析，结果表明该定位技术满足室内场景下的自主跟踪及降落任务需求。     

安全出自细节

<正>【案例一:起飞偏出跑道】某公司一架波音737-300飞机,在某机场起飞。飞机在跑道头做180度掉头,飞机推力处于慢车位,离对正跑道尚差20多度,机组便匆匆忙忙按下了"起飞/复飞"按钮(TO/GA),飞机发动机开始增加推力。但飞机滑跑方向迅速偏转,以30多度的交叉角,一头偏出跑道,进了草地。到了此时,机组还不明就里。在向公司签派打电话时,机长还在抱怨飞机前轮转弯不听使唤,导致方向失控。事后,根据QAR数据译码发现,     

实用化光力加速度计中单微球重复起支技术

针对光力加速度计的小型化应用,设计并制作了一种基于V型槽的片上光纤光阱,并采用机械振动方法实现了单微球重复起支。理论研究了利用机械振动方法实现微球起支、捕获的动力学过程。结果表明,只有当微球脱离捕获室底面的初始速度满足一定范围时才能稳定捕获,该初始速度范围与捕获室的几何参数有关。提出了利用两光纤中相向传播光的耦合功率监测微球捕获状态的方法,并通过实验完成了微球起支过程的自动控制,实现了单微球的重复起支与捕获。该片上光纤光阱制备方法和单微球重复起支技术可推动光力加速度计的实用化进程。     

基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率,建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题,采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数(ReLU)改进为带泄露线性整流函数(Leaky ReLU),以解决遇到卷积输出数据小于0时神经元被抑制的问题,进而达到提高步态识别准确率的目的。实验结果表明激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%,与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比,步态识别率有所提高。