基于大数据的空间目标监测数据管理系统设计与应用

针对空间目标探测与识别试验系统监测站(简称监测站)海量目标识别数据管理效率不高、数据分析处理能力不足、观测数据使用效益未完全发挥、对系统服务性能提升贡献度不高的现状,利用Hadoop等大数据技术开发具备数据存储管理、分析挖掘、质量评估等功能的平台,建立系统设备性能状态主动受控式预警系统,解决了海量观测数据存储管理的难题。同时,综合利用大数据分析结果,挖掘探索监测数据相关性与影响规律,为提升空间目标监测系统服务性能提供可靠支撑。     

太空目标监视装备效能贡献率评估研究

为了促进太空目标监视装备体系的协调统一发展,为太空目标监视装备体系中新型装备的研制和发展提供依据,构建了太空目标监视装备效能贡献率评估指标,并对评估指标的内涵和度量方法进行了分析。通过对评估指标的有效性、重要性和完整性进行检验,保证了评估指标能够满足评估的需求。采用层次分析法给出了评估指标的权重系数,并通过仿真系统给出了各个评估指标的能力结果,得出了新型装备在太空目标监视装备体系中的效能贡献率。     

立德树人视域下飞行签派教员课程思政落实机制研究

通过对立德树人的职责和时代内涵的梳理,从思想认识、教学能力、教学手段3个方面分析了现阶段飞行签派员业务技能培训中课程思政方面的不足之处,由“立德”与“树人”的逻辑关系总结课程思政在飞行签派员培训中的积极作用,最后,从健全政策制度、坚持三观导向、发挥教员团队优势、增强德育能力和转变教育观念5个方面提出了提升飞行签派教员立德树人教学能力的途径和方法。     

基于阻力加速度指令快速解析与跟踪的中段制导方法

提出一种基于阻力加速度指令快速解析与跟踪的制导方法.通过一维质点运动学解析并加权直接得到阻力加速度指令,主要靠攻角进行跟踪,实现对终端速度的控制;通过纵向比例导引生成过载指令,靠倾侧角进行跟踪,实现对终端高度的控制;倾侧角优先用于辅助跟踪阻力加速度指令,满足给定条件后切换至高度控制.对于航迹方向角的控制通过倾侧角按反转...     

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。     

基于表观细粒度辨别网络的近海船舶目标检测方法

近海船舶目标检测是一项非常具有挑战性的任务,受到学者专家广泛关注。基于卷积神经网络（CNN）和注意力机制的检测器在近海船舶目标检测方面的应用取得了显著成就。然而,船舶目标检测存在着表观相似和背景干扰导致检测过程中出现误检的问题。为此,本文提出了一种用于Faster RCNN（更快的基于区域的卷积神经网络）的表观细粒度辨别的检测头模块。该模块包括类别细粒度分支和高效全维动态卷积定位分支。其中类别细粒度分支通过全局特征建模和灵活的感知范围来挖掘和利用类别细粒度辨别特征,高效全维动态卷积定位分支通过高效灵活的感知船舶边界信息来区分目标与背景,从而减少误检漏检问题。通过在近海船舶公开数据集Seaships7000 上进行实验验证,本文算法减少了误检漏检,提升了检测器性能。     

基于SVM算法的虚假航迹识别

针对云雨杂波和主被动干扰导致多雷达传感器产生虚假目标航迹的问题,利用支持向量机(SVM)算法的自主学习能力,通过构建基于数据驱动的判别模型进行虚假航迹识别。针对航迹起始得到的目标潜在航迹,利用人工智能数据驱动、自学习的特点,设计了SVM算法。通过对已标记真假的目标航迹样本进行离线学习,形成虚假航迹识别的SVM分类器,实现了基于数据驱动的判别模型代替先验知识规则约束的固定模型,并在工程应用中,利用SVM分类器在线识别虚假航迹,完成实时剔除。通过实测雷达数据实验验证,该算法的目标虚假航迹准确率高达95%以上,完全满足实际的工程应用需求。相比基于阈值或规则进行硬性判断的传统虚假航迹识别方法,所提出的算法不仅提高了准确率,还具有较高的实时性,能够适应复杂多变的杂波环境,在实际应用中具有更强的适应性和实用性。因此,提出的基于SVM算法的虚假航迹识别方法对于密集杂波场景下的虚假航迹剔除问题具有显著的实际应用价值。     

无人车基于激光雷达/视觉的目标体积自动测量方法

近些年,基于激光雷达和视觉的目标感知在无人系统中得到了广泛应用。目标的体积测量在很多应用场景可以发挥极其重要的作用,然而对识别感知目标的体积测量,目前尚无大量研究。首次提出了一种基于激光雷达/视觉的无人车目标体积自动测量方法,实现了无人车与目标体积测量功能的结合。通过在LeGO-LOAM算法中加入点云畸变补偿,相较于原始LeGO-LOAM算法,无人车在高速情况下的构图精度得到提升;通过将激光雷达与视觉进行深度融合,实现了目标的自动识别与全局定位;通过基于平面拟合的地面分割与欧式聚类,实现了目标点云轮廓的实时获取;通过设计一种基于切片法的不规则物体体积测量方法,实现了无人车在运动情况下对目标体积的自动估计。最终,分别通过Gazebo仿真和实际试验验证了算法的有效性。试验结果表明,所提算法在无人车运动的情况下对静态目标物的实时体积测量精度优于3%,具有较好的工程应用价值。     

点目标假设下的二维精度体系研究

点目标假设下,在二维圆概率偏差线性公式的基础上,给出了基于纵横向均方根误差分段的精确公式。同时应用概率论正态分布理论,对二维情况下均方根误差、圆概率偏差和概率偏差的相互关系进行了研究,通过理论推导和数值计算给出了二维精度指标相互转换的拟合公式,完善了满足工程应用的二维精度体系。研究结果可在精度指标的论证、设计和考核中使用。     

增广误差模型算法在目标跟踪中的应用

针对目标机动运行过程中,滤波模型与机动状态模型失配的问题,提出了一种新的增广状态误差滤波模型。不同于现有增广方案,该模型从模型失配所致状态滤波误差的角度出发,将状态估计误差增广为一状态量,通过滤波估计后用其校正原状态量。算法分析表明,该增广滤波模型具有自适应调节多重渐消因子的等效特性,增强了对目标的跟踪能力。基于该增广状态误差滤波模型,给出了滤波算法设计并进行了仿真实验。实验结果表明,基于该模型的滤波算法在对机动目标进行跟踪时具有更强的鲁棒性。