国产民机起飞场长限重不平衡起飞优化方法

为了充分利用机场跑道富余长度,提高国产民机商载能力,在满足民航适航和运行规章要求的前提下,就起飞重量、起飞速度比与平衡起飞决断速度对起飞距离的影响分别进行了单参数敏感性分析。通过仿真计算建立了实施组合参数敏感性分析的ARJ21-700飞机网格工具图,并进一步建立了不平衡起飞场长限重增量速查表,最后结合ARJ21-700飞机的实际运行环境对典型高原机场进行实例分析,比较了不同可用距离差异下使用不平衡起飞方法对场长限重和起飞速度比的影响。结果表明:实施不平衡起飞能够在满足规章要求的前提下有效利用跑道富余长度,增加商载能力,提升航空公司经济效益。     

面向目标分类识别的多任务学习算法综述

多任务学习(MTL)可以在训练中联合利用多个任务的监督信号，并通过共享多个相关任务之间的有用信息来提升模型性能。本文从目标分类识别应用角度，全面梳理和分析了多任务学习的机制及其主流方法。首先，对多任务学习的定义、原理和方法进行阐述。其次，以应用较为广泛、具有代表性且具有共性特点的细粒度分类和目标重识别为例，重点介绍多任务学习机制在目标分类和识别任务应用的2类方法：基于任务层的多任务学习和基于特征层的多任务学习，并针对每种类型进一步分类分析不同的多任务学习算法的设计思想和优缺点。接着，对本文综述的各种多任务学习算法在通用数据集上开展性能对比。最后，对面向目标分类和识别任务的多任务学习方法的未来趋势进行展望。     

基于随机遮挡和多粒度特征融合的行人重识别

针对行人重识别中存在遮挡及行人判别特征层次单调的问题，在IBN-Net50-a网络的基础上，提出了一种结合随机遮挡和多粒度特征融合的网络模型。通过对输入图像进行随机遮挡处理，模拟行人被遮挡的真实情景，以增强应对遮挡的鲁棒性；将网络分为全局分支、局部粗粒度互融分支和局部细粒度互融分支，提取全局显著性特征，同时补充局部多粒度深层特征，丰富行人判别特征的层次性；进一步挖掘局部多粒度特征间的相关性进行深度融合；联合标签平滑交叉熵损失和三元组损失训练网络。在3个标准公共数据集和1个遮挡数据集上，将所提方法与先进的行人重识别方法进行比较，实验结果表明：在Market1501、DukeMTMC-reID、CUHK03标准公共数据集上，所提方法的Rank-1分别达到了95.2%、89.2%、80.1%，在遮挡数据集Occluded-Duke上，所提方法的Rank-1和mAP分别达到了60.6%和51.6%，均优于对比方法，证实了方法的有效性。     

导航卫星时频系统发展综述

全球各大卫星导航系统近年来发展迅速,性能持续提升,其中卫星时频系统的高性能、稳定可靠和保持星间时频同步是系统实现高精度测量的基础.介绍了目前应用于各卫星导航系统的铷钟、氢钟、铯钟等星载原子钟和时频生成与保持技术的特点、发展概况及在轨应用情况.面向精度提升和自主运行能力提升的需求,分析了可能应用于下一代导航卫星的星载原子钟技术、星上时频生成与保持单元性能提升方法以及星间高精度激光时频同步技术,以支撑未来时频基准的天基化和我国综合PNT体系的建设.     

一种新的基于信号导频的射频指纹识别方法

现有基于深度学习的射频指纹识别技术大多采用原始数据样本作为网络输入，未考虑信号携带内容对分类结果产生的影响，网络结构相对单一。为此，针将信号导频部分作为网络输入展开了研究，提出了一种新的导频提取算法，对10个ADALM-PLUTO软件定义无线电设备(SDR)辐射出的信号提取其导频，并建立了3种不同距离条件下的导频数据集。提出将Inception网络结构用于射频指纹识别，在10 m无线传输距离下达到了98.58%的分类精度，相较于现有基于AlexNet网络改进的卷积神经网络(CNN)，分类精度有所提升。      

星载反射面天线赋形技术研究

星载反射面赋形天线为指定区域进行有效覆盖,减少相邻区域间的干扰,在卫星直播通信、雷达以及射电天文学等方面有广泛的应用。文章讨论了3种传统天线赋形技术:波前法、口面场优化法以及反射面直接展开法;针对在轨重赋形天线实现的两大困难,介绍了2种远场快速分析方法,讨论了反射型面控制方法。     

电动直升机关键性能指标及影响因素研究

本文基于电池、电机当前的技术水平和发展趋势，结合直升机性能估算方法，对某轻型直升机进行了全电化改型方案设计与性能计算，分析了改型前后续航能力和悬停升限等关键性能指标的变化，给出了电池能量密度、重量占比、电机功重比等对电动直升机性能的影响规律，提出了现阶段直升机全电化改型的建议。结果表明，当前电动直升机的续航能力仅能达到油动直升机的8%左右，但其悬停升限明显优于油动直升机，可根据实际任务场景，选择增加电池重量占比、加装辅助升力装置等方式提高电动直升机的续航能力。     

基于集成学习的空间科学卫星工作模式识别

针对空间科学卫星遥测参数数据量大且特征维度高、需要消耗大量人力资源预先设置海量阈值、预先设置的阈值可能不再适用、现有监测手段可扩展性低等问题，提出了一种基于集成学习的空间科学卫星工作模式识别方法。该方法采用相关系数统计特性和互信息理论对遥测参数数据进行筛选降维，使用数据重采样技术解决数据集中存在的类别不平衡问题，构建集成学习模型，实现空间科学卫星工作模式的识别。借助某型号科学卫星真实遥测参数数据对该方法进行验证，在短时内便可构建完成算法模型，模型对整体类别的识别正确率高达99.67%，可正确识别多数类样本和少数类样本，为地面运控人员判断空间科学卫星工作模式提供了决策依据。