CPU-GPU协同高性能卫星数传预处理方法

空间数据系统咨询委员会(CCSDS)协议的分层特征对数传预处理的完全并行提出挑战，虚拟信道、应用过程的多路复用为并行处理提供契机。本文面向高性能数传预处理需求，在分析处理性能瓶颈的基础上，提出一种层间流程中央处理器(CPU)控制、层内瓶颈步骤GPU加速的协同处理新方法。以高级在轨系统(AOS)帧循环冗余校验(CRC)、工程参数提取与物理量转换算法为研究对象，对图形处理器(GPU)线程分配、CPU-GPU协同任务划分进行设计。实验结果表明:方法可实现CRC校验11.449 6 GB.s^-1、工程参数提取与物理量转换0.902 4 GB.s^-1的处理速率，性能较传统CPU架构提升显著。     

无人机载MiniSAR实时成像处理GPU异步优化

合成孔径雷达(SAR)以其全天候、全天时的工作特性及其分辨率不随平台高度变化的成像特性，已成为航天遥感、目标检测领域重要的传感器之一。SAR算法复杂度往往与成像分辨率呈正相关，其中计算量问题成为雷达成像实时性的一大挑战。无人机载MiniSAR具有小型化、低功耗、灵活性强和隐蔽性强等优点，其小型化使设备计算能力受限，加剧了复杂度与分辨率之间的矛盾。图形处理单元(GPU)和多线程技术发展迅速，为无人机载MiniSAR实时成像提供了平台。本文根据实时处理机数据流和GPU异构系统的特点，提出了一种GPU异步优化方案，该方案可明显提高中央处理单元(CPU)与GPU之间的并行工作效率，节约大部分的数据存取开销。实验结果证明:GPU的成像效率是单CPU系统的12倍左右，在此基础上，使用GPU异步优化方案后效率可继续提升15%左右。本文提出的设计思路可显著缓解无人机载MiniSAR的实时成像计算压力。     

节流水平对气液针栓喷注单元雾化特性的影响

为了分析气液针栓喷注单元雾化特性和雾化机制，采用背光成像技术和相位多普勒（PDA）系统进行试验研究，获得了雾化模式、体积流量分布、索泰尔平均直径（SMD）分布和速度场随节流水平的变化规律。结果表明：气液针栓喷注单元雾场形态为扇形雾场，雾化模式为剪切破碎。体积流量沿径向呈单峰形分布，随着节流水平降低，雾场外缘向中心收缩。SMD沿径向呈现递增规律，雾化最好的区域分布在雾场中心和两侧。SMD随节流水平增加而增大。当动量比不变时，节流水平对SMD的分布范围影响很小。针栓头部下方的中心回流区轴向尺寸随着节流水平降低而减小。     

基于混合神经网络的无线电信号自动调制识别

随着无线电信号数据海量增加，复杂电磁环境下面临着未知威胁和目标侦察识别复杂度高的问题，本文针对未知无线电信号的特征提取任务，设计了一种混合神经网络以提高目标无线电信号的识别能力。先通过胶囊神经网络对未知信号的空间信息进行提取，再进一步运用门控循环单元提取信号在时间上的特征信息。设计混合网络模型将信号的时间和空间特征相结合，提高对目标信号的分类精度。通过RML2016.04C调制信号数据集，验证了混合神经网络的识别性能。结果表明:当信噪比为6 dB时，混合网络模型对多种不同调制信号的分类精度大于95%。因此，本文所设计的混合神经网络能够有效对不同调制信号进行准确分类。     

基于可穿戴惯性测量的滑雪运动员姿态测量与水平评估方法

运动量化分析是科学化滑雪训练的重要发展方向,而滑雪过程中人体运动模式的数字化表达是科学量化分析的基础和依据.设计并搭建了基于可穿戴MEMS惯性测量单元的人体运动捕捉与姿态重构系统,结合人体多刚体运动模型实现了滑雪过程的人体重构,并应用于高山滑雪运动中回转动作的辅助训练.同时,针对基于多自由度模拟滑雪训练平台的室内训练场景,提出了一种适用于滑雪回转运动的数字化评估方法.该方法利用动作捕捉系统和姿态重构系统提取滑行者五种滑行特征数据,并通过与高水平运动员运动参数的相似性度量和线性拟合实现对滑雪运动员技术参数的评估,以辅助科学训练.最后在室内Olymp模拟滑雪训练台上进行实验,验证了该方法的有效性.     

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。     

STABC-IR: An air target intention recognition method based on bidirectional gated recurrent unit and conditional random field with space-time attention mechanism

The battlefield environment is changing rapidly, and fast and accurate identification of the tactical intention of enemy targets is an important condition for gaining a decision-making advantage. The current Intention Recognition (IR) method for air targets has shortcomings in temporality, interpretability and back-and-forth dependency of intentions. To address these problems, this paper designs a novel air target intention recognition method named STABC-IR, which is based on Bidirectional Gated Recurrent Unit (BiGRU) and Conditional Random Field (CRF) with Space-Time Attention mechanism (STA). First, the problem of intention recognition of air targets is described and analyzed in detail. Then, a temporal network based on BiGRU is constructed to achieve the temporal requirement. Subsequently, STA is proposed to focus on the key parts of the features and timing information to meet certain interpretability requirements while strengthening the timing requirements. Finally, an intention transformation network based on CRF is proposed to solve the back-and-forth dependency and transformation problem by jointly modeling the tactical intention of the target at each moment. The experimental results show that the recognition accuracy of the jointly trained STABC-IR model can reach 95.7%, which is higher than other latest intention recognition methods. STABC-IR solves the problem of intention transformation for the first time and considers both temporality and interpretability, which is important for improving the tactical intention recognition capability and has reference value for the construction of command and control auxiliary decision-making system.     

基于TestBed 和Visual Studio 对QT 程序单元 测试的研究与实现

针对测试工具TestBed 无法动态执行QT 程序单元测试用例的问题，文章通过介绍单元测试定义、测 试原理以及TestBed 工具的使用原理、并指出了TestBed 工具对QT 程序进行单元测试存在的问题，最终提出 了一种结合TestBed 和Visual Studio 对QT 程序进行单元测试的方法，并给出了方法的详细设计与实现步骤， 为QT 程序动态执行单元测试提供一种简单、便捷的实现方式。实际结果表明，结合TestBed 与Visual Studio 对QT 程序的单元测试方法显著提高了单元测试的效率，减少了单元测试的成本。     

Quick identification of guidance law for an incoming missile using multiple-model mechanism

A guidance law parameter identification model based on Gated Recurrent Unit (GRU) neural network is established. The scenario of the model is that an incoming missile (called missile) attacks a target aircraft (called aircraft) using Proportional Navigation (PN) guidance law. The parameter identification is viewed as a regression problem in this paper rather than a classification problem, which means the assumption that the parameter is in a finite set of possible results is discarded. To increase the training speed of the neural network and obtain the nonlinear mapping relationship between kinematic information and the guidance law parameter of the incoming missile, an output processing method called Multiple-Model Mechanism (MMM) is proposed. Compared with a conventional GRU neural network, the model established in this paper can deal with data of any length through an encoding layer in front of the input layer. The effectiveness of the proposed Multiple-Model Mechanism and the performance of the guidance law parameter identification model are demonstrated using numerical simulation.     

某船载无人操控天线末段跟踪的数引策略改进

从无人操控天线需要依赖数引完成目标自动捕获以及现有的主动段航天测量的数引模型精度不够的背景出发,指出提高数引精度即进行数引改进的必要性。然后结合末段跟踪的特殊性,从时差、视差和延时累积误差三个影响数引精度的最主要方面详细分析了它们的形成机理,并给出了各自的改进方法。