Using TensorFlow-based Neural Network to estimate GNSS single frequency ionospheric delay (IONONet)

In the last 20?years, and in particular in the last decade, the availability of propagation data for GNSS has increased substantially. In this sense, the ionosphere has been sounded with a large number of receivers that provide an enormous amount of ionospheric data. Moreover, the maturity of the models has also been increased in the same period of time. As an example, IGS has ionospheric maps from GNSS data back to 1998, which would allow for the correlation of these data with other quantities relevant for the user and space weather (such as Solar Flux and Kp). These large datasets would account for almost half a billion points to be analyzed. With the advent and explosion of Big Data algorithms to analyze large databases and find correlations with different kinds of data, and the availability of open source code libraries (for example, the TensorFlow libraries from Google that are used in this paper), the possibility of merging these two worlds has been widely opened. In this paper, a proof of concept for a single frequency correction algorithm based in GNSS GIM vTEC and Fully Connected Neural Networks is provided. Different Neural Network architectures have been tested, including shallow (one hidden layer) and deep (up to five hidden layers) Neural Network models. The error in training data of such models ranges from 50% to 1% depending on the architecture used. Moreover, it is shown that by adjusting a Neural Network with data from 2005 to 2009 but tested with data from 2016 to 2017, Neural Network models could be suitable for the forecast of vTEC for single frequency users. The results indicate that this kind of model can be used in combination with the Galileo Signal-in-Space (SiS) NeQuick G parameters. This combination provides a broadcast model with equivalent performances to NeQuick G and better than GPS ICA for the years 2016 and 2017, showing a 3D position Root Mean Squared (RMS) error of approximately 2?m.     

日地平动点卫星两脉冲转移轨道设计

研究基于最小二乘微分修正方法的平动点卫星两脉冲转移轨道设计,推导了考虑高度和航迹角约束的微分修正公式,讨论了该方法的收敛性.以日地L₁点附近的Halo轨道为目标轨道,在圆型限制性三体问题模型下设计了其转移轨道,系统地研究了HOI(Halo Orbit Insertion)点和Halo轨道幅值对转移轨道的影响,给出了HOI点的选择策略,并讨论了应急情况下快速转移轨道设计.数值仿真验证了方法的有效性,选择Halo轨道靠近地球侧的点作HOI点可以获得飞行时间适中的转移轨道.     

基于频域分析的ROSAR成像算法

在现有的ROSAR(Synthetic Aperture Radar with Rotating antennas)成像算法中,基于斜距泰勒级数展开的算法存在方位向失配问题,时域相关卷积算法不能快速校正距离弯曲.频域ROSAR成像算法采用驻相点原理,直接对ROSAR回波信号进行二维频域变换,保留回波信号的频谱特征,进而构造相应的频域去耦函数和频域匹配函数,实现频域距离弯曲校正和目标场景重构.仿真结果表明,该算法能够快速校正距离弯曲及有效克服方位向失配问题.     

改进升力线理论和风洞试验结合的气动弹性修正方法

本文介绍了一种基于亚音速稳态定常流改进升力线理论与风洞试验相结合的大展弦比亚音速飞机的弹性翼面气动力分布载荷修正方法,设计目的是为了考虑具有大展弦比、弹性翼面结构的飞机翼面结构弹性变形对气动载荷分布的影响。     

利用经验正交函数分解的大气密度模式校准方法

热层大气密度产生的阻力是作用在低轨航天器上最大的非引力摄动,现有大气密度模式存在15%~20%的偏差,难以满足空间任务应用需要。采用NRLMSISE-00模式作为密度参考标准,通过修正Jacchia-Roberts经验大气模式温度参数校准密度,建立温度修正量与密度的参数方程。针对部分区域修正量迭代计算发散问题,采用改进高斯牛顿迭代法求解方程。选择经验正交函数（EOF）分解方法分析修正量的时空特征,并与传统球谐（SH）分析的结果进行比较。结果表明,前4阶EOF基函数与前9项球谐基函数分别可提取温度修正量超过85%与80%的变化特征,EOF分解方法对温度修正量的表示效率高于球谐分析方法。第1阶EOF基函数反映了温度参数的整体偏差,第2~4阶EOF基函数对应的时间系数表明温度修正量的变化具有天周期性,且球谐分析得到的时间系数同样具有天周期性的特点。利用前4阶EOF基函数和前9项球谐基函数重构的温度修正量校准Jacchia-Roberts模式,校准后的模式密度偏差分别下降了9.06%与5.37%,表明EOF分解方法与传统球谐分析方法相比,能够更有效地修正温度参数,改进模式精度。     

带压缩性修正的离散涡方法在结冰数值模拟中的应用

离散涡方法（DVM）是一种无网格的涡运动算法,适用于解决易产生分离流的非定常问题,将其应用于结冰过程中的流场求解,在有效模拟分离流动的同时能避免冰形尖角对网格质量的影响。但离散涡方法基于不可压 N-S 方程,无法应用于预测可压缩流动下的结冰过程。本文在离散涡方法的基础上添加普朗特—格劳尔特压缩性修正,进行基于离散涡方法的可压缩流动下的数值模拟,并将其应用于翼型结冰预测;对流场分布、结冰冰形和结冰模型计算过程等仿真结果进行对比和分析。结果表明：引入压缩性修正后的离散涡方法能较好地模拟可压缩流动,与实验值相比,基于该方法得到的结冰数值模拟结果符合良好,对结冰数值模拟在工程上的应用提供了一定的参考。     

载波相位辅助的GPS动态单点定位算法综述

对载波相位辅助条件下应用于全球定位系统（Global Positioning System,GPS）动态单点定位的各种算法进行了综合分析与比较。首先简要介绍定位算法中的基本公式与观测模型;然后分别对周跳修复与滤波解算两部分所应用的各种算法进行详细介绍并比较其性能与适用范围;最后对尚待解决的问题及可能的发展方向进行了总结。     

Flash存储中的纠错编码

Flash闪存是一种非易失性的存储器件,随着工艺尺寸的不断减小,存储容量需求的不断增加,存储可靠性与寿命成为Flash生产与应用过程中最严重的两个挑战.基于多级 (MLC,Multilevel Cell) "与非(NAND)型" Flash的层级结构特征与读写操作特性,构造了一种基于正交映射的纠错编码方法,给出其编解码原理与结构,并分析其纠错能力.在此基础上,分析了该编码方法在Flash存储系统中的两种典型应用场景,即分布式多用户共享存储以及历史数据的无差错恢复.此外,Flash存储单元的可靠性受擦除次数的限制,其寿命相当有限,该编码方法可以有效地利用坏块来提高Flash的整体生命周期.分析结果表明:不改变整体结构,只需对编码模块进行简单调整,即可实现多种实际应用需求.     

含钟差修正的脉冲星和太阳观测组合导航

为提高深空探测器巡航段的导航定位精度和钟差修正能力,提出一种利用X射线脉冲星和太阳观测信息的组合导航方法.利用脉冲星导航的脉冲到达时间测量值,同时利用太阳敏感器、分光计分别测量太阳视线矢量和探测器相对于太阳的径向速度,并将星载时钟钟差增广为状态变量,构建组合导航系统,利用基于扩展卡尔曼滤波的UD(Upper triangular matrix-Diagonal matrix)分解信息融合算法进行状态估计.仿真结果表明,该方法能有效解决因钟差漂移引起的导航滤波发散问题,同脉冲星导航相比,该方法提高了定位精度和钟差修正能力.     

基于BP神经网络的高精度陀螺恒流源补偿方法

为了提高陀螺恒流源精度,提出一种基于BP神经网络的陀螺恒流源补偿方法.采用BP神经网络训练恒流源控制指令与恒流源输出之间的非线性映射稳态模型,以实时估计恒流源输出偏差.设计恒流源控制指令补偿判据,当输出偏差超出设定裕度时,按比例对恒流源控制指令值进行实时补偿,使得恒流源输出更接近控制目标值,以实现更优的精度.通过实物在回路仿真验证了上述方案的有效性,并通过与传统对控制指令进行分段线性标定方法相比较,显示了上述方案的恒流控制优势.