基于访问偏好的卫星遥测时序数据存储方法

随着航天事业的发展,尤其伴随巨星星座的构建,在轨卫星数量越来越多,如何管理使用海量的遥测数据成为航天测控系统亟需解决的问题。针对测控系统当前时序数据全参数存储策略带来的时序数据量较大的问题,引入业务访问遥测数据记录中的遥测参数标识、数据使用时间和访问记录时间等参数,构建参数存储强度函数,提出基于深度线性规划霍克斯模型的时序存储算法,对时序数据存储策略进行改进,同时设计实验对比全参数时序数据存储策略和基于深度时序算法的存储策略,验证该方法在保证时序数据访问命中率基础上,存储量相较全参数存储策略降低至2%,达到与基于深度时序算法的存储策略相近的水平,同时解决基于深度时序算法的存储策略收敛性不足的问题,该方法有效解决了单服务器时序数据存储量大的问题。     

基于“当前”统计模型的机动目标自适应跟踪算法

针对"当前"统计模型对加速度极值及机动频率需人为设定的缺陷,提出了一种基于滤波残差的高斯型隶属度函数改进算法,该法在跟踪过程中对加速度极值进行自适应调整。引入一种基于残差的Sigmoid二次型隶属度函数,通过自适应改变机动频率,使模型趋于目标真实状态。理论分析和仿真结果表明,改进的模型避免了人为引入误差,提高了机动目标的跟踪精度,算法简单,易于工程实现。     

基于DDPG的四旋翼无人机姿态控制

针对未知环境下四旋翼无人机姿态控制实现难、鲁棒性差等问题,提出了基于深度确定性策略(DDPG)算法的智能姿态控制方法。首先,基于欧拉-庞卡莱方程,利用计算机符号推导,建立四旋翼的动力学模型;其次,基于DDPG算法设计四旋翼的姿态控制器,并在奖励函数设计中引入姿态误差、姿态角速度误差和控制量惩罚项;最后,通过设置不同初始状态值、改变四旋翼结构参数和引入噪声等仿真试验,分析验证控制器的性能。仿真结果表明,该控制器能够引导四旋翼快速响应到期望姿态并保持稳定,同时展现出较好的泛化能力。     

分布式遗传模拟退火算法的火力打击目标分配优化

根据火力打击规则,建立了多目标函数的目标分配模型,提出了分布式遗传模拟退火算法对模型进行求解。分布式遗传模拟退火算法基于经典遗传算法进行改进:将单目标串行搜索方式变成多目标分布式搜索方式,适用于多目标寻优问题求解;采用保留最优个体和轮盘赌相结合的方式进行个体选择,在交叉算子中引入模拟退火算法,使用自适应变异概率,较好地保持算法广度和深度搜索平衡。最后,通过仿真实验验证了算法的有效性和可靠性。     

基于改进人工蜂群算法的漏磁缺陷轮廓重构

漏磁缺陷重构是指由检测到的漏磁信号重构缺陷轮廓及参数,是实现漏磁反演的关键。将局部最优解和全局最优解引入到人工蜂群算法(Artificial Bee Colony Algorithm,ABC)中,提出了一种基于改进人工蜂群算法的缺陷重构模型。在该模型中,径向基函数神经网络作为前向模型求解漏磁信号,改进人工蜂群算法用于求解反演问题中的优化问题。将改进人工蜂群算法和基本人工蜂群算法作为反演算法进行了比较,实验结果表明,改进人工蜂群反演算法精度较高,速度较快,同时对实测信号具有鲁棒性,是一种有效可行的漏磁反演新方法。     

基于神经网络的螺丝表面缺陷检测

针对螺丝零件通常存在的缺陷检测问题,提出了一种基于神经网络螺丝表面缺陷检测方法。将SimAM注意力机制引入YOLOv7网络模型,用GIoU损失函数替换CIoU损失函数提高模型检测精度,在目标框位置预测过程中,引入Soft-NMS优化候选框选择方法,有效提升候选框位置选择的精度。实验结果表明,改进后的网络模型平均精度均值(mAP)达到98.9%,对小目标缺陷检测精度更高,误检漏检情况更少,可以有效满足螺丝表面缺陷检测要求。     

改进的YOLOv5地面军事目标识别算法

针对战场复杂背景下地面军事目标识别算法性能较低的问题,提出一种基于并行注意力机制的PAL-YOLO地面军事目标识别算法。该算法在自建地面军事目标数据集下,对目标的锚框进行重新聚类;在网络的Backbone中加入通道-空间并行注意力机制模块,提升目标特征提取能力;通过采用Alpha＿IoU对目标识别分类器的损失函数进行改进,加速模型收敛。结果表明,改进后的算法在保证模型空间复杂度的同时,mAP值提升了6.4%,FPS提升6%。     

基于遗传算法的项目评标研究

针对遗传算法中的两项重要技术——编码问题和适应度函数的设计做了深入探讨，利用遗传算法全局最优的特点，对教学设备进行了评标，同时对适应度函数的设计针对以往的设计方法提出新的见解，对其设计方案提出改进，引入AHP算法进行适应度函数的设计，给出利用AHP算法进行适应度函数设计的全过程。     

基于点云配准的室内移动机器人6自由度位姿估计

针对移动机器人在室内环境下难以获取GPS定位信息,仅靠自身惯导不能得到精确位姿的问题,提出了一种基于RGB-D传感器获取三维环境点云,对连续点云提取特征并进行配准的移动机器人6自由度位姿估计方法.首先通过RGB-D传感器获取环境深度图像,根据特征提取算法提取点云特征;然后以特征点为配准点,运用随机一致性采样(RANdom SAmple Consensus,RANSAC)算法对点云进行初配准,剔除部分错误匹配点,获得初始变换矩阵;最后采用改进的迭代最近点(Iterative Closet Point,ICP)算法进行精配准,获得点云间的最终变换矩阵,实现位姿估计.实验结果表明:该方法有效地提高了大规模点云配准效率,得到了较精确的位姿估计信息.     

基于快速点特征直方图的特征点云迭代插值配准算法

为提高三维激光扫描点云数据的配准精度,提出了一种基于快速点特征直方图特征的迭代插值配准方法。配准过程中,点云数据获取时受扫描仪分辨率影响,点云局部或整体密度偏小,两次测量点云数据的相同位置不存在完全相同的点,以致对应点之间存在误差。为减小误差对配准精度影响,引入迭代插值方法,增加点云整体密度。通过计算关键点的快速点特征直方图的特征寻找对应关系,使用随机采样一致算法去除错误对应关系,对对应点协方差矩阵进行奇异值分解求得粗配准旋转平移矩阵,再使用迭代最近点算法进行点云的精确配准。实验结果表明,改进的配准方法简单、稳定可靠、计算速度有所增加,有效地提高了配准精度。     

3D laser scanning strategy based on cascaded deep neural network

A 3D laser scanning strategy based on cascaded deep neural network is proposed for the scanning system converted from 2D Lidar with a pitching motion device. The strategy is aimed at moving target detection and monitoring. Combining the device characteristics, the strategy first proposes a cascaded deep neural network, which inputs 2D point cloud, color image and pitching angle. The outputs are target distance and speed classification. And the cross-entropy loss function of network is modified by using focal loss and uniform distribution to improve the recognition accuracy. Then a pitching range and speed model are proposed to determine pitching motion parameters. Finally, the adaptive scanning is realized by integral separate speed PID. The experimental results show that the accuracies of the improved network target detection box, distance and speed classification are 90.17%, 96.87% and 96.97%, respectively. The average speed error of the improved PID is 0.4239°/s, and the average strategy execution time is 0.1521 s. The range and speed model can effectively reduce the collection of useless information and the deformation of the target point cloud. Conclusively, the experimental of overall scanning strategy show that it can improve target point cloud integrity and density while ensuring the capture of target.     

基于卫星云图历史资料反演云团非线性预测模型

针对线性预测方法难以有效描述云团的非线性、非平稳变化的困难,基于经验正交函数分解(EOF)和遗传算法参数优化结合的思想,提出了一条云团非线性预测模型反演的方法途径。首先将卫星云图序列作EOF的时、空分解;在此基础上,引入遗传算法对EOF的时间系数序列进行了动力模型重构和模型参数反演,建立了EOF时间系数的非线性微分方程组;再通过时、空函数合成,构造了云团演变的动力预报模型。试验结果表明,反演的云团预报模型能较为合理地描述特定季节区域内云团演变的基本趋势,预测结果与实际云图的主要特征基本相符,尤其是实现了云图3h以上的中、长时效的客观预测。     

信号处理与深度学习硬件加速的一致性计算结构

在计算需求层面对多种典型信号处理算法与深度学习算法进行了分析与模块化分解,提取了两类应用共有的且适合并行硬件加速的计算模块,提出了信号处理与深度学习的一致性计算模型,并基于一致性计算模型设计了控制与计算分离的层次化处理单元与阵列化计算结构。通过对不同应用计算过程的软件定义能够实现信号处理与深度学习的一致性硬件加速计算,基于Zynq计算平台从重构效率与计算性能两个方面对一致性计算模型与计算结构进行了验证,结果表明：基于一致性计算模型的软件定义可重构计算结构,具有较高的计算性能与重构效率。     

基于云模型的XML数字水印算法

XML(Extensible Markup Language)的快速发展和广泛应用需要数字水印技术以保护XML的版权,文中首先介绍了云模型的知识,然后提出了一种基于云模型的XML数字水印方案,给出了XML云水印嵌入和提取检测方法,通过计算机仿真分析,证明了算法的可靠性和有效性。     

机载激光雷达数据的三维深度学习树种分类

针对传统基于激光雷达(Light Detection And Ranging,LiDAR)数据的树种分类方法难以直接且全面地利用点云的三维结构信息的问题,提出一种基于三维深度学习的机载LiDAR数据的树种分类方法.该方法直接从三维数据中抽象出高维特征,而无须将点云转化为体素或二维图像.以塞罕坝国家森林公园内白桦和落叶松...     

迭代插值FPFH特征点云配准算法

针对三维激光扫描点云数据的配准问题,提出了一种基于FPFH特征的迭代插值配准新方法。配准过程中考虑到点云数据获取时,受扫描仪分辨率影响,点云局部或整体密度偏小,两次测量点云数据的相同位置不存在完全相同的点,以致对应点之间存在误差。为减小误差对配准精度影响,引入迭代插值方法,增加点云整体密度。配准过程通过计算关键点处FPFH特征寻找对应相关关系求得粗配准旋转平移矩阵,再使用ICP算法进行点云的精确配准。实验结果表明,改进的配准方法简单、稳定可靠、计算速度快且计算复杂度小,对实现点云配准具有实用价值。     

提高近场精度的海洋声学快速场改进模型

为了提高海洋声学快速场模型在近场区域的计算精度,分析了影响经典快速场模型精度的因素,主要包括Bessel函数近似、忽略内行波项以及在水平距离最远处波数采样率过低,这些因素导致快速场模型近场误差较大、远场水平距离最远处结果不正确(计算结束后需要去除水平距离后段的声场)。提出能够提高经典快速场模型近场计算精度的改进模型,改进部分主要是采用保留内行波项的近似Bessel函数,再将近场上下两个基于声源点与对称轴的三角形区域用波数积分解(使用精确Bessel函数)覆盖。算例测试结果表明:与经典快速场模型相比,改进模型可在绝对时间增加较少的情况下,显著提高近场计算精度,综合性能更优;与波数积分法相比,改进模型在误差为同量级的情况下,积分时间大幅降低,实际应用价值更高。     

一种基于云模型和惩罚函数的多属性评价方法

通过系统阐述多属性评价中存在的＂不确定性转换问题＂和＂属性组态控制问题＂,提出了一种基于云模型和惩罚函数的多属性评价方法。以云模型为理论基础,提出了定性属性、定量属性的云化处理方法,实现了属性值的不确定性度量;以惩罚函数为理论基础,根据不同属性的惩罚幅度、灵敏度需求,构建了3种连续型惩罚函数,实现了属性组态的有效控制;最后,提出了用云模型表达的属性值集结算法和排序选优方法。通过实例应用,验证了方法的可行性、有效性。     

一种面向多制式路径规划的网络模型

随着综合交通运输与导航应用技术的发展,综合利用多种交通方式实施路径规划的应用需求日益迫切,传统的单一制式路径规划系统与服务正在向多制式的方向发展.然而,传统的路径规划模型与算法难以直接应用在多制式的条件下.针对多制式路径规划的特点,构建合理的数据模型是解决该问题的基础.为此,提出了制式切换点的概念,并以此为基础建立了包含多制式图集合、顶点属性表和切换点矩阵三个主要部分的多制式网络模型,并在真实的城市道路网数据集上进行了多制式网络构建实验.该工作能够从理论和实践两个方面为多制式路径规划算法的设计提供基础性的技术支持.     

LiDAR点云纹理特征提取方法

针对图像纹理应用于LiDAR点云分类过程中存在的多义性问题，提出点云纹理特征的概念。该特征属性反映了点与其邻域点的属性值分布情况，提取过程基于KD树数据检索结构和灰度共生矩阵算法。分析搜索邻域、移动步长和灰度等级等参数对点云纹理特征的影响，并利用支持向量机分类方法验证点云纹理特征，可以有效地辅助高程和强度信息以改善LiDAR点云的地物分类结果。实验还证明了相比于栅格格式的图像纹理特征，点云纹理特征约束的地物分类具有更高的分类精度，并且点云纹理特征在微小地物的甄别和水陆的区分方面具有突出的能力。该特征的这些优秀特性可以为海岸带机载LiDAR数据的精细化分类、海岸带高精度DEM构建和海岸线提取等工作发挥重要作用。