结构突变航天器惯量参数在轨辨识方法

针对在轨服务的航天器惯量参数突变情况,提出了基于卫星在轨姿态测量及控制信息实现惯量参数实时辨识的方法,设计了递推最小二乘(RLS)及扩展卡尔曼滤波(EKF)辨识算法。在RLS算法中引入自适应遗忘因子,每次递推过程中通过分配先验数据和当前数据的权重确保产生突变后辨识值的及时跟踪;在EKF算法中明确先验预测协方差中参数变化的影响,将其代入更新预测协方差矩阵以应对惯量参数的突变。仿真结果表明,考虑惯量参数突变的场景,RLS算法和EKF算法的辨识精度可达1.5%和1%,辨识时间分别优于30 s和40 s;考虑惯量缓慢时变的场景,两种方法均可实现惯量参数的在轨实时辨识,辨识精度满足姿控系统需求。

基于深度神经网络的星敏感器成像在轨校正方法

由于卫星在轨时受空间恶劣环境干扰,星敏感器相机在轨输出的图像相对于地面标定时产生畸变,制约其姿态测量的精度,且受在轨运行条件的限制难以进行实时有效的图像校正,造成星敏感器精度受限。针对以上问题,文章提出一种可用于在轨校正星敏感器畸变的方法,通过构建星点畸变坐标与星库理论坐标的映射数据集来训练神经网络模型,拟合星敏感器成像的非线性畸变,实现高精度图像畸变校正。为了验证该方法的图像畸变校正能力,文章进行了模拟星图仿真试验,试验结果显示,星点测量坐标与理论坐标平均误差在校正后从0.7237像素降至0.0586像素。该结果表明文中所提出的校正方法可以使星敏感器解算精度得以显著提升,且具备在轨学习能力,可扩展应用到其他星上载荷的图像校正。

基于模型和样条的星敏感器在轨自标定方法

星敏感器长期在轨运行时,畸变会逐渐积累,因此对星敏感器进行在轨标定很有必要。目前,大多数星敏感器在轨标定算法仅依赖于星间角距的不变性,并需要较长的标定时间。本文算法的创新性在于利用星间角距关系和星点像素位置关系,将畸变信息解耦为粗校准的参数化信息和精校准的非参数化信息。充分考虑到星敏感器的工作性质,利用B样条算法的特点,使得连续的在轨校正仅需极少的时间。相较于目前常用的地面标定算法,本文算法在实现更准确的星点位置校正和更精确的姿态输出精度的前提下,训练完全部数据只需要几百毫秒的时间。在经过本文算法的标定后,在轨星敏感器的星点位置偏差由0.55766 pixel降低为0.23706 pixel,测量精度由5.857″提高到2.775″,这为未来低成本卫星搭载非专业化设计的星敏感器提供了一定的算法参考。

基于层次分析法的煤炭价格预测研究

本文主要针对我国未来煤炭市场的平稳发展的研究,利用层次分析法、典型相关分析、神经元网络预测,做了秦皇岛港动力煤价格的排序,建立了煤炭价格预测模型。首先查找资料选择八个可能影响煤炭价格的因素,建立层次结构模型,构造判断矩阵,最终通过层次分析法进行量化分析,求得每个因素对于煤炭价格影响的权重。其次由权重的大小排序得出影响煤炭价格的六种主要因素。给出的六个影响煤炭价格的主要因素作为预报因子,建立BP神经元网络,以近两年各影响因素的数据作为训练样本训练BP网络。最后查找资料最终选定安全因素、突发事件因素和经济危机因素为影响煤炭价格的未来情况。