基于领域自适应的卫星工程参数异常检测

卫星工程参数异常检测是判断卫星与载荷健康状态的重要手段。传统异常检测方法通常针对具体的卫星或载荷设计,在处理新卫星和新载荷时需要重新建模和训练,然而新运行的卫星设备尚未产生足够的历史数据来支撑建模任务。融合深度学习和迁移学习思想,提出一种基于领域自适应的卫星工程参数异常检测方法。利用深度残差收缩网络(DRSN)结构框架,在训练过程中将无标签的目标域卫星工程参数数据加入网络训练过程,有效获取数据的特征表示。对提取到的数据特征使用距离度量,衡量所提取的源域特征与目标域特征之间的差异性,使得两者在特定特征空间上的分布相似,从而增强了DRSN利用已有标签数据对无标签数据的分类能力。在基于空间科学先导专项系列卫星工程参数构建的数据集上的实验结果表明,该方法的准确率达到98.03%,与梯度提升决策树、支持向量机、DRSN方法相比,迁移检测平均准确率分别高出20.95、22.51、15.02个百分点,能够有效对新卫星和新载荷开展快速准确的异常检测。

多块合并压缩感知实时成像

中长波红外成像探测器成本高昂,成为该波段高分辨成像和实时显示的巨大挑战。本文提出一种高效合并分块压缩感知方法(Multi-block Combined Compressed Sensing,MBCS),适用于基于焦平面阵列的压缩成像系统,它结合了并行采样和快速重建优势,可通过低分辨红外探测器实现低分辨并行测量和高分辨图像快速重建。与传统的基于压缩感知超分辨成像相比,该方法可提升高分辨图像重建的质量,同时实现高速重建。本文对光学系统原型和MBCS重建模型测量矩阵构建过程进行了研究,讨论了合并块大小对重建性能的影响,发现存在最优块大小使重建速度与重建质量都最优。此外,本文还实现了基于GPU加速的MBCS重建算法,用于进一步改进并行成像系统的图像重建速度。仿真和光学实验验证了该光学系统并行采样和快速重建策略的有效性,512×512分辨率成像与显示速度可达到5 Hz。

基于地基气辉图像的大气重力波目标识别

子午工程全天空气辉成像仪观测网的逐步完善,积累了海量的气辉图像原始观测数据,但是基于地基气辉观测的大气重力波研究极度依赖人工识别,十分耗时且识别质量难以得到保证,亟需发展一种快速有效的自动识别方法。针对大气重力波标注样本稀缺的问题,在改进Cycle GAN模型的基础上提出一种大气重力波气辉观测数据集扩充算法,仅需标注少量样本即可大幅提升检测算法对大气重力波的识别精度;进一步,利用地基气辉图像识别目标与背景低信噪比的特点,通过对深度学习模型YOLOv5s骨干网络以及边界框预测加以改进,提出一种新的大气重力波智能识别算法。实验结果表明,使用扩增的数据集以及改进的YOLOv5s目标检测算法,在交并比阈值为0.5的情况下平均识别精度达到75.8%,较原始模型提升9.7个百分点,检测速度和平均识别精度均优于对比的主流目标检测算法。

遥测参数数据载荷状态判别集成学习方法

针对载荷单机设备遥测参数维度高、数据量大、存在类别不平衡、无法直观判别单机设备运行情况等问题,考虑到航天任务对可解释性的要求,提出一种基于信息增益参数特征选择和集成学习方法的载荷单机状态快速识别方法。采用统计量性质和信息增益子集搜索方法对遥测数据进行特征筛选降维,通过集成学习模型算法实现载荷单机设备状态的自适应识别分类。所提方法将信息增益的参数分类信息量评价准则和集成学习拟合能力强、类别不平衡下准确率高和抗噪能力强等优点相结合,兼顾模型特征和结果的可解释性,提供了重点参数发现功能。采用科学卫星任务真实载荷遥测参数数据对该方法进行了验证,整体识别准确率高于90%,少数样本亦可准确识别,整体效果可达到在轨任务要求,证明了所提方法的有效性和实用性。