面向月表多设施通信网络的通信塔部署方案

为在月球建立长期驻留的月面科研基地,实现局部网络的通信覆盖,提出了月球通信塔(lunar communication tower,LCT)的模型设计方法和多基站的部署方案。通过对月面探测任务与月表多设施通信网络的需求分析,设计了LCT的功能模块和模型结构。引入基于地理信息的覆盖场强预测模型,结合月表地形对通信链路的损耗影响,评估了多基站通信塔的有效覆盖与传输速率指标。在部署方案上,首先,在月球南极光照区范围内采用遍历法得到覆盖平均场强最大的主基站部署位置;随后,采用遗传算法最大化主基站半径10 km范围内的覆盖场强,对月球表面特定区域进行搜索,获取多个副基站的最佳部署位置;最后,针对集中式和分布式通信塔主、副基站的部署方案,进行了对应于CCSDS Proximity-1协议、长期演进(long term evolution,LTE)、Wi-Fi制式下覆盖性和传输速率的仿真分析,充分验证了月表多设施通信网络建设的可行性。

面向天基数据中心的编码修复数据流调度

天基数据中心是一种能够实现全球覆盖和大数据存储的未来卫星互联网关键应用范式,它由多个卫星存储节点共同构成分布式存储系统。卫星的星载存储器不可避免地会因寿命或宇宙射线影响而出现故障,从而导致数据丢失。纠删码是分布式存储系统中常用的冗余策略用以保障数据的可靠性。然而,纠删码的修复过程会产生大量的冗余流量开销。提出了一种面向天基数据中心的编码修复数据流的调度策略,通过综合优化修复源节点、修复路径和修复数据流带宽,降低数据修复时延,并以星链卫星网络为背景进行了仿真,仿真结果表明经过流量调度后修复时延显著降低。

基于深度学习的无人机检测和识别研究综述

近年来,由于在各行各业发挥了不可替代作用,无人机产业和应用得到了迅速发展。然而,无人机的“黑飞”、携带危险物品等事件频繁发生,对社会安全构成了严重威胁。因此,无人机的检测和识别变得尤为迫切和必要。随着无人机类型不断地变化,传统的检测与识别方法已不再适应当前需求。深度学习技术的快速发展为无人机检测与识别提供了一种高效且准确的解决方案。深度学习模型具备自主学习特征的能力,能够从大规模数据中提取高级特征,并且在无人机检测与识别任务中表现出色。该模型不仅能够显著提高准确性,还能够适应各种复杂环境和无人机类型。对此,本文综述了基于深度学习的无人机检测与识别技术的最新进展,主要包括基于深度学习的无人机视觉检测和识别、基于深度学习的无人机音频检测和识别、基于深度学习的无人机雷达检测和识别以及基于深度学习的无人机射频检测和识别。最后,对目前无人机检测和识别现存问题进行分析,并展望了未来研究方向。