公共文化服务平台

吴云华: 作品数：159 被引量：124H指数：6; 供职机构：南京航空航天大学更多>>; 发文基金：国家自然科学基金江苏省自然科学基金中国博士后科学基金更多>>; 相关领域：自动化与计算机技术航空宇航科学技术电子电信文化科学更多>>

合作作者

考虑航天器尺寸的防碰撞方法: 本发明公开了一种考虑航天器尺寸的防碰撞方法，根据轨道参数计算每时刻每个航天器的位置和速度；计算两个航天器的位置协方差矩阵与质心轨道坐标系的旋转矩阵；计算两航天器相对位置协方差矩阵；进行航天器规避速度增量的最优问题求解得到...; 华冰李振兴吴云华陈志明陈林刘睿鹏张志文; 文献传递

基于改进PIO算法的卫星姿态动态规划方法: 本发明公开了基于改进PIO算法的卫星姿态动态规划方法，属于卫星姿态控制的技术领域。本发明在地图指南针迭代演化阶段考虑了个体与种群中其它优秀个体的联系，增加了个体因子和通信因子，增加了激活因子来解决算法陷入局部最优解的问题...; 华冰刘睿鹏段海滨吴云华陈林张志文

一种输入受限的挠性航天器全驱姿态饱和控制方法: 本发明公开了一种输入受限的挠性航天器全驱姿态饱和控制方法，包括如下步骤：步骤1、基于全驱系统理论方法，根据挠性航天器姿态动力学与运动学模型，将航天器姿态模型转换为全驱系统控制模型；步骤2、针对步骤1中的挠性航天器全驱系统...; 吴云华王典马松靖华冰陈志明

一种基于PIO改进强化学习的航天器复杂多约束姿态机动规划新方法: 2023年; 本文针对多个姿态约束条件下的航天器姿态机动规划问题进行了研究,提出了一种基于鸽群算法的改进的策略梯度强化学习算法(PIOPGRL).首先,针对强制指向约束和禁止指向约束,建立了基于角度的姿态约束模型,根据约束模型建立了强化学习的回报函数.然后,使用适应度函数替代策略评价函数,将鸽群算法与强化学习相融合.针对策略梯度强化学习算法计算量大、收敛速度慢的问题,使用鸽群算法求解策略梯度,极大减少了计算量.仿真结果表明,相比于策略梯度强化学习算法,基于自PIO改进强化学习的航天器姿态机动规划算法(PIOPGRL)在极大减少计算量的同时,有更优的规划结果,更小的机动代价,适用于微小航天器解决多个姿态约束条件下的姿态机动规划问题.; 华冰孙胜刚吴云华陈志明; 关键词：路径规划航天器

基于学习神经网络滑模的航天器编队轨道容错控制方法: 本发明公开了基于学习神经网络滑模的航天器编队轨道容错控制方法，按以下步骤进行：1、考虑空间摄动和推力器故障，建立航天器编队系统的非线性相对动力模型；2、结合P型迭代学习算法、径向基函数神经网络模型和滑模算法，设计一种学习...; 贾庆贤舒睿高君楠桂玉乐于丹吴云华

一种编队卫星相对轨道与姿态解耦控制方法: 一种编队卫星相对轨道与姿态解耦控制方法，它涉及航天器编队轨道与姿态控制技术领域。它解决了编队卫星相对轨道与姿态严重耦合致使编队卫星控制维数高，从而导致星上计算量大的问题和在轨求解效率低的问题，本发明首先给出了两个解耦条件...; 曹喜滨吴云华张锦绣张世杰; 文献传递

基于微小卫星自主定轨的联合故障检测方法: 本发明公开了基于微小卫星自主定轨的联合故障检测方法，涉及组合导航诊断技术，属于测量测试的技术领域。本方法针对地磁多源信息自主导航子系统故障诊断问题进行了研究，提出一种结合残差卡方故障检测和积分型残差卡方检测两种方法的综合...; 华冰张志文吴云华陈志明刘睿鹏李磊; 文献传递

巨型卫星星座的拓扑动态演化及维护方法、装置及介质: 本发明实施例公开了一种巨型卫星星座的拓扑动态演化及维护方法、装置及介质；该方法可以包括：根据巨型卫星星座中的卫星相对其所归属的卫星拓扑的中心节点卫星的运行状态预测所述卫星脱离所归属的卫星拓扑的方向；基于所述卫星脱离所归属...; 吴云华毛雨荷曹喜滨邱实陈雪芹李宁

一种基于混合执行机构的空间高动态目标高精度姿态跟踪控制方法: 本发明公开了一种基于混合执行机构的空间高动态目标高精度姿态跟踪控制方法，包括如下步骤：卫星的初始状态为执行常规观测任务，对混合执行机构进行配置，在目标卫星进入观测窗口后，卫星根据动态成像姿态调整策略进行姿态调整；利用基于...; 吴云华郑墨泓何梦婕陈志明华冰俞志成张泽中杨楠; 文献传递

应用卷积神经网络的遥感图像云层自主检测被引量：5: 2020年; 为实现遥感卫星对遥感图像的自主云层判别能力,提升目标自主识别的效率,避免云层覆盖面积较大的遥感图像丢失关键的目标信息而给后续算法处理带来不必要的计算资源浪费,提出一种基于卷积神经网络的云层自主检测方法,实现遥感图像云层的自主检测,达到了较高的检测精度.首先,根据遥感图像的特性建立卷积神经网络.然后,使用大量人工标识的遥感图像完成云层检测网络训练,使其达到预期检测精度.最后,在卫星在轨运行阶段,将所拍摄的遥感图像根据尺寸划分为若干个子图,并通过训练完成的卷积神经网络对子图是否被云层覆盖进行分类预测.综合所有子图的预测结果给出整幅遥感图像的云层覆盖占比.结果表明:以Landsat卫星遥感图像为测试对象,该方法可以实现有云层覆盖检测正确率为95.3%,无云层覆盖检测精度为97.8%,误判率为2.58%,漏判率为0.90%,综合精度为97.9%;由于使用了卷积神经网络和并行计算技术,该方法基本满足实时性需求,提高了算法的自主性与鲁棒性,为基于遥感图像的在轨实时应用奠定了基础.; 吴云华张泽中华冰陈志明; 关键词：遥感图像云检测卷积神经网络图像分割