Jan, 2024

通过神经网络实现大气密度自适应的火星进入精确导航

PDF
TL;DR使用神经网络进行在线滤波，以估计火星大气密度并根据估计的不确定性进行考虑分析，提高实时性能和精确对齐估计密度与多样的火星大气情景的最大似然方法。
martian entryatmospheric densityneural networkonline filteringmaximum likelihood
发现论文，激发创造
  • 使用深度学习进行进入制导问题的密度估计

    本研究提出了一种深度学习方法，用于估计行星进入引导问题中的大气密度剖面。通过训练 LSTM 神经网络，学习了航天器上可用的测量数据与密度剖面之间的映射关系。该方法优于其他两种技术，在考虑到有噪声和无噪声测量时，从终端精度上对 FNPEG 算法进行了评估。

    Oct, 2023

  • 神经密度场的鲁棒性研究

    该研究研究了神经密度场及其对外部因素（如噪声或约束）的鲁棒性，研究表明预训练有助于加快网络训练，同时证明训练神经网络用于重力反演问题是合适的，只要重力信号能够与噪声区分开来。

    May, 2023

  • 利用神经网络加速外行星大气不平衡化学计算

    本研究探讨实现神经网络来替换一维化学动力学模型中的数学框架，以预测热木星大气模拟中的物种的混合比，结果显示，神经网络能够较准确地预测热木星大气中的物种混合比，且速度约快 1000 倍。

    Jun, 2023

  • 用贝叶斯神经网络集合进行外行星大气检索

    这篇论文讨论了机器学习在星际物理领域的应用，利用贝叶斯神经网络实现了精准的大气成分测算以及创新性地引入了一种新的损失函数提高了性能。

    May, 2019

  • 科学任务中的空间人工智能：最小化神经网络模型上传的策略

    通过在太空航天器上安装 AI 处理单元以及降低神经网络模型大小和参数精度，可在有限的传输带宽和高昂的上传成本下，利用人工智能在太空探索中实现数据分类与地球磁层中区域识别的功能。

    Jun, 2024

  • 基于 Transformer 的大气密度预测

    2025 年太阳活动周期达到高峰时，单个地磁风暴对居住空间物体轨道的显著影响，大气密度预测技术对空间态势感知至关重要。本研究通过开发基于非线性转换器的架构，改进了以往用于大气密度预测的线性传播方法，通过从历史大气密度数据中学习多层权重，捕捉数据集中的长期依赖关系，实现了大气密度预测。同时，比较了以前使用的基于动态模式分解与控制（DMDc）和基于转换器的传播器的经验性 NRLMSISE-00 和 JB2008 以及基于物理的 TIEGCM 大气密度模型的预测效果。

    Oct, 2023

  • 使用神经网络对亚网大气过程进行稳定、精确、物理一致参数化，并在降低精度的情况下具有良好性能

    通过从高分辨率大气模拟中粗粒化模型方程和输出的方式学习神经网络参数化，实现替换传统的物理模型的亚网参数化方法，最终实现稳定的气候模拟并提高计算效率。

    Oct, 2020

  • 利用深度学习重建太阳系外行星大气参数

    本研究利用深度学习和反向建模技术相结合的多模态架构，提出一种多目标概率回归方法，从外行星中提取大气参数，克服了计算限制，胜过先前的方法，在外行星大气的高效分析上做出了重要贡献，并为未来研究提供了有价值的见解。

    Oct, 2023

  • 基于稀疏压力传感器输入的机器学习增强实时气动力预测

    本文提出了一种基于少量位置布置的压力传感器的数据驱动空气动力学力预测模型，包括线性项和非线性校正，其中线性项通过减少的基础重构预测表面压力分布，而非线性项则是视情况而定的人工神经网络，用于提高精度。该模型在模拟和实验数据中被验证为快速准确地预测无人机的气动力。

    May, 2023

  • 利用太阳影像上的机器学习实现高频率热层密度估计

    将太空中的极紫外光图像数据直接融入神经网络热层密度模型，可以代替地面代理指标、提高预测性能，为低地球轨道卫星导航流程中的操作性热层密度预测模型引入极紫外光数据的使用方法。

    Nov, 2023