XiaoMi-AI文件搜索系统
World File Search System大气数据
火星大气数据同化的观点
经过超过十年的连续大气观测，需要讨论火星大气数据同化（MADA）的当前和未来方向。组织了一系列的研讨会，以将从事建模技术的研究人员与提供数据的研究人员联系起来，这也受益于在地球和金星数据同化方面具有特定经验的研究的贡献。第一个研讨会（MADA 2018）于2018年8月29日至31日在法国城市Le Bourget-du-lac举行。为期三天，参与者一起讨论了他们到目前为止所学到的课程，仍然存在哪些挑战以及在火星上吸收大气数据的机会。MADA 2024，该研讨会的后续活动在2024年7月26日在加利福尼亚州帕萨迪纳举行的第10届火星会议之后举行：https：//adapt.psu.edu.edu/2024mada/index.php?loc=agenda。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
大气数据惯性参考系统 (ADIRS)
为了提供 100% 的 RNP 0.1 导航性能可用性和 GPS 中断免疫力，可选霍尼韦尔惯性 GPS 混合 (HIGH) 升级。HIGH 将 MMR 视野中每颗卫星的原始测量值与卡尔曼滤波器相结合，提供高度校准的解决方案，确保操作员准确定位。此功能可用于改装和前装应用，以最大限度地提高航空公司和航线效率。
ADTS-2000 数字大气数据测试仪
保护和安全功能 ADTS-2000 具有硬件和软件安全功能，可在测试时提供最大程度的保护。测试装置具有输入压力调节、超量程、超限和过压保护功能。微孔过滤器和筛网可防止碎屑进入系统。测试装置配备压力释放阀，以保护气动系统组件和被测单元 (UUT) 免受损坏。如果测试装置断电（这种情况很少发生），则 UUT 将被隔离。然后可以使用前面板上的手动排气开关将测试装置和 UUT 安全地排到环境中。该软件具有内置的飞机选择功能，允许操作员为 UUT 设置测试设置。设置后，软件会自动限制特定被测飞机的范围和速率。可以安装测试配置文件进行常规测试，从而提高测试一致性。
数字大气数据计算机
标签 203 压力高度 -1,000 至 +53,000 英尺 标签 204/220 气压校正高度 -1,000 至 +53,000 英尺 标签 205 MACH 数值 0.200 至 0.999 MACH 标签 206 计算空速 CAS 0/40 至 450 节 标签 210 真空速 TAS 0/100 至 599 节 标签 207 最大值。允许空速 VMO 150 至 450 节 标签 211 总气温 TAT -60 至 +99 °C 标签 213 静态气温 SAT -99 至 +60 °C 标签 212 垂直速度 0 至 20,000 英尺/分钟标签 215 冲击压力（已修正）0 至 372.5 mbar 标签 217 静压（已修正）0 至 64 inHg 标签 235/237 气压设置 QNH 20.67 至 31.00 inHg 标签 234/236 气压设置 QNH 700 至 1,050 mbar 标签 242 总压力 135.5 至 1354.5 mbar 标签 270 离散字 #1 标签 353 指示空速 IAS 0/40 至 450 节 标签 377 设备标识符 006
光学大气数据系统飞行测试 - NLR
问题领域 在 NESLIE（新型备用激光雷达仪器）项目中，开发、构建和测试了一种创新的光学空气数据系统。该系统在 DANIELA（基于激光的风速仪演示）项目中得到了进一步开发。该系统应用激光雷达技术测量飞机的空速矢量。该系统的故障模式与目前使用的皮托静态系统的故障模式不同。因此，飞行安全性有望提高。在 NLR 的 Cessna Citation II 研究飞机上进行的极地、温带和热带地区的飞行测试期间，对该新系统进行了评估。工作描述 空气速度系统已成功集成到研究飞机中，并于 2009 年春季（NESLIE）和 2011 年春季（DANIELA）进行了飞行测试活动。共进行了 46 次飞行，累计飞行时间超过 100 小时。收集并评估了大量测量数据。系统作为
大气数据计算机 - 航空电子协会
在长时间持续飞行期间提供稳定且极其准确的测量。压力高度是参考标准海平面压力 29.92Hg 的高度。由于气压会根据天气条件在当地发生变化，因此需要对测量的压力进行本地校正。此气压校正或气压高度参考当地气压，在 FL180 以下使用。飞行员只需拨入高度计或显示控制面板上的当地气压，即可控制应用于测量压力高度的校正量。此校正以以下几种形式之一发送到空气数据计算机：模拟电压、同步格式或数字。必须考虑的最终测量值是空气温度，它会影响许多计算。总空气温度 (TAT) 探头是一种方法，而简单的外部空气温度 (OAT) 探头是另一种方法。
实时刷新大气数据传感 (RT–FADS) 系统的飞行演示
对于高阿尔法研究飞行器飞行测试，HI-FADS 计算是在飞行后使用地面遥测的压力数据进行的。为了允许作为实际飞行系统的一部分进行自主操作，HI-FADS 算法被集成到一个实时系统中，该系统包括压力传感器、计算硬件、机载程序数据存储和飞机仪表系统接口。该系统，即实时刷新空气数据传感 (RT-FADS) 系统，在 NASA Dryden F-18 系统研究飞机 (SRA) 上进行了飞行测试。本文介绍了 RT-FADS 测量系统，包括基本测量硬件、空气数据参数估计算法和确保算法对传感器故障具有容错性的冗余管理方案。介绍了系统校准方法以及亚音速、大迎角和超音速飞行状态下系统性能的评估。
实时刷新大气数据传感 (RT–FADS) 系统的飞行演示
对于高阿尔法研究飞行器飞行试验，HI-FADS 计算是在飞行后使用遥测到地面的压力数据进行的。为了能够作为实际飞行系统的一部分自主运行，HI-FADS 算法被集成到一个实时系统中，该系统包括压力传感器、计算硬件、机载程序数据存储和飞机仪表系统接口。该系统即实时刷新空气数据传感 (RT-FADS) 系统，在美国宇航局德莱顿 F-18 系统研究飞机 (SRA) 上进行了飞行测试。本文介绍了 RT-FADS 测量系统，包括基本测量硬件、空气数据参数估计算法和确保算法对传感器故障具有容错性的冗余管理方案。本文介绍了系统校准方法以及亚音速、大攻角和超音速飞行状态下的系统性能评估。