动态的电费价格是驱使消费者改变用电消费模式的有效手段, 为此, 提出基于增强学习的动态价格优化(RLODP)算法。RLODP算法结合电力服务商的利润和消费者的用电成本, 对电网负载进行管理; 利用增强学习算法, 电力服务商自适应地决策零售价格, 将动态价格问题转化为离散有限马尔可夫决策过程(MDP), 再利用 Q-学习算法解决该决策过程。实验结果表明, 提出的 RLODP算法减少了消费者的用电成本, 实现了电网市场中电力供应与需求之间的平衡。

使用点源法可以严密检测调制传递函数(MTF),能够有效检验各个方向的MTF值,可用于空间探测相机在轨性能的监测。但点源图像存在噪声,利用传统滤波方法对其进行去噪处理,会存在检测精度不足甚至出现MTF曲线阶跃近似为0的现象,从而影响其对成像质量的评判。因此,根据点源图像光强分布的特点,提出一种基于平缓区均值的点源图去噪方法,并将该方法与传统滤波方法进行定量比较。仿真和实验结果表明:该方法将MTF曲线的检测率提高到90.91%以上,相比于传统滤波方法中效果最好的中值滤波,MTF的检测精度能提高98.73%,同时提高图像的峰值信噪比和结构相似度。

空间相机作为空间态势感知的主要器件,需实时监测其成像质量,但旋转卫星平台观测地面靶标以测量调制传递函数(MTF)会增加技术风险且无法进行多次测量,因此需要研究无需进行平台翻转以实时测量空间相机在轨MTF的方法。利用深空背景中常见的星点作为在轨MTF测量的目标,结合点源法研究其在轨MTF测量的方法,利用高斯拟合定位和多图配准重构点扩展函数,提出最终基于星点的MTF检测方法。仿真和实验结果表明:所提方法的抗噪性好,当随机噪声标准差为40时,MTF的均方误差为10 -4量级,且对小星点目标的检测效果好,当MTF的均方误差小于0.2 pixel时,能够检测的最小弥散圆半径为0.9 pixel。

光束空间分布是影响星载激光测高仪测距指标的重要因素。根据星载激光测高仪接收脉冲回波分布特点, 通过对椭圆高斯足印及线性目标的理论建模, 基于接收脉冲回波信号时间重心及其方差的基本定义, 构建了椭圆高斯足印对星载激光测高仪测距值及其误差的影响模型。以GLAS星载激光测高仪为输入条件, 利用数值仿真分析的方法, 针对倾斜度和粗糙度分别为(3°, 1.7 m) 、(12.5°, 8.9 m)和(28.2°, 14.5 m)的三种典型观测目标, 系统论述了椭圆高斯足印的椭圆率与方位角对测距值及其误差的影响规律。结果表明, 激光测距值基本与椭圆高斯足印的椭圆率和方位角无关, 其测距值余量最大值不超过1 mm, 但是, 激光测距误差会随着椭圆高斯足印的椭圆率和方位角的增加产生起伏变化, 其测距误差余量最大值达到了47.04 cm。所得结论对于星载激光测高仪的硬件设计和性能评估具有一定实际应用价值。

暗通道先验算法虽然在单幅图像去雾方面取得了一定的效果，但是该算法运行时间较长，另外对环境光的计算不太准确，不适用于天空区域，会导致复原图像色彩失真、亮度偏暗。针对这些缺陷，本文提出一种改进的White Patch Retinex算法，对原有图像去雾算法进行优化。首先，通过改进的White Patch Retinex算法计算出环境光。其次通过暗通道先验算法获得透射率。最后根据得到的环境光和透射率，求解大气散射模型，从而得到去雾后的图像。实验结果表明，该算法不仅运行时间较短，对分辨率为600×800的图像处理时间平均为5 s左右，且能解决天空区域失真问题，去雾后的图像具有较高的亮度和对比度。