数学科学与系统工程

项目总结

随着在轨合作和非合作航天器数量的增加, 他们对开发用于在轨服务的自动追踪卫星产生了兴趣, 主动清除碎屑, 卫星检查. 执行这些操作需要对卫星几何形状进行准确的估计和识别. 该项目描述了用于绘制卫星几何图形的3D高斯喷溅的实现. 我们分享训练方法和模型的3D渲染能力，使用一个现实的卫星模型，在几个现实的照明条件下进行测试. 我们提出训练和渲染指标，以及与过去的3D重建方法的比较. 我们的模型能够在船上进行训练，并生成未知卫星的新视图的高质量渲染. 我们实现的渲染速度比以前基于神经辐射场(NeRF)的方法快近两个数量级. 这些能力在随后的机器智能任务中发挥着至关重要的作用，包括自主导航和控制任务.

项目目标

我们的目标是使用一个低计算算法的单一视频数据馈送来识别和重建未知卫星的几何形状，该算法将具有在航天器上实现的能力.

分析

我们基于生成建模的标准度量来分析模型的性能. 其中包括结构相似指数(SSIM), 峰值信噪比(PSNR), 和学习感知图像斑块相似度(LPIPS), 我们用训练中没有使用的卫星模型的图像来评估. SSIM测量两幅图像在亮度和对比度等品质上的感知差异. SSIM越大，性能越好. PSNR是像素级图像质量的度量. PSNR高，性能好. LPIPS是一个更复杂的工具，旨在计算人类感知的两幅图像之间的相似性. 该度量使用VGG神经网络来计算真实图像和合成图像之间的距离. 低LPIPS表示两个图像彼此更相似. 用于渲染性能和计算需求, 我们还分析了训练时间, 渲染帧率, 以及用于训练和渲染的VRAM. 所有指标都是在单个NVIDIA GTX 3080Ti GPU上测量的.

未来的工作

这个3D重建模型的未来计划包括将新的渲染视图合并到YOLOv5对象检测器中，以提高准确性, 可靠的, 以及对卫星部件的精确探测.

项目总结

与联合国关于全球繁荣的可持续发展目标(sdg)有关, 这个项目调查通货膨胀的影响, COVID-19大流行加剧了这种情况, 关于实现这些目标的进展. 从消除贫困到建立清洁能源和弹性基础设施, 联合国为人类制定了到2030年实现的17项可持续发展目标. 这些目标中的每一个都可以分解成组件，在这些组件中收集关于每个子目标的数据. 该项目展示了与这些目标及其与通货膨胀关系有关的数据的统计探索. 我们将介绍这一探索的过程和发现, 以及, 使用可持续发展目标相关预测指标对通胀进行建模的最终方法. 其结果显示了经济指标之间微妙的关系, 像通货膨胀, 以及可持续发展目标的现状.

项目目标

该项目的目标是通过利用统计和机器学习方法揭示通货膨胀与各种预测因素之间的关系，确定联合国可持续发展目标的哪些组成部分说明了对通货膨胀的依赖.

分析

我们使用的数据主要来自联合国和世界银行, 包括消费者价格指数(CPI)和与covid -19相关的统计数据等指标. 初步的统计探索, 关注CPI变化与可持续发展目标子目标之间的相关性, 它确定了实际利率和贷款利率之间的联系. 随后的方法(距离相关和互信息)被用于改进通货膨胀预测指标的选择, 从而引入了费雪方程. 这个已知方程与名义利率有关, 实际利率, 通货膨胀率, 接下来的分析阶段将由哪个来指导. 有几种方法可以提取特征显著性，如主成分分析(PCA)。. 进一步的机器学习技术, 特别是XGBoost和Lasso回归, 是用来辨别弹性特征的吗. 这项研究的最终成果包括在pca减少的特征空间内部署ML方法(决策树回归器和XGBoost)来预测实际利率和贷款利率. 这些发现有助于通过从PCA成分中衍生的代理变量对通货膨胀进行建模, 最终形成了一个由费雪方程构成的暴胀估计模型.

未来的工作

该数据探索的未来工作包括进一步调查该模型中使用的预测因子与通货膨胀之间的因果关系, 以及, 使用完善的模型为可持续发展目标的进展制定前景和时间表.