针对低轨星座协同探测弹道目标过程中存在系统误差的问题，提出多星载光学传感器系统误差极大似然配准（maximum likehood registration，MLR）算法。通过一阶Taylor近似对非线性量测转换线性化，推导出目标状态的误差协方差与卫星轨道定向、姿态角测量和传感器测量等随机误差的关系，并基于视线交叉获得观测在状态空间中的近似投影，从而将MLR算法扩展到低轨星座多光学传感器的误差配准。通过引入各类测量误差的先验信息对目标状态的误差协方差进行修正，利用期望极大化迭代，实现了对系统误差的无偏有效估计及目标轨迹的融合估计。仿真验证了所提算法的有效性，且配准性能优越。

针对对称α稳定（symmetric α stable，SαS）分布背景下局部最优检测（locally optimal detector，LOD）结构复杂、难以进行恒虚警处理的问题，提出一种自适应累积分布检测器（cumulative distribution detector，CDD）。该检测器首先利用累积分布函数对接收信号进行非线性变换，然后再进行匹配滤波处理。根据双参数柯西-高斯混合（bi-parameter Cauchy-Gaussian mixture，BCGM）模型对SαS分布进行近似，在此基础上对CDD的检测性能进行了系统分析，证明了其恒虚警特性，并通过Sigmoid函数对该检测器进一步简化得到了近似累积分布检测器（near CDD，NCDD）。理论和仿真结果都表明，当α较大时，NCDD性能接近LOD，但结构更加简单，更易于恒虚警处理。

在实际生活中频谱通常是稀疏的，将压缩感知（compressed sensing，CS）技术运用到宽带频谱感知中具有很大优势。然而，实践中稀疏度通常是未知的，因此需要选择较大的测量数目，导致算法的感知性能下降。为解决这一问题，提出一种自适应压缩频谱感知方法，通过分析压缩测量的二阶导数与稀疏度之间的关系对稀疏度进行粗估计。在粗估计的基础上，逐步增加测量数并对训练子集与测试子集进行迭代计算，当满足停止准则时得到稀疏度的精确估计。仿真结果表明，所提方法在性能上优于现有的其他传统CS方法，对降低复杂度、减少存储空间等方面具有重要意义。此外还验证了所提方法在噪声环境中的有效性。

利用致密焦面阵列馈源，通过二维来波方向（direction of arrival，DOA）估计算法判别干扰信号的方向，是多波束反射面天线设计中的一个重要环节。由于阵列馈源接收的信号由源信号在反射面焦平面上的电场决定，其阵列流形与常规DOA估计平面阵列的阵列流形不相同；焦面场一般是不均匀的，因此选用的阵列单元接收的信号幅度也不相同，部分阵列单元接收的信号会比较微弱；不同的焦面场选用的阵列单元不同，对应的阵列结构也不相同，且其往往是不规则的；源信号经过反射面反射后，阵列单元接收的信号之间的相关性会降低。这些因素决定了阵列馈源的DOA估计具有特殊性。因此结合焦面场，设计了多波束反射面天线二维DOA估计方法，并进行了仿真，仿真结果证明了该方法的有效性和实用性。

针对强海杂波背景下微弱动目标信号提取困难、雷达检测性能差的问题，在稀疏表示理论的基础上，提出利用字典学习算法抑制海杂波、重构目标信号。该算法通过K类奇异值分解（K-singular value decomposition，K-SVD）算法学习海杂波和目标的稀疏域主成分特征，得到相应的学习字典，抑制海杂波并对目标信号稀疏重建，解决了以往固定字典与高海况下雷达回波匹配度低、目标信号提取效果差的问题；并通过算法参数的分析和优化，进一步提高了算法性能和工程实用性。基于实测数据的实验结果表明，相比传统检测方法，所提算法能够有效检测高海况下微弱动目标，显著提升检测性能。

针对高功率微波（high-power microwave，HPM）武器易对全球卫星导航系统（global navigation satellite system，GNSS）接收机造成毁伤的问题，以高功率微波弹为对象，分析了不同弹体起爆姿态下的攻击范围与效果。在电磁仿真软件CST-MWS（CST microwave studio）中建立GNSS接收机辐照模型，设计了圆极化贴片天线为接收载体，以单脉冲正弦信号调制的平面波模拟高功率微波弹起爆后的辐射场效应。在电磁能量前门耦合的基础上，基于场—路联合仿真方法给出了一种仿真模型，将天线端口感应电压注入电路仿真软件ADS中设计的PIN限幅器，完整模拟了HPM由场到路的耦合过程。仿真给出了以微波源峰值功率为变量的敏感器件毁伤评价曲线，结果表明，GNSS接收机射频前端电路中的低噪声放大器是HPM武器的主要攻击对象，以ERA-2+型低噪放为例，脉冲峰值功率在27~310 kV的微波源均可造成其晶体管烧毁。同时，HPM也容易引发限幅器在一定功率范围内产生尖峰泄漏现象，其尖峰泄露对电路可能产生的损伤值得重视。研究结论可为下一步开展卫星导航接收机针对性电磁防护设计提供依据与技术指标。

海面舰船成像技术在军事和民用领域应用广泛。针对海面动目标成像定位模糊的缺点，提出了使用速度合成孔径雷达（velocity synthetic aperture radar，VSAR）估计动目标速度频率的方法。首先，分析了VSAR的成像机理和限制条件，建立了基于相控阵雷达对海面舰船的成像模型；然后，采用多天线图像域的速率频率估计方法纠正方位向的偏移，采用图像熵算法完成目标图像的自适应聚焦；最后，利用该方法对海面运动舰船进行仿真计算。仿真结果表明，VSAR在处理大海域海面静动目标同时存在的场景下，可以甄别出目标所属类型，判断出动目标的运动趋势和航行轨迹。相比于传统的单通道SAR雷达和沿航迹干涉雷达算法，速度频率估计算法解决了方位定位精度不足的缺点，提高了大面积海域条件下的动目标舰船的定位性能，具有良好的应用前景。

为了提高相干激光雷达风切变预警算法的预警率，提出一种基于主成分分析（principal component analysis，PCA）和相位差校正法的风切变预警算法。首先，利用PCA对雷达回波信号进行低阶主成分向量提取以实现信号重构，提高信噪比。其次，采用基于快速傅里叶变换的相位差校正法对回波信号峰值频率进行校正，降低回波信号能量泄露。然后，分别利用旋转电机实验数据和小型飞机实验数据对所提算法进行性能评估。结果表明，采用所提算法估计相干激光雷达回波信号峰值频率的平均绝对误差为0.26 MHz，对实际低空风切变的预警率为92.31%。所提算法可以有效降低相干激光雷达回波信号频率估计误差，实现低空风切变预警。

针对外辐射源雷达中，传统基于压缩感知（compressed sensing，CS）的超分辨波达方向（direction of arriving，DOA）估计方法在阵列天线存在幅相误差时测角精度差和目标分辨性能低的问题，提出一种基于总体最小二乘（total least squares，TLS）-CS的超分辨DOA估计方法。首先，通过奇异值分解方法求解TLS信号模型来修正阵列天线的幅相误差；然后利用贪婪迭代追踪算法进行CS稀疏重构得到目标的方位信息。仿真分析表明，当阵列天线存在幅相误差时，本文所提方法具有良好的超分辨DOA估计性能。

现有低分辨雷达目标识别方法，通常采用先特征提取、再进行目标分类的两步识别算法，这种算法存在识别率难以提高和方法泛化性不足的问题，对此，提出一种增强条件生成对抗网络（strengthening condition generative adversarial network，SCGAN）+卷积神经网络（convolutional neural network，CNN）的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征，无需特征提取，实现对目标的一步识别。为进一步提高小样本条件下的识别效果，基于CGAN理论来提高样本在特征空间的覆盖程度，并对CGAN的判别器进行改进，在损失函数中增加混叠惩戒项，通过SCGAN生成不混叠的生成样本来更好地训练CNN，提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性，以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。

随着隐身技术的发展，雷达目标的边缘绕射等逐渐取代镜面散射成为主要的散射源，因此基于几何绕射理论（geometric theory of diffraction，GTD）的散射中心模型对隐身目标电磁散射特性的描述要比衰减指数和模型更为精确。显然，准确估计出GTD散射中心参数对刻画目标散射特性犹为重要。针对经典多重信号分类（multiple signal classification，MUSIC）法仅利用目标原始回波数据、参数估计精度不高这一问题，提出一种改进的MUSIC算法对散射参数估计提取。改进的MUSIC算法通过对原始回波数据取共轭，构建新的总协方差矩阵，有效利用了目标原始回波数据的共轭信息。仿真结果表明，与经典MUSIC算法相比，改进的MUSIC算法参数估计精度更高，雷达散射截面重构拟合程度更好，且运算量增加不大，可有效提取出隐身目标的散射中心。

为提高弹道导弹打击舰船的命中精度，研究分析弹载合成孔径雷达的海上目标检测具有重大意义。针对基于传统小波变换的检测算法在相干噪声下难以快速实现目标检测的问题，提出基于改进小波变换的检测模型。首先，利用方向可调的小波函数改进传统小波变换，在提高检测精度的情况下，可避免进行非极大值抑制；其次，重点针对方向小波变换运算复杂的问题，从算法原理和实际应用两方面着手，分别构造可变方向角和掩模矩阵，减少了运算量；然后，在此基础上利用高低帽滤波和闭运算的组合处理，增强边缘区分度，即可通过二值化处理完成目标检测；最后，以舰船的目标检测为例，从检测精度和运算时间两方面验证改进模型的有效性。

面向微服务实例在不同资源中心的组合部署与调度问题，构建微服务组合部署与调度最优化问题模型。以资源服务中心计算及存储资源利用率、负载均衡率和微服务实际使用率等为优化目标，以服务的完备性、资源与存储资源总量和微服务序列总量为约束条件，提出基于进化多目标优化算法（NSGA-Ⅲ，MOEA/D）求解方法，寻求微服务序列在不同资源中心的实例组合部署与调度策略。通过真实数据集实验对比，在全部满足用户服务请求的约束下，该策略比传统微服务组合调度策略的计算、存储资源平均空闲率和微服务实际空闲率要分别低13.21%、5.2%和16.67%。

快速扩展随机树（rapidly-exploring random tree，RRT）无人机航迹规划方法能够快速获得满足约束要求的可行航迹，但是无法获得接近最短航迹的较优航迹。针对航迹的最优性问题，提出了混合种群RRT无人机航迹规划方法。在基于环境势场的RRT算法的基础上，设计了一种种群优化方法，通过引入自优化种群和协同优化种群改善航迹段，使算法同时具有局部和全局寻优能力。在得到航迹节点的基础上，采用B样条曲线的平滑方法生成曲率连续的可跟踪航迹。仿真结果表明，所提算法能够综合考虑无人机航程代价和雷达威胁代价，快速地收敛得到接近最优且满足无人机动力学约束的可行航迹，在不同环境下也能有满意的收敛效率。

未来空战将以中距空战为主，找出导致中距空战结果的原因是开展贴近实际的中距空战智能决策需解决的重要问题。针对空战训练过程中记录数据分布的复杂特点，建立了中距协同空战训练评估模型，提出了基于高阶导数聚类和相对模糊熵聚类的二次聚类方法，计算编队协同决策集，实现编队中距协同空战决策过程重构。以编队协同搜索和协同机动决策的角度，寻找编队协同决策与中距空战结果的相关性，并通过实例评估验证了聚类算法的合理性。

为了提高不确定环境下无人机（unmanned aerial vehicle，UAV）对目标捕获能力，进而提高多UAV协同搜索效率，提出了基于双属性概率图结合改进的协同进化遗传算法（improved co-evolutionary genetic algorithm，ICEGA）的多UAV协同目标搜索方法。首先，根据环境的先验信息，在原概率图基础上引入标志位，建立基于双属性矩阵的待搜索环境概率模型，提高环境和目标的信息感知准确度；其次，定义UAV的飞行规则并结合目标先验概率图信息，建立UAV运动模型及确定最大收益的目标函数；最后，建立分布式UAV之间的信息交互模型，运用ICEGA算法优化产生最优协同决策输入航向角集合，在线实时滚动优化产生最优协同路径。实验结果表明，基于双属性概率图结合ICEGA算法更能够保证最优路径的产生，使得UAV能够准确地搜索到目标；同时，对比仿真验证了ICEGA算法能够提高UAV之间的协同性，保证了路径可行性及提高了目标搜索效率。

为完成航母作战部署过程中的舰载机出动架次优化，采用规划模型来平衡部署中的母舰航行需求和舰载机出动需求。首先，改进原有的非线性规划模型，将目标改进为最大且均衡使用航空兵力；其次，提出一种新的转向方式，即剩余航程等分点转向方式；最后，开发一个利用遗传算法求解规划模型的图形化界面计算工具，利用该工具计算对比了2种目标函数和3种转向方式对于舰载机出动架次决策的影响。计算结果表明，模型和工具可行，剩余航程等分点转向方式总是优于原有的转向方式。

为提升战时合成部队备件保障效能，需对其进行有效分类，以便开展备件的预储预置。针对备件种类多、时效性强、影响分类因素复杂的现实问题，提出了基于改进的局部保持投影的备件分类方法。首先，根据战时备件分类储备的影响因素，作为备件分类的特征指标，其次，利用改进的局部保持投影的降维方法对备件原始特征数据进行特征降维，得到低维特征向量。再利用支持向量机（support vector machine，SVM）的分类器对低维数据进行分类。并通过量子粒子群对SVM的核函数参数进行寻优，提升备件分类精度，得到满足备件分类准确率最优时的降维维数和分类器参数。最后，通过对演习装备备件分类的实例分析，验证了模型的可行性和合理性，并对比分析了其他分类方法，表明该方法能够较好地解决战时备件分类的问题。

为准确判定复杂设备健康状态，提出一种基于粗糙集理论和证据理论的健康状态评估方法。鉴于粗糙集只能处理离散指标，首先提出一种基于动态模糊C-均值聚类算法的连续型评估指标的离散化方法；再通过基于互信息的属性约简算法对复杂设备健康状态评估指标进行约简；然后对约简的评估决策表进行处理，构建基本信度分配函数；最后利用D-S合成规则进行多指标合成得到健康状态，进一步挖掘评估指标与健康状态间的关系。实例研究及对比分析表明该方法能有效提高决策可信度，减少评估的不确定性。

针对引力搜索算法存在的易早熟收敛、易陷入局部最优、搜索精度有待提高等缺陷，提出一种混合方法优化的自适应引力搜索算法（gravitational search algorithm，GSA）。首先利用Sobol序列初始化种群，增强算法全局搜索能力；其次引入Hamming贴进度计算种群成熟度，判断种群是否早熟；然后引入Logistic混沌对种群作混沌搜索，变异已陷入局部最优的粒子位置；最后基于早熟收敛判断因子改进引力系数，并为粒子位置公式添加收缩因子，促使种群加快脱离局部最优。对9个不同类型的基准测试函数做仿真实验，结果表明新算法能有效改善种群的早熟问题，具备更好的寻优性能。

为了解决单个天基对地飞行器的停泊轨道优化设计中优化变量搜索范围大、初值敏感的问题，提出了基于模糊自适应粒子群（fuzzy adaptive particle swarm optimization，FAPSO）算法的停泊轨道优化设计方法。首先建立了给定变轨时刻下天基对地飞行器的落点范围求解模型，为求解停泊轨道优化设计的评价指标打下基础；其次提出了以覆盖预定落点数和覆盖不同预定落点数的平均时间为评价指标，建立了基于FAPSO算法的停泊轨道优化设计模型；最后仿真结果表明FAPSO算法能够获得收敛精度更高的结果，该方法能够更有效地解决单个天基对地飞行器的停泊轨道设计问题。

针对单一智能体在导航过程中存在全球导航卫星系统（global navigation satellite system，GNSS）易受遮挡或干扰，惯性导航存在误差累积的问题，提出基于视觉的分层即时定位与地图构建（simultaneous localization and mapping，SLAM）空地多智能体协同算法。通过建立系统模型，采用基于扩展卡尔曼滤波融合欧氏点、逆深度点、锚定同质点3种不同特征点的分层SLAM算法，实现了对导航系统的辅助和增强。针对空地协同场景设计并开展了仿真实验。结果表明，空地多智能体协同算法可以将位置误差降低40%；而在使用锚定同质点以后，误识别率由49%降低至4%。实验验证该算法具有良好的定位精度、实用性和有效性。

针对车载捷联惯导行进间初始对准抗干扰能力差、自主测速设备难以获取位置信息的问题，提出一种基于位置更新的行进间惯性系对准算法，并分析位置误差影响。利用惯性凝固思想建立了行进间惯性系双矢量和多矢量对准模型，提出了一种行进间对准位置更新算法，即由自主测速设备获得的载体速度可解算出量测矢量，进而通过姿态变换和积分迭代可以得到地理位置信息，同时分析位置误差对惯性系对准的影响。通过实验验证，相比于惯性系双矢量对准，多矢量对准方法更加充分利用了量测矢量信息，抗干扰能力强；位置误差将引入行进间对准误差，采用位置更新算法能够得到更高的行进间对准精度，还可在初始对准结束时刻为后续导航提供位置信息。

高精度激光陀螺惯导系统广泛应用于车载自主定位定向当中。当不存在外部测速设备的条件下，一般采用零速修正（zero velocity update，ZUPT）对导航误差的发散过程进行约束。常规ZUPT导航算法中重力矢量采用正常重力模型计算获得，忽略了重力扰动对导航精度的影响。考虑到车载自主导航系统对定位精度的要求，本文从重力扰动对惯性导航误差的影响机理分析入手，指出重力扰动是影响高精度ZUPT导航精度的最主要误差源之一。设计提出了两种适用于车载应用的重力扰动实时补偿方案，并在重力扰动变化剧烈的山区地带进行了长距离车载试验。试验结果表明，对于同一组跑车数据，导航时间2 h ZUPT间隔10 min，激光陀螺惯导系统的水平定位精度由补偿前的8.93 m提高到了补偿后的3.75 m，高程定位精度由补偿前的1.63 m提高到了补偿后的0.80 m。重力扰动补偿方法具有重要的工程应用价值。

针对网络控制系统诱导时延具有的随机性、非平稳性、非线性等特点，提出了一种基于改进的集总平均经验模态分解（modified ensemble empirical mode decomposition，MEEMD）-排列熵和布谷鸟搜索（cuckoo search，CS）优化的小波神经网络（wavelet neural network，WNN）时延预测算法。首先通过MEEMD对网络诱导时延序列进行处理，分别计算各模态的排列熵值，对复杂度相近的模态进行重组后得到新的子序列，从而达到降低建模复杂度和减少计算量的目的；然后利用CS算法优化的WNN预测新的子序列；最后叠加各子序列预测结果以获得时延序列的最终预测值。仿真表明，该算法具有较好的预测精度，能反映时延序列的总体趋势，可有效地降低异常值影响等优点。

针对正交频分复用/交错正交幅度调制系统频率选择性信道，提出了基于信道估计的原型滤波器设计方案。就其导频频谱效率低的问题，提出了能够提高频谱效率的导频结构，并进行了信道估计。用信号与干扰加噪声比的倒数衡量原型滤波器对信道估计的影响并将其作为优化问题的约束条件之一，将最小化阻带能量作为目标函数，对原型滤波器的设计问题进行建模。为了加快收敛速度，保证获得全局最优解，利用基于块的分支定界法对原型滤波器的优化问题进行求解。仿真结果证明了所提方法的有效性。

由于星地混合协作网络（hybrid satellite-terrestrial cooperative network，HSTCN）能显著提升卫星通信的服务质量，近年来受到了国内外学者的广泛关注，分析了基于中继选择的星地协作传输系统的性能。首先，在卫星和地面用户之间存在直达链路，并且所有中继节点在采用门限判断译码转发协议辅助卫星通信的情况下，得到用户端经过最大比合并后的输出信噪比（signal-to-noise ratio，SNR）表达式。其次，针对卫星信道服从阴影莱斯分布，而地面信道服从Nakagami-m分布，推导出随机选择和最佳选择两种中继选择策略下系统的中断概率闭合表达式。接着，进一步得到高信噪比条件下中断概率的近似表达式，为分析各种参数对系统性能的影响提供了更加便捷的方法。最后，计算机仿真不仅验证了理论推导的正确性，而且定量分析了协作传输带来的好处，从而为HSTCN技术的实际应用提供理论依据。

软件定义网络（software-defined networking，SDN）的出现为突破机载网络在航空集群作战应用背景下存在的性能瓶颈提供了全新的思路。针对航空集群机载网络的更新问题，提出适用于软件定义架构下航空集群机载网络的更新策略——可靠性增强的两阶段提交更新策略（reliability-enhenced two-phase commit，RE-TPC）。首先设计最高可靠性算法以及多路径算法搜索下发指令消息的高可靠路径。然后引入基于ACK（acknowledge）消息的确认机制和ACK消息高效融合传输机制，进一步提升网络更新过程的可靠性和实时性。仿真结果表明，与已有经典网络更新策略相比，所提更新策略能够有效提高更新的可靠性，同时更新持续时间更低、开销更小。

云无线接入网络（cloud radio access network，C-RAN）是一种能够集中处理信号的网络架构。C-RAN能够通过算法动态选择无线电单元（remote radio head，RRH）来调整用户通信速率。而通信速率作为用户服务质量（quality of service，QoS）的关键部分，当参与服务的RRH越多时，用户的通信速率更大且体验更好，但同时所带来的能源损耗越大，因此本文研究通信速率和功率消耗二者之间的权衡关系。提出一种优化算法，将权衡问题建模成一个单目标优化模型，通过权衡系数来协调速率和RRH激活个数之间的矛盾。为了解决$\ell_0$-范数的非凸问题，本文使用重复加权$\ell_1$-范数去近似$\ell_0$-范数，同时使用加权最小均方误差（weighted minimum mean square error，WMMSE）的方法将通信速率从非凸问题转换成一个凸问题，最后使用改进的次梯度法对预编码矩阵进行更新。仿真结果证明该算法减少了时间复杂度，同时达到了与穷举法相近的性能。

针对当前通信信号调制识别算法在低信噪比（signal-to-noise ratio，SNR）下识别率低、训练速度慢、识别调制类型少的问题，提出了基于信息熵特征和遗传算法-超限学习机（genetic algorithm-extreme learning machine，GA-ELM）的调制识别算法。首先，提取信号的4种熵特征：奇异谱香农熵、奇异谱指数熵、功率谱香农熵和功率谱指数熵作为调制识别的特征参数；其次，采用GA-ELM作为分类器。仿真实验表明，对11种模拟、数字调制信号进行分类识别，在SNR大于4 dB时算法的总体识别率均超过98%，同时该算法训练速度快，识别系统设计简单，具有较大的应用价值。

为了准确把握复杂多态系统及其部件可靠性指标的演变规律，需要对其进行动态可靠性分析。针对复杂多态系统退化参数的认知不确定性问题，提出一种用于动态可靠性分析的证据GO算法，以GO法原理为分析基础，结合证据理论构建一种考虑认知不确定性的多态GO法操作符，完成对复杂多态系统的不确定量化，结合马尔可夫模型对复杂多态系统进行可靠性建模，从而有效地分析认知不确定性给系统可靠度的影响，并用算例验证方法的可行性。

针对装备故障预测存在有效样本少、模型预测精度低等问题，集成灰色理论和神经网络方法，提出基于灰色神经网络的故障预测组合模型。基于新信息优先原理和重构背景值方法优化灰色GM（1，1）模型的初始值与背景值，利用Levenberg-Marquardt算法改进反向传播神经网络模型；采用组合预测思想，将多方法融合改进灰色模型和神经网络模型，分别构建基于权重分配、基于误差修正和基于结构优化的3种灰色神经网络组合模型。以某雷达发射机的故障预测为例，验证上述方法在故障预测中的有效性。结果表明，灰色神经网络组合模型的预测精度优于单一预测模型，可用于装备的故障预测和预测性维修。

针对目前健康因子构建方法存在的单调性和趋势性不够理想的问题，提出一种基于多尺度AlexNet网络的轴承健康因子构建方法。该方法首先利用连续小波分析将原始振动加速度信号转换为时频图，将时频图作为输入对多尺度AlexNet网络进行训练；然后利用训练好的网络在线构建测试轴承健康因子；最后根据健康因子评估准则评估初步构建的健康因子，利用评估结果调整网络参数，实现迭代优化，进一步提高健康因子的单调性和趋势性。实验对比分析结果表明：该方法显著提高了健康因子的单调性与趋势性，不需要进行特征提取、特征选择、特征融合等步骤，具有较高的构建效率和泛化性。