常规的分类与回归树算法(classification and regression tree, CART)只能通过重新训练来增加对新类别的认知, 导致样本类别数量较多时训练成本大幅增加。针对这一问题, 提出一种轻量化的增量式集成学习算法: 当新的类别进入到训练集中, 只需在原有集成学习算法中添加具有开集识别能力的CART基分类器, 就可以实现对新类别样本的分类, 而不需要重新训练, 从而降低计算复杂度, 简化学习过程。以辐射源分类为背景的仿真实验表明, 该算法在信噪比大于等于-4 dB的环境中, 可以保持90%以上的分类准确率; 在类别数量较多的情况下, 相比常规CART, 该算法可以大幅度降低新增分类类别所需的训练成本。

大尺寸电磁矢量传感器(electro magnetic vector sensor, EMVS)比小尺寸EMVS辐射效率更高, 研究其参数估计算法有助于推动EMVS的实装化应用。针对大尺寸EMVS阵列研究了低快拍下参数估计问题, 提出基于稀疏重构的波达方向(direction of arrival, DOA)和极化参数联合估计算法。首先构造仅含DOA信息的低维块稀疏表示, 然后采用块正交匹配追踪算法恢复块稀疏信号, 最后利用得到恢复后的信号反推出DOA和极化参数估计值。仿真表明了该算法在低快拍下参数估计的有效性, 且计算量和精度均优于现有基于稀疏重构的小尺寸EMVS参数估计算法。

针对空基无源相干定位系统中外辐射源状态不确定性对机动目标跟踪精度的影响, 提出了一种基于多模型预测的双变量容积卡尔曼滤波算法。首先建立了机动目标跟踪的系统模型, 并确定了多模型集。然后基于多模型思想, 将模型交互步骤增加到状态预测步骤之后, 对状态预测值进行交互融合, 得到最优的状态预测值。为解决固定的马尔可夫转移概率导致系统跟踪性能下降的问题, 采用“感知记忆”嵌入的时变转移概率, 降低不匹配模型的竞争影响; 最后利用双变量容积卡尔曼滤波算法同时对目标和外辐射源进行状态估计。仿真对比实验验证了算法的有效性。

针对线性调频信号在传统采集过程中存在的高采样频率问题, 提出了一种基于Gabor框架的线性调频信号压缩采样与重构方法。首先, 利用线性调频信号在Gabor变换下所具有的时频稀疏特性, 提出了基于Gabor框架的线性调频信号压缩采样系统。基于该采样系统, 分析了压缩采样系统工作过程, 建立了该系统压缩观测过程数学模型。随后, 分析了压缩采样系统重构模型, 将压缩采样重构问题转化为多观测向量重构问题。最后, 基于多维扩展的稀疏贝叶斯学习算法, 提出利用优化分类的方法来保证线性调频信号的精确重构。仿真实验结果表明, Gabor框架压缩采样系统有效降低了线性调频信号采样频率与采样点数, 在重构过程中, 本文提出的重构方法能够有效降低重构误差, 提高重构概率。

基于传感器阵列输出模型的稀疏重构, 研究了利用单快拍数据进行相干信号波达方向(direction-of-arrival, DOA)估计的问题。定义一个干扰协方差矩阵作为权矩阵, 通过加权最小二乘(weighted least squares, WLS)准则的迭代自适应求解, 实现单快拍DOA高精度估计算法, 简称WLS-IAE算法。详细分析了算法的计算复杂度, 并与经典的稀疏估计类算法进行比较。结果表明作为一种稀疏表示类估计方法, WLS-IAE算法不仅保持了在低信噪比、单快拍、信号相干、信号DOA角度间隔小等非理想条件下的良好估计性能, 而且无需选取超参数, 计算复杂度更低, 具有更强的实时性, 适用于快变目标信号DOA的实时跟踪测量, 具备潜在的工程实用价值。仿真实验验证了提出算法的有效性。

对于非均匀采样数据, 现有三维稀疏成像方法中的数据局部插值会带来误差, 且得到的分布式目标成像结果与其连续散射的本质不符。针对这些问题, 首先将成像问题直接建模为三维空间中联合的稀疏重构问题, 并通过选取候选散射中心进行字典降维; 然后, 在降维后的模型中增加三维特征增强约束项, 建立三维空间中相邻散射中心之间的联系; 最后, 结合高斯迭代法以及优化的信号处理技巧, 提出了一种高效的模型求解算法。实验结果表明, 相比于其他成像方法, 本文方法对旁瓣的抑制能力强, 成像结果分辨率高、精度高, 且保证了分布式目标成像结果的连续性。

针对人工设置天波雷达相干积累时间存在盲目性, 不能充分发挥雷达探测性能的问题, 以空中目标探测为研究对象, 提出了自适应积累时间设置优化方法。首先, 分析了积累时间对天波超视距雷达探测性能的影响。其次, 计算了影响相干积累时间的信号时宽和积累点数的最优值。然后, 提出了自适应设置积累点数的方法。最后, 通过实验证明了本文方法比人工方法更能提高天波雷达探测性能。

针对低信噪比(signal to noise ratio, SNR)下雷达信号脉内调制类型识别率较低的问题, 提出了基于时频特征提取和残差神经网络的雷达信号识别算法。时频特征提取首先通过分数阶傅里叶变换对信号进行Chirp基分解, 按照Chirp基载频与调频率的不同组合对信号划分类别, 并设置对应的分类特征参数。然后, 计算信号的伪Wigner-Ville时频分布并提取Zernike矩。上述特征参数组成信号特征矢量, 使用残差神经网络分类器实现雷达信号识别。仿真结果表明, 在SNR=-2 dB时识别准确率能达到93%以上, 同时鲁棒性验证良好, 算法复杂度能够满足现实要求。

为解决传统机械扫描预警雷达的低空目标分类问题, 提出一种利用模型转换频率估计的飞鸟与无人机目标分类方法。首先, 建立可能的无人机和飞鸟目标运动模型, 进而对目标轨迹进行多模型滤波和平滑处理。然后, 通过估计目标的模型转换频率实现目标分类。仿真结果验证了所提方法的鲁棒性和有效性, 证明经过平滑处理的目标分类结果优于仅经过滤波处理。针对低空预警雷达在机场和海岸环境中采集的真实数据, 在无人机频繁改变飞行方向模拟飞鸟机动性特征的情况下, 所提方法仍然可以较好地跟踪和区分无人机与飞鸟目标, 大幅降低了雷达系统的虚警率。

传统合成孔径雷达(synthetic aperture radar, SAR)图像目标检测的方法依赖于人工设计特征且易受复杂背景干扰, 泛化能力较差。深度学习的方法可以自动提取特征且具有良好的抗干扰特性, 对于未来雷达智能感知具有重要意义。不同于其他只能对固定区域进行检测的常规卷积神经网络, 本文提出一种改进型YOLOv3的SAR图像舰船目标检测方法, 该方法基于舰船尺寸与形状自适应采样的可变形卷积、ResNet50变体特征提取器和ShuffleNetv2轻量化思想等设计YOLOv3模型。通过SSDD数据集验证, 在检测效果方面, 相较于原YOLOv3模型, 平均精度从93.21%提高至96.94%, 检测概率从95.51%提高至97.75%;在模型大小方面, 轻量化设计模型仅为原YOLOv3模型的八分之一, 可实现嵌入式的使用。

针对低信噪比条件下实现双基地逆合成孔径雷达(inverse synthetic aperture radar, ISAR)稀疏孔径成像时重构质量较差的问题, 提出了一种基于加权l₁范数优化的高分辨成像算法。首先, 假设各像元稀疏非同分布, 利用贝叶斯准则和最大后验概率估计将双基地ISAR稀疏孔径成像问题转化为加权l₁范数约束问题, 建立成像模型; 然后, 利用柯西-牛顿算法进行加权l₁范数约束最优化问题的求解, 实现目标图像重构。由于假设各像元独立非同分布, 故通过像元加权的方式更好地利用了目标的能量聚集和结构特性, 提高了成像质量。最后, 仿真实验验证了算法的有效性和优越性。

针对异步条件下雷达与电子支援措施(electronic support measurements, ESM)航迹关联问题, 通过分析方位角异步测量值对交叉定位原理的影响, 提出一种无需时域配准的航迹关联算法。根据传感器存在时延以及采样率的不同, 给出不等长航迹序列的等长区间变换以及异步航迹交叉定位的区间化方法, 通过计算区间序列离散度实现异类传感器航迹关联。通过仿真验证, 区间序列离散度不受噪声分布的影响, 且对数据集整体特征的求解避免了传统算法中的逐点运算, 有效提高了算法运算率。与传统算法相比, 可在多种测量误差场景下对异步航迹直接进行准确关联。

网络信息体系(networked information system of system, NISoS)是构建新体制下联合作战武器装备体系的基础支撑。针对NISoS结构模型单一和鲁棒性评估指标粗糙等问题, 首先基于复杂相依网络理论分析了体系结构特征和级联衰退过程, 构建了体系双层异质相依网络模型(two-layer heterogeneous interdependent network model, THINM); 其次借鉴现代循环作战理论提出基于信息驱动链网融合(C-SDI link number and network scale, C-SDILNNS)指标的网络信息体系鲁棒性评估方法; 最后对比分析了不同失效策略和评估指标下的网络信息体系鲁棒性能。仿真结果表明, THINM能够较好反映网络信息体系结构特征, 通过C-SDILNNS指标可以精细刻画多种攻击方式和攻击强度下的体系鲁棒性。

针对目前导弹测试性需求建模尚未成熟, 开展测试性需求分析难度较高的问题, 提出一种基于广义随机Petri网(generalized stochastic Petri net, GSPN)的测试性需求建模方法。在分析导弹结构的基础上对导弹测试性需求问题进行了建模, 给出导弹两级GSPN模型, 深入分析其导弹系统的故障检测及维修过程。根据GSPN模型同构于嵌入马尔可夫链(embedded Markov chain, EMC), 以实存状态集和消失状态集表征库所变迁, 采用同构法对测试性指标进行求解。将多层级GSPN模型分解化简, 减少状态空间数量的求解。对导弹的GSPN模型进行定性和定量分析, 求解不同层级测试性指标最后通过仿真计算, 与系统要求可用度误差不超过0.7%, 验证了多层GSPN模型的可行性和分析结果的可信性。

针对装备采购供应链的供应商准入评价中较少同时考虑主观判断模糊偏好及评价指标内在关联的问题, 提出一种基于决策实验室分析法(decision making trial and evaluation laboratory, DEMATEL)与灰关联投影的混合多属性群决策模型, 用以评价装备采购供应商质量绩效。该模型考虑了定量与定性融合的属性形式, 将定性评价转化为直觉模糊数形式。首先, 通过考虑专家偏好关联的λ模糊测度广义Shapley Choquet积分算子来集结主观群决策模糊信息。然后, 拓展群组DEMATEL来确定模糊环境下的指标相关权重。最后, 基于改进灰关联投影法集结主客观评价信息, 得到供应商的优劣排序。通过实例对比及敏感性分析进一步表明模型的实用性较强、可操作性好, 能有效解决混合多属性群决策问题。

针对多智能体系统在处理复杂任务时存在的低效率、高冗积、多智能体系统内协同模型算法存在交互冲突、资源损耗过高等问题, 提出一种基于复杂任务的多智能体系统优化算法。在差分进化算法与局部优化算法的基础上对二者进行优化, 结合强化学习的训练框架, 构建训练网络, 通过对学习步长进行修订, 改变种群迭代优化准则, 使得种群在计算力充足的情况下可以实现全局收益最大化, 有效解决了指挥控制系统过程中的协同优化问题。

随着战争形态加速向体系化、网络化、智能化转变, 对军事系统韧性能力提出了更高的要求。在分析系统任务与韧性评估关系的基础上, 提出一种面向任务的系统韧性评估方法。该方法首先给出一种面向任务的韧性评估框架。其次, 在绝对时间尺度下考虑系统性能在任务过程中所受影响, 并通过引入时间韧性指标, 从时间韧性和性能韧性两个维度对系统的综合韧性进行度量, 弥补了当前韧性指标未考虑任务需求及任务时间的局限。最后, 以装备保障信息交互网络为案例, 给出了当扰动及恢复均具有随机特性时, 不同任务需求及任务时间下所提韧性评估方法的应用。

针对武器目标分配问题求解收敛速度慢、搜索效率低、寻优精度差的问题, 提出一种基于改进差分进化算法的武器目标分配方法。首先, 建立多约束条件下武器目标分配优化模型, 将动态武器目标分配问题离散为静态武器目标分配问题处理。其次, 采用随机邻域变异策略平衡差分进化算法全局探索和局部开发能力, 采用基于历史存档的自适应参数整定方法, 根据“精英”信息动态更新算法参数。最后, 通过与5种变种差分进化算法的对比实验, 验证了所提方法寻优精度高、收敛速度快、鲁棒性强的优点。

为通过在装备的各组成单元之间, 对装备的研制经费实施最优分配, 继而获得最大化的装备整体作战使用能力的现实需求, 选择由锅炉、主汽轮机、主冷凝器、汽轮给水泵等4个基本单元组成的船舶蒸汽动力系统为对象, 运用系统动力学(system dynamics, SD)方法, 建立各项费用与动力系统总体性能之间的关系模型, 并转化为SD仿真平台上的动力系统各设备经费结构优化模型。经过系统分析和对照仿真结果, 找出费用在动力系统中各个设备之间分配的特殊规律, 在功率既定情况下, 确定动力系统费用的最小值以及在各个设备之间的最优分配结构, 形成基于SD理论、面向系统性能最大化，在装备组成单元层面开展经费结构优化的方法。

针对全球导航卫星系统(global navigation satellite system, GNSS)的地基增强系统(ground based augmentation system, GBAS)的完好性评估过程中, 使用误差包络理论计算保护级(protection level, PL)时, 误差模型存在的“厚尾”“不对称”“非零均值”等问题, 提出了基于稳定分布的误差包络理论。首先给出了高斯包络理论计算PL的模型; 其次推导了两参数与四参数稳定分布误差包络算法; 最后使用仿真数据和通过实验测得的数据, 对多参数稳定包络模型的算法进行评估。结果表明多参数稳定包络法在相似的计算复杂度下, 解决了高斯包络法建模时过于保守的问题, 显著提高了保护级计算的精确性。

针对单轨双轮机器人在静止情况下存在的固有静态不稳定问题, 提出一种基于模糊强化学习(简称为Fuzzy-Q)的控制方法。首先，运用拉格朗日法建立带控制力矩陀螺的系统动力学模型。然后, 在此基础上设计表格型强化学习算法, 实现机器人的稳定平衡控制。最后，针对算法存在的控制精度不高和控制器输出离散等问题, 采用模糊理论泛化动作空间, 改善控制精度, 并使控制输出连续。仿真实验表明, 相较于传统强化学习方法, 所提方法能够显著提高控制精度, 且可以有效抑制外界干扰力矩对系统的影响, 保证系统具有一定的抗干扰能力。

在弹载捷联惯性导航系统(strapdown inertial navigation system, SINS)/合成孔径雷达(synthetic aperture radar, SAR)组合导航系统中, 针对量测输出时间间隔不同及SAR量测滞后的问题, 提出一种利用曲线拟合法解决量测滞后的非等间隔无迹卡尔曼滤波(unscented Kalman filter, UKF)算法。首先，在UKF的基础上, 利用系统状态转移矩阵的特性, 根据SAR有无量测输出选择是否进行量测更新, 解决了量测不同步的问题。然后，利用曲线拟合补偿法拟合SAR输出信息, 获得SAR量测信息滞后的补偿算法。最后，以弹载SINS/SAR组合导航系统为研究对象, 验证所提算法的有效性。仿真结果证明，该算法得到的东向位置误差的绝对值为5.12 m, 航向角误差绝对值为6.63″, 北向速度误差绝对值为0.08 m/s, 相比于传统UKF算法有效提升了组合导航系统滤波精度。

针对制导炮弹攻击地面目标的末端导引问题, 提出一种带有攻击角和视场角约束的有限时间滑模导引律。首先, 在传统终端滑模面的基础上加入视场角约束, 并构造正切型障碍李雅普诺夫函数来解决滑模面到达段的约束问题, 以保证制导系统在状态受限的情况下有限时间收敛。其次, 利用扩张状态观测器来估计并补偿目标机动带来的扰动, 有效削弱了导引指令的抖振现象。然后, 基于稳定性理论对导引律进行分析与证明。最后, 通过仿真对比验证该导引律的有效性与鲁棒性。仿真结果表明, 该导引律不仅能满足攻击角和视场角约束, 还具有指令连续、制导时间短、命中精度高等优点。

针对线性化的测量模型和相对运动模型会导致仅测角相对导航星间距离不可观测的问题, 提出一种快速仅测角相对导航初始相对轨道确定(initial relative orbit determination, IROD)方法。首先, 采用相对轨道根数(relative orbit elements, ROE)建立非线性相对运动模型, 该模型可以将星间距离和相对轨道形状进行解耦。然后, 在线性理论获得的共线性解附近系统地改变星间距离大小, 并执行一系列最小二乘拟合, 随后采用二分法或牛顿迭代法快速在全局范围内找到最小拟合残差的最优解。最后, 通过搭建的半物理仿真平台对该方法在4种轨道场景中的性能进行仿真测试, 验证了所提方法的有效性。

针对无人机编队目标跟踪中性能不可控的问题, 提出了一种具有性能预设的分布式多机编队目标跟踪控制方法。首先提出一种基于运动参数组的编队队形描述与目标跟踪方法, 实现了编队的相位预设与队形控制; 其次利用误差变换方法将有性能约束的误差问题转换为无约束误差控制问题, 并给出了一致性预设性能控制律; 然后分别设计了指数型和预设时间型性能函数, 实现了同一控制律下对不同性能的控制, 保证了编队目标跟踪过程中的收敛时间以及瞬态和稳态性能。最后，仿真证实了无人机编队能够在预期设定的性能范围内实现编队队形控制, 并成功跟踪目标。

现有通信干扰方法, 通常基于通信侦察中获取的目标信号特征进行干扰决策, 选取合适的干扰波形实施干扰, 难以应对目标信号特征未知或参数动态变化的情况。为此, 提出一种基于生成对抗网络(generative adversarial networks, GAN)的通信干扰波形生成技术, 运用GAN直接提取目标信号的潜在特征, 并生成与目标信号特征相似的干扰波形。在介绍GAN原理的基础上, 首先设计网络模型, 并对学习率进行优化, 使GAN更适用于时间序列通信干扰波形的生成。然后通过对不同类型和参数的通信信号进行干扰波形生成实验, 验证了该技术的泛化性。最后进行干扰效果对比试验, 结果表明, GAN生成的干扰波形干扰效果能够逼近最佳干扰效果。

研究了门限设置反馈条件下多用户星地混合协作传输系统的性能。首先, 在中继端采用放大转发协议和多用户机会调度方案下, 得到系统的输出信噪比表达式。其次, 在卫星链路服从阴影莱斯分布和地面链路服从瑞利分布的情况下, 推导出基于门限设置的信道状态信息反馈下系统的反馈中断概率、遍历容量和平均反馈用户数的闭合表达式。最后, 计算机仿真不仅验证了理论分析的正确性, 而且证明了所提出的基于门限设置反馈的多用户调度方案在性能几乎不变的情况下, 显著降低了系统反馈量。

针对有标签样本较少条件下的通信信号调制识别问题, 提出一种基于集成学习与特征降维的小样本调制方式分类模型。首先，通过集成人工特征与深度学习自动提取特征构成特征集合。然后，设计特征选择算法对特征合集进行优选生成高效特征子集。最后, 利用可快速收敛的高性能分类器对信号进行区分, 实现在少量有标签样本和大量无标签样本条件下的调制方式分类。仿真结果表明, 通过对8种数字信号进行调制识别, 在信噪比为20 dB时, 所提算法可将信号最高识别率提升至96%, 同时该算法设计简单, 具有较大应用价值。

针对空时分组码(space-time block code, STBC)识别中多种编码类型难区分的问题, 提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理, 输入到卷积神经网络中对信号特征进行提取, 全连接层对特征进行映射, 实现对6种STBC类型的识别。仿真实验结果表明, 在无信道和噪声等先验信息的条件下, 所提算法能够有效区分3种相似度高的STBC3码, 且将STBC可识别的编码类型由目前的4种扩充到6种, 识别准确率能达到96%。该方法的复杂度较低, 不需要利用大量样本数据, 实时性高, 具有较好的工程应用价值。

在高移动场景下, 信道具有快速时变性和非平稳特性, 对信道的准确估计提出了新的挑战。针对高移动性Jakes信道, 提出一种基于图像重建和恢复原理的信道学习估计网络。首先，根据Jakes信道矩阵中局部相关特性, 构建快速超分辨卷积神经网络提取信道特征, 并对信道插值完成信道图像建模。然后, 利用去噪神经网络降低信道噪音的影响, 进一步提高估计精度。最后，通过时域和频域的仿真测试, 所提方案估计性能优于传统算法。在与现有基于深度学习最新方法比较中, 所提方案也有性能优势, 并且收敛速度更快。

讨论了在5G时代随着移动终端和网络流量的增长、大规模机器类型通信的产生以及天基卫星网络与地面蜂窝主干网络的结合, 使得移动无线通信的频谱使用范围更宽, 导致信道具有更为明显的稀疏性, 从而得以利用无线信道的稀疏性引入压缩感知技术来进行无线通信系统的信道估计。通过负熵最大化算法与l_p正则化改进现有的压缩感知信道估计算法, 将传统的最小化误差函数均方误差替代为最大化目标函数的负熵以适应信道非高斯噪声, 同时稀疏约束采用更为精确的l_p正则化以加强信道估计算法的稀疏表示。研究表明, 该算法不仅可以提高信道估计精度, 增强抗噪声鲁棒性; 另一方面可以利用更少的导频实现更高精度的信道估计, 具备提高系统频谱利用率的作用。

针对模拟电路渐变性故障中的特征提取困难和故障信号无法进行有效分类的问题, 提出利用免疫遗传算法(immune genetic algorithm, IGA)优化反向传播(back propagation, BP)神经网络中参数寻优过程, 从而实现模拟电路故障诊断。首先, 采用小波包分析(wavelet package analysis, WPA), 对模拟电路输出响应进行4层小波分解和重构, 完成特征向量的提取。然后, 采用IGA优化BP神经网络进行训练及测试, 实现对不同故障进行故障诊断。最后, 通过两个模拟电路仿真实验对该方法进行实验验证。实验结果表明, 与优化前的BP神经网络相比, 所提方法提高故障诊断的准确率约15%。

综合模块化航空电子系统(integrated modular avionics, IMA)是现代航空的核心系统之一, 其性能状态对飞机的安全性有着重要的影响。针对IMA性能退化特性分析问题, 首先依据IMA运行管理机制, 在现有测点的基础上, 遴选了间歇故障发生频次和功能完成时间作为表征IMA性能状态的健康特征参数。然后, 根据IMA自身运行特点证明了IMA功能完成时间历程是一个Lévy过程。提出了IMA性能退化Lévy模型, 构建了单因素影响和多因素综合影响的IMA性能退化模型。最后, 搭建了IMA仿真平台, 获取了IMA性能退化Lévy模型参数, 仿真了IMA性能退化历程, 验证了模型的有效性。

针对高加速寿命试验(high accelerated life test, HALT)开展难度大、设备要求高的特点, 为获取某型导弹弹载电子设备温度工作极限, 基于有限元理论在开展温度场分布和等效应力分析的良好效果, 选取某型导弹导引头二次电源为研究对象, 开展HALT仿真试验。首先, 开展二次电源组件有限元分析, 建立三维模型, 定义材料参数, 进行网格划分, 设定边界条件。然后, 按照二次电源组件HALT方案设计要求和温度分析理论, 基于ANSYS软件开展组件的HALT仿真试验, 得到组件在高、低温步进应力载荷下的温度梯度分布和等效应力分布。最后通过分析试验结果, 确定二次电源组件高、低温工作极限范围。仿真试验表明, 二次电源组件在高温135 ℃会因为焊点脱落发生失效, 这为通过HALT仿真试验获取产品可靠性信息提供了新思路。