单变量序列数据分类涉及现实世界的诸多应用领域，具有重要的研究意义与应用价值。目前，单变量序列数据分类领域的发展处于深度学习逐渐取代传统方法的关键时期，但相关的归纳综述仍然很少。为了促进未来研究, 本文对单变量序列数据分类方法进行了全面的总结, 根据提取分类信息的不同, 将现有分类方法分为基于形状信息、基于频率信息、基于上下文信息以及基于信息融合4种类别。此外, 本文依托公开数据集对典型分类方法进行了对比与分析, 并对未来研究方向进行了展望。

随着通信频段的不断拓展, 受到Nyquist意义下的阵列间隔和采样频率的限制, 多带信号载频和到达角的联合估计难度急剧增大。为突破该瓶颈, 设计了一种基于L型级联互素阵列的空时欠采样接收结构, 并结合伪噪声空间重构、信源相关性配对, 提出了一种全解析的载频和到达角的配对和无模糊联合估计方法。得益于稀疏阵列和时域欠采样, 所提结构有效增大了阵列孔径并降低了采样成本。仿真实验证明了所提载频和到达角联合估计方法在较低快拍数和信噪比的条件下, 可取得较高的估计精度。

针对海杂波背景下弱目标检测中存在的信杂比低的问题, 提出了改进的基于可调Q因子小波变换的海杂波抑制算法。由于海杂波能量远大于目标信号能量, 提出选取与海杂波振荡特性相匹配的参数进行可调Q因子小波变换, 得到各小波子带的系数, 并对小波系数进行稀疏优化后重构海杂波信号。为了判断弱目标信号是否存在, 提出一种自适应的阈值检测方法, 将原始回波信号与海杂波重构信号的差作为检测样本, 实现对弱目标信号的检测。该算法不依赖海杂波具体模型。最后对某实测海杂波数据集进行实验, 验证了所提算法的正确性。

波达方向(direction of arrival, DOA)是阵列信号处理模型中的非线性参数, 当信噪比较低时, 其估计值会偏离真实值。为了降低无网格DOA估计方法中该问题的阈值, 介绍了一种基于无网格的基于协方差的稀疏迭代估计(sparse iterative covariance-based estimation, SPICE)方法。引入了最大似然求根多重信号分类(maximum likelihood root multiple signal classification, ML-Root-MUSIC)来计算DOA, 使用最大似然准则来选择根, 可以降低阈值并获得更好的分辨率特性。在原始无网格SPICE的优化问题中加入了负熵项, 使得无网格SPICE的均方根误差曲线更接近于Cramer-Rao下界。最后, 蒙特卡罗仿真实验验证了所提方法在低信噪比非冗余阵列情况下的优越性。

国际民航组织给出了仪表着陆系统航向信标(localizer, LOC)敏感区划设建议, 但没有考虑大型障碍物的影响, 也没有提供相应理论说明。中国民航正在提升仪表着陆系统的运行等级, 必须评估大型建筑物对该敏感区的影响。聚焦机载LOC接收信号的调制度差(difference in depth of modulation, DDM), 分析研究大型障碍物产生的LOC反射信号、边缘绕射信号及尖顶绕射信号对DDM的影响, 基于双频20单元LOC阵列天线建立DDM计算模型, 仿真分析了铁质和水泥材质大型障碍物在不同位置时对DDM的影响, 获得了大型障碍物影响下LOC敏感区, 并为国内某条实施Ⅲ类运行跑道附近的机库改造提供相应建议。

彩色图像在获取、传输和存储过程中会受到噪声的影响, 这给后续图像处理带来麻烦, 因此图像去噪任务意义重大。对此，提出一种基于四元数字典学习的模型, 该模型约束四元数的实部为零, 图像的色彩信息得以保存。传统的稀疏图像模型把彩色图像看作向量或者单色图像的线性组合, 忽略了RGB通道之间的关系。用纯四元数表示彩色图像, 将彩色图像的RGB通道表示成四元数矩阵的虚部, 拟合图像效果更好。数值实验表明, 与其他模型相比较, 所构建的模型可以更精确地表示彩色图像, 在处理彩色图像的过程中产生模型拟合误差相对较小, 峰值信噪比以及视觉效果方面均有明显提升, 能更好地进行图像去噪。

为厘清防御方对来袭临近空间高超声速目标性能的认识, 进而改进现有导弹防御策略, 对此类目标与弹道导弹之间的预警探测特征进行比较分析。通过建立颗粒度适中的目标运动模型、红外探测模型和雷达探测模型, 采用同等仿真条件，详细、定量对比分析两类目标飞行高度和横向机动能力对地基预警体系的影响及红外辐射可探测性性能。比较分析结果表明, 纵向射程相同时，高超声速目标更低的飞行高度和更强的机动能力导致雷达对目标搜索捕获难度更大, 但其红外辐射强度大使得对目标稳定预警探测的时间更长。

为了突破传统雷达的性能瓶颈, 具有发射端自适应机制的认知雷达成为了研究热点, 其中发射波形优化设计是认知雷达的核心组成。为了提升机载平台下对运动目标的检测能力, 考虑了多输入多输出雷达中发射波形与接收滤波器的联合设计问题, 并使用交替优化方法进行求解。在求解最优接收滤波器时, 优化问题被建模为经典的广义瑞利熵问题, 对此使用最小方差无失真响应方法进行求解以避免特征值分解运算。在设计最优发射波形时, 在最大化信杂噪比的准则下建立目标函数, 并引入工程常用的恒模约束条件, 最终将波形设计问题建模成一个非凸的优化问题。对此, 经典的求解方法是先使用近似手段松弛恒模约束, 然后使用Charnes-Cooper变换进行求解。区别于经典方法, 提出一种基于信杂噪比近似的优化算法以减少计算复杂度。实验结果表明, 所提方法不仅具有更快的收敛速度, 还可以实现更优的信杂噪比增益性能。

外辐射源雷达利用已知位置信息的第三方发射站发射的信号作为照射源，对运动目标进行探测定位。但在实际应用中，发射站精确位置信息往往难以预先获取，给外辐射源雷达在未知环境中的快速应用带来困难。为了解决该问题，将已知轨迹的无人机作为合作目标。利用实时获取的无人机位置信息，建立了发射站位置未知时的目标直接定位模型。并进一步构建了基于目标位置的代价函数，从而实现对发射站位置的精确估计。该方法不仅可以克服常用两步定位算法中存在信息损失的不足，可达到更高的定位精度，而且利用了外辐射源雷达直达波信号，较传统直接定位方法性能更优。最后，通过仿真验证了该算法的有效性。

针对载频-重频联合捷变体制雷达目标参数估计问题, 提出了一种新的基于多重信号分类(multiple signal classification, MUSIC)算法的载频-重频联合捷变雷达目标参数估计方法。通过信号模型的空时等效, 将时域信号的处理等效成空域阵列信号的处理, 并将超分辨阵列信号处理方法应用到目标的参数估计中, 从而把目标距离和速度的估计等效成阵列中二维参数的估计, 解决了由于载频-重频联合捷变所带来的目标参数估计难题。仿真实验表明, 所提方法能有效实现对目标距离和速度的超分辨估计。

调制谱间隔是气动目标识别的重要特征, 在雷达波形资源受限的情况下存在估计精度差且噪声鲁棒性弱的问题。针对此问题, 利用稀疏迭代协方差谱估计方法进行调制谱超分辨, 根据调制谱谱线等间隔的原理提出用基频组功率累积占比表征基频谱, 进而实现基频的超分辨估计。基于甚高频波段雷达的仿真和实测数据分析证明了该方法抗噪能力强, 且在相参积累时间大于1.5倍微动周期、调制谱折叠、重频参差等场景下均可有效提高调制谱间隔参数估计准确率。

针对目前雷达干扰识别方法存在人工特征提取难、强噪声环境下识别率不高的问题, 提出了一种基于长短时记忆(long short-term memory, LSTM)网络和残差网络相结合的雷达有源干扰识别方法。输入有源压制干扰原始时域序列数据, 搭建深度学习网络模型对不同干噪比下的干扰信号进行分类识别。仿真结果表明: 在干噪比为0 dB的情况下, 该方法对4类雷达有源干扰信号的识别准确率均高于98.3%, 与单纯的残差网络和卷积神经网络(convolutional neural networks, CNN)等其他深度学习算法相比，具有更佳的网络性能, 验证了该算法的有效性。

雷达截面积(radar cross section, RCS)可以为武器装备设计提供支撑。因此, 许多国家都建立了标准测试场, 可以满足大多数目标RCS测量的需要。对于海面背景下的非合作弱目标而言, 只能依赖实际测试来获取目标RCS, 但有时会面临多径干扰和信号弱的问题。针对该问题, 在海上外定标和目标信杂比改善基础上, 提出了一种目标RCS估计方法。设计并开展了海上目标RCS测量试验, 并对测试数据进行了分析, 验证了新方法的有效性, 同时给出了弱目标RCS起伏特性的定性描述。

考虑共建共享的复杂装备组合优化是适应联合作战和装备发展需求的一种新的装备发展规划理念, 不仅需要统筹考虑共建阶段各研发单位的资源高效整合, 还需兼顾共享阶段中预期运用场景下的资源共享、相互配合等不同约束。为了高效获得优质的组合规划与组合选择方案, 本文研究了共建共享双层策略驱动的复杂装备组合优化问题。首先, 综合考虑共建和共享策略, 对装备研发组合规划问题和装备组合选择问题进行分析和建模。然后, 设计了深度神经网络辅助的分支定界启发式方法, 通过可学习的模型在分支选择和修剪的过程中给出合理的建议。最后, 通过侦察预警监视装备组合优化作为案例, 验证了本文所构建模型和提出的算法的有效性。

针对小样本下贝叶斯网络参数学习结果不准确的问题, 提出一种模糊最大后验估计方法, 该方法将模糊理论引入到参数学习中, 通过对约束效力的度量, 利用隶属度函数来确定超参进行学习, 以提高约束使用的准确性。实验证明, 所提方法可以有效提高参数学习的精度。除此之外, 将所提方法应用到网络安全评估中, 将通用漏洞评分系统作为专家先验参数, 结合漏洞信息迁移样本来进行参数学习。最后, 通过节点和路径安全评估验证了所提方法的有效性。

针对地面目标检测跟踪任务以多移动传感器系统为调度对象, 提出一种考虑盲区的传感器调度方法。首先, 建立了目标检测模型, 基于贝叶斯风险理论给出了目标检测损失的计算方法以评估检测性能。然后, 考虑多普勒盲区和视野盲区的影响, 建立了目标跟踪模型, 并给出了基于盲区信息辅助的目标跟踪算法以应对盲区出现时目标状态估计问题。最后, 建立了传感器优化调度模型, 结合检测损失、跟踪精度、传感器能耗等因素建立了目标优化函数。仿真结果表明, 所提调度方法能够有效解决多移动传感器协同调度问题, 所得的最优调度方案可在兼顾检测性能、跟踪性能和控制能耗的同时, 使整体作战收益达到最佳。

舰载机模块化弹药存储和调度是未来发展的主要趋势之一。模块化弹药调度与整弹调度相比, 调度对象的数量成倍增加并且多了一个弹药装配环节, 使调度工作的难度呈指数级增长。针对模块化弹药调度问题, 建立以任务完成时间最小化和各舱室与升降机平均工作时间最小化为优化目标, 以各模块调度次序、机器选择和调度起始时间为约束条件的舰载机模块化弹药调度模型, 设计递推法计算任务完成时间, 并使用改进的遗传算法对模型进行求解, 结合模块化弹药特点优化多层编码方式, 使染色体更加完整地表达弹药在各个阶段的信息。通过仿真验证, 所提的舰载机模块化弹药调度方法生成的调度方案具有可行性。

时变参数系统的仿真优化问题是一个新兴的研究课题, 相比传统仿真优化, 时变参数系统对实时性的要求高, 而对解的精度要求不高。本文提出将该问题转换为一类神经网络预测问题, 并从理论上证明了该方法的可行性。首先, 线下构建神经网络模型描述输入参数到最优解的映射关系; 然后, 利用训练好的神经网络模型线上实时预测最优解。考虑到边界样本对最优解拟合曲面的影响, 提出构建中心样本和边界样本，分别训练两个神经网络模型。仿真和实例表明, 该方法能够随时变参数的变化实时给出满意解, 从而为求解时变参数仿真优化问题提供一种新的解决思路。

针对战场态势数据分析与规律知识挖掘需求, 基于掌握的战场目标历史活动信息, 分析目标间深层次关联特征, 运用Prim算法和模板匹配思想构建目标关联性研判、目标编队自动提取以及编队特征匹配识别模型, 提出了一种快速实用的空中目标编队自动分析挖掘算法。通过若干案例仿真验证了该算法模型的可行性和有效性。所提算法能够快速有效地从海量历史活动数据中挖掘出存在关联性的目标编队, 给出目标关联可信度, 能够对目标间关联关系、编队类型等编队特征进行有效识别, 并且该算法计算量小, 易于工程实现。

针对目前地基探测系统无法对中小型碎片清晰成像的问题, 提出了一种面向中小型碎片的卫星自主光学观测与驱离规划仿真方法。该仿真方法采用C++、QT、STK(satellite tool kit)进行联合设计, 主要包含批量碎片生成模块、光学观测模块、碎片与卫星交会模块和自主驱离规划模块, 可有效实现海量碎片数据的筛选, 以及自主观测与驱离任务下的卫星姿态与驱离载荷的开关机时间的时序规划。最后, 通过space-track网站和在卫星轨道周围批量生成碎片作为输入条件, 有效验证了该仿真方法的可行性。

为了减少半球谐振陀螺(hemispherical resonant gyroscope, HRG)输出噪声对导航精度的影响, 提出了一种基于局部均值分解-排列熵-小波变换-奇异值分解的混合去噪方法。首先, 使用局部均值分解方法对HRG信号进行分解, 然后排列熵将其划分为两类: 低频分量和混合分量; 之后将小波变换和奇异值分解级联以构成两级滤波器, 对混合分量进行降噪处理, 最后重构得到最终的信号。通过实验验证了该方法的有效性, 实验结果表明, 相比原始信号, 所提出的方法有效地减少了HRG的输出噪声, 提高了其测量精度, 其中角度随机游走降低了99.9%, 零偏稳定性降低了60.3%。

针对弹道导弹等超远程攻击目标的轨迹难以预测的问题, 提出一种基于长短期记忆(long short-term memory, LSTM)网络与一维卷积神经网络(1-dimensional convolutional neural network, 1DCNN)的目标轨迹预测方法。首先, 建立三自由度导弹运动模型, 依据再入类型设计3种目标轨迹数据, 构建机动数据库, 解决轨迹数据的来源问题。其次, 采用重复分割与滑动窗口的方法对轨迹数据进行预处理。然后, 基于LSTM与1DCNN设计了一种目标类型分类网络, 对目标进行初步分类。最后, 基于1DCNN设计轨迹预测网络, 对目标轨迹进行预测。仿真结果表明, 提出的轨迹预测网络能够完成轨迹预测任务, 预测误差在合理范围内。

为了降低移动机器人在运动过程中的能耗, 提高在能源补给有限时的任务执行率, 提出了一种改进A^*算法的机器人能耗最优路径规划方法。首先, 根据四轮差速驱动移动机器人的运动学约束, 建立了其运动的能耗模型。然后, 根据起始状态和目标状态约束求解生成运动基元, 采用能耗模型计算运动基元的能耗值, 构建了能耗运动基元集。其次, 基于传统A^*算法, 改进提出了一种能耗最优路径规划方法, 该方法在规划进程中以能耗运动基元集中定义的节点之间的连接关系进行节点扩展, 而以能耗值作为节点之间的通行成本, 从而保证获得一条全局能耗最优路径。最后, 离线地图仿真测试和机器人实验结果表明所生成的路径总能耗可降低约28.24%, 从而验证了算法的有效性。

针对随机产生输入权重和隐含层神经元阈值导致利用极限学习机辨识弹丸气动参数时会出现辨识结果发散问题, 本文将粒子群算法与极限学习机结合, 并且引入自适应更新策略以及粒子变异策略, 提出了一种自适应变异粒子群优化极限学习机算法。该算法利用自适应变异粒子群算法寻优产生极限学习机的输入权重和隐含层阈值, 有效改善算法性能。仿真实验表明，利用自适应变异粒子群优化极限学习机算法辨识弹丸气动参数, 精度高、收敛速度快, 能够充分满足实际工程需要。

高超声速飞行器下压段飞行环境复杂、弹道参数变化剧烈、被动减速较快, 传统解析预测采用的常值阻力系数假设不再适用。考虑攻角、马赫数影响, 对阻力系数表达式进行拓展, 基于解析理论对复杂弹道方程加以简化, 得到以剩余射程为自变量的微分方程, 通过数值积分快速求解弹道诸元, 提升全弹道快速规划能力。典型弹道仿真表明, 与传统常值假设相比, 所提方法可将俯冲下压段的时间预报误差降低到1 s左右, 同时不增加计算复杂度, 实现滑翔飞行器俯冲飞行时间、速度、动压的精准、快速预报。

针对大气层外拦截器在中制导结束后还需要长时间无控飞行的情况, 基于零控脱靶量思想采用最优控制理论, 对拦截器和目标的相对运动关系进行了理论推导, 以脱靶量和中制导加速度为性能指标, 设计了一种拦截器发动机固定推进时间的中制导策略, 研究了拦截器制导精度与零控脱靶量预测精度的关系, 提出了调节拦截器机动过载大小的实现途径。仿真结果表明, 设计的中制导律精度高、可靠性好、形式简单, 在脱靶量计算得足够精确时, 中制导结束后的零控脱靶量可控制在百米量级内, 为拦截器以动能碰撞方式拦截目标创造了优良的末制导条件。

为解决目标机动策略未知条件下的飞行器拦截问题, 提出一种基于神经网络的三维滚动优化制导策略。首先, 针对全局最优导引律终端时刻难以确定的问题, 在滚动时域优化框架下, 引入零效脱靶量设计局部最优导引律, 并使用粒子群优化算法进行求解。其次, 为了提高制导律在线求解效率, 构建神经网络, 对优化算法滚动求解得到的若干组制导训练数据进行离线学习, 并将经过训练的网络用于制导指令在线滚动优化。仿真结果表明, 神经网络-滚动优化制导策略对采取各类机动方式的目标均具有较好的制导性能, 有效提高了制导指令在线优化效率, 可以为飞行器制导律实时滚动求解提供参考。

第五代移动通信系统(the fifth generation communication system, 5G)与时间敏感网络(time sensitive networking, TSN)集成的5G-TSN系统需要实现高精度的时间同步。为此, 提出一种多波束联合的定时同步算法提高同步信号检测成功率, 实现高精度5G-TSN时间同步。首先, 根据多个波束间的时域关系计算波束间同步信号块的互相关的组合, 求出期望作为门限值; 然后, 利用超过门限值的若干波束进行互相关叠加峰值计算最大峰值对应的时域索引, 并完成主同步信号定时同步; 最后, 利用时频域结合地方式对传播时延进行估计以减少同步误差。仿真结果表明, 采用基于多波束联合的定时同步算法, 相比传统算法, 相关峰值更加显著, 能有效地提高定时同步成功率。

Link16数据链的应用综合广泛, 由于运用了跳扩频和编码技术使其具有强大的抗干扰能力。为了探究Link16数据链在衰落信道下的响应, 在加性高斯白噪信道的基础之上, 研究了Link16数据链经过Nakagami-m衰落信道的系统性能。着重推导了Link16数据链单脉冲结构在多音干扰下经过Nakagami-m衰落信道的误码率(bit error rate, BER)表达式, 并给出了双脉冲结构BER公式。仿真实验结果验证了Link16数据链单脉冲结构在多音干扰下经过Nakagami-m衰落信道的BER公式的准确性, 分析了多径参数对Link16数据链抗干扰性能的影响, 得出增加衰落参数m和可分辨路径可以提升Link16数据链的系统性能, 且当信干比一定、被干扰频点个数在25个及以上时系统BER达到10^-1。

移动边缘计算(mobile edge computing, MEC)为5G超低时延业务提供了解决方案。如何设计低时延、高效率的任务卸载方案, 是MEC面临的主要难题之一。为此, 针对端-边协同MEC服务场景, 研究了大型计算任务的低时延、低能耗部分卸载方案, 通过将用户任务划分为多个有顺序依赖关系的子任务并构建子任务的有向无环关系图, 设计了能够最小化卸载时延的子任务调度方案, 提出了基于任务复制的最早卸载执行算法, 解决了能耗受限下的任务最小时延卸载计算。仿真结果表明, 提出的MEC卸载方案能够有效减少任务处理时延, 降低系统能耗。

以无人机为平台的空中基站(unmanned aerial vehicle base station, UAV-BS)部署灵活、通视较好, 在应急通信场景中具有独特优势, 但是UAV-BS位置对通信组网效能具有重要影响, 如何优化UAV-BS部署位置, 特别是多UAV-BS位置布局是一个关键问题。本文考虑对地面终端用户最大化的覆盖且尽可能降低基站发射功率, 提出多UAV-BS定位模型。首先，基于通信区域视线(line-of-sight, LoS)和非视线(non-line-of-sight, NLoS)传输统计特性计算最大覆盖半径及相应UAV-BS定位的高度。在此基础上, 将基站水平定位布局视为多圆覆盖问题, 构建覆盖用户数最多的非线性约束优化模型, 并在保持用户覆盖最大化的前提下, 进一步优化各UAV-BS发射功率。然后, 基于最小覆盖圆问题和遗传算法对定位模型进行求解, 计算具有低阶多项式的时间复杂度。最后, 通过仿真验证了所提方法的有效性, 结果表明所提方法能够实现UAV-BS组网3D布局，并能最大化用户覆盖和降低基站功率。

针对卫星通信中常见的单-混二进制相移键控(binary phase shift keying, BPSK)、正交相移键控(quadrature phase shift keying, QPSK)、8进制相移键控(8 phase shift keying, 8PSK)、16进制正交幅度调制(16 quadrature amplitude modulation, 16QAM)信号调制识别问题, 本文基于不同信号的累积量差异和方谱特性, 充分利用累积量和谱线特征并构造合理的特征参数, 最终构建决策树分类器, 实现了这些信号的调制识别, 并有效实现了混合QPSK和混合8PSK信号的识别。实验表明, 该算法能够实现高斯白噪声条件下的单-混BPSK、QPSK、8PSK、16QAM信号的分类。当信噪比大于6 dB时, 除混合QPSK和混合8PSK信号外, 其他信号的调制识别率能达到98%, 当信噪比大于10 dB时, 混合QPSK和混合8PSK信号的调制识别率能达到92%。与现有算法相比, 识别率更高, 由此证明所提算法的有效性。

针对设备部件延寿预测问题, 首先, 提出了上下限两种异常畸变指标, 并给出灰色多指标延寿畸变预测模型的架构图和延寿预测示意图。其次，运用灰色系统方法分别构建了两阶段灰色预测模型, 在第一阶段构建了灰色上下限畸变预测模型, 得到下一次发生畸变的日期; 在第二阶段构建了GM(1, 1)模型, 对设备部件延寿以及上下限指标的异常值进行预测。同时，对模型的预测精度进行检验和分析, 并根据模型的预测结果确定了设备部件延寿的时间。最后，以半导体制造业设备靶材延寿为实际应用案例，验证了该模型的有效性和可行性, 为合理制定部件的最优维护更换时间以及对降低企业运维成本具有重要指导意义。

卫星天线展开机构装配工序复杂, 主要依赖人工装调, 装配过程中可靠性安全性风险因素众多且相互耦合, 直接影响天线装配质量和效率。为此, 提出一种基于贝叶斯网络的概率风险评价方法。首先, 在全面识别装配过程风险因素的基础上, 构建事件树模型, 并采用贝叶斯网络建立考虑人机环风险耦合的中间事件可靠性模型。然后, 采用人因可靠性等方法进行模型量化与不确定性分析, 并开展敏感性分析与风险重要度排序。最后, 以某型星载合成孔径雷达(synthetic aperture radar, SAR)天线展开机构为例, 说明了所提方法的工程适用性。该方法可为飞船、运载火箭等人机耦合系统的风险分析与量化提供一定的参考。

针对研制生产阶段的可靠性试验和评价方法并不能准确推断出复杂机载产品在真实服役环境下的可靠性，而且单一寿命分布模型如指数、正态、威布尔等也不能准确反映机载产品在复杂环境下的故障特征的问题，通过舰载机机群在服役过程中产生的故障数据，利用有限混合Gamma分布可以逼近任意概率分布的特性，根据不同样本容量分别构建了以均方误差和皮尔逊统计量为优化目标的优化模型。采用自适应权重粒子群优化算法对混合分支数和分布参数进行优化，从而获得产品的可靠性模型。研究结果可较好地表征产品故障的统计特征，为系统的可靠性评估、预防性维修周期优化等提供决策依据。