利用深度学习对声呐图像进行目标检测是近年来的研究热点, 然而声呐图像存在目标尺度分布集中、数据获取难等问题, 导致检测效果难以满足需求。针对该问题, 提出了一种基于可变尺度先验框的目标检测方法。首先, 考虑到声呐图像中目标的尺度分布具有其特殊性, 基于先验统计生成可变尺度先验框。其次, 为了解决声呐图像稀缺的难题, 采用数据增强的方法对训练集进行扩充。最后, 探索了模型的轻量化, 通过删减模型的大目标检测层, 在不降低模型精度的同时简化模型结构。为了评估算法的有效性, 以前视声呐图像为例进行了综合试验, 平均精度(mean average precision, mAP)@0.75和mAP@0.5:0.95分别达0.585和0.559, 较原Yolov5网络分别提升了5.8%和3.1%, 同时每秒10亿次浮点运算次数下降到14.9。结果表明，所提算法具有更高的精度和更轻量化的模型结构。

间歇收发用于辐射式仿真中可以有效解决收发信号互耦的问题, 但间歇收发会带来信号损失, 导致相位编码信号距离像出现高旁瓣。为了解决这一问题, 提出间歇收发互补序列设计方法, 给出了收发序列参数设计方法, 并对相位编码间歇收发回波进行重组拼接, 消除间歇收发导致的回波缺失, 获得了精确的目标距离像。仿真结果表明, 收发互补设计及回波重组拼接能够准确重构回波, 并且重构后互相关系数接近1, 验证了所提方法的可行性与正确性。

满足共轭先验性质的泊松多伯努利混合(Poisson multi-Bernoulli mixture, PMBM)滤波器将目标状态分为泊松和多伯努利混合两部分, 分别对这两部分进行预测和更新, 具有较高的跟踪精度和较快的运行速度。在多目标机动场景下, 使用单一模型不足以描述目标的运动, 将导致跟踪性能的下降。针对这一问题, 提出了一种交互多模型(interacting multiple model, IMM)PMBM滤波器, 充分利用模型之间的交互信息, 可以有效实现多机动目标的跟踪。同时, 该算法采用序贯蒙特卡罗(sequential Monte Carlo, SMC)方法实现PMBM滤波, 可应用于非线性场景。仿真结果表明, 所提的IMM-SMC-PMBM算法可以有效地在非线性环境下跟踪数目变化的多机动目标, 与IMM-SMC概率假设密度(probability hypothesis density, PHD)滤波器相比具有更好的跟踪精度和稳定性。

为了实现北斗B1C+B1I信号的联合生成，提出一种基于软件无线电和图形处理器(graphics processing unit, GPU)加速的北斗B1宽带复合信号的实时生成方法, 该方法针对单边带复数二进制偏移载波(single-sideband complex binary offset carrier, SCBOC)调制方式的信号体制进行设计, 系统根据用户配置的接收机运动轨迹和星历文件, 生成中频信号并通过射频端发射。为了进一步提升GPU并行运算速度, 从优化设备内存结构、设计并行线程架构和统一计算设备架构流(compute unified device architecture stream, CUDA)加速3个方面, 设计了基于异步运算的加速采样点数据计算的CUDA优化实现方案。测试结果证明, 优化后的算法可以基于SCBOC调制实时生成北斗B1I+B1C信号, 基于GTX3060的GPU平台, 信号90 M采样率下能实现8颗卫星复合信号的实时生成。

针对宽带相干信号下波达角和极化参数的联合估计问题, 提出了一种低复杂度的参数估计方法。首先, 通过轴向虚拟平移对圆阵接收信号进行平滑, 而后对平滑后的自相关矩阵进行聚焦。之后, 联合聚焦后的自协方差矩阵和平滑后的互协方差矩阵构造极化波达方向矩阵。然后, 通过该矩阵的特征值和特征向量, 经闭合式求解出入射信号的波达角和极化参数。所提算法实现了估计参数的自动配对, 无需谱峰搜索, 计算量小, 且仅需3个阵元即可实现参数估计, 能够节约硬件资源。仿真实验从复杂度、有效性和稳健性3个方面验证了所提算法的可行性。

雷达导引头采用动目标显示、边搜索边跟踪等抗干扰技术, 导致传统质心、冲淡、幕墙式箔条干扰方法干扰效能降低。对此，提出一种机动化箔条幕布放方法, 通过无人机和舰船协同布放箔条弹, 使幕墙能量质心随时间不断移动, 保证舰船在有效时间内成功逃离雷达波束。首先, 基于机动化箔条幕干扰机理, 构建箔条幕布放模型, 具体包括雷达导引头运动模型、舰船运动模型、箔条幕形态模型和箔条幕运动模型。随后, 根据机动化箔条幕模型求解特点, 确定采用布谷鸟搜索算法求取布放方案；据此提出总体求解思路, 并构建布放效能条件(目标函数与约束条件); 采用Logistic混沌机制改进布谷鸟搜索算法, 建立补弹策略。最终, 通过仿真案例对机动化箔条幕布放模型的有效性进行分析验证。结果表明, 与常规箔条幕布放方法相比, 机动化箔条幕布放方法能够有效减小舰船逃逸时间, 降低箔条弹消耗量, 同时具备较强的应对不同风速风向的能力。

针对分布式干扰机掩护目标突防雷达网背景下的干扰资源分配问题, 提出了一种引入随机密钥的改进离散模拟退火遗传算法(improved discrete simulated annealing genetic algorithm, IDSA-GA)对资源分配过程进行优化。基于雷达网融合检测概率构建干扰效果评估函数, 利用IDSA-GA对函数寻优求解。IDSA-GA在模拟退火遗传算法(simulated annealing genetic algorithm, SA-GA)的基础上引入随机密钥, 完成算法的离散化; 并在迭代的过程中增加记忆功能, 克服了过早收敛的现象。仿真结果表明, 与GA相比, 提出的IDSA-GA收敛迅速, 寻优能力强, 能有效解决干扰资源优化分配问题。

现有合成孔径雷达(synthetic aperture radar, SAR)舰船实例分割方法未实现掩模交互或交互性能有限, 导致检测精度较低。针对上述问题, 提出了一种基于掩模注意型交互(mask attention interaction, MAI)的SAR舰船实例分割方法MAI-Net。首先, MAI-Net使用了膨胀空间金字塔池化, 来获取多分辨率特征响应, 增强了对背景的鉴别能力。其次, MAI-Net使用了非局部注意力模块来抑制低价值信息, 实现了空间特征自注意。最后, MAI-Net提出了拼接混洗注意力模块来平衡不同特征图的贡献, 进一步提高了实例分割精度。在公开的像素级多边形分割SAR舰船检测数据集(polygon segmentation SAR ship detection dataset, PSeg-SSDD)上的实验结果表明, MAI-Net的SAR舰船实例分割精度高于现有其他11种对比模型, 实例分割精度达到61.1%, 高于次优模型1.5%。

针对合成孔径雷达(synthetic aperture radar, SAR)图像船舶目标尺度不一且易受海面、地面杂波和相干斑噪声的影响, 难以提取目标多维特征且特征融合过程中易产生语义歧义, 造成船舶目标检测率低, 虚警率高的问题, 提出一个基于全局位置信息和残差特征融合的SAR船舶目标检测算法。基于Faster区域卷积神经网络(region convolutional neural network, R-CNN)目标检测算法, 在特征提取网络和特征融合网络中进行改进: 在特征提取网络中使用高宽注意力机制提取目标在图像中的全局位置信息, 增强目标的多维特征提取能力; 在特征融合网络中使用带有残差连接的双向特征金字塔网络削弱特征融合过程中的语义歧义, 降低复杂背景下的船舶目标虚警率, 同时进行不同层级的多尺度特征双向融合, 增强高低层特征的联系, 提升多尺度船舶目标的检测能力。在SAR船舶数据集上达到98.2%的均值平均精度, 超过部分算法2.4%以上。实验表明, 所提算法有效提取了目标的多维特征, 显著缓解了语义歧义问题, 具有较好的检测能力和泛化能力。

冲激脉冲(impulse radio, IR)超宽带(ultra-wideband, UWB)穿墙雷达因其良好的穿透性和距离分辨率在穿墙人体行为识别领域具有重要作用, 但是常规识别方法仅采用单域特征对行为模式进行描述, 识别准确率不高。针对这一问题, 提出基于时频域特征融合的IR-UWB穿墙雷达人体行为识别算法。首先, 通过杂波抑制及距离补偿方法获取高信噪比的人体行为距离像。其次, 基于距离像提取目标时域特征, 与频域特征进行融合, 构建数据集。最后, 基于支持向量机(support vector machine, SVM)算法对人体行为进行识别。实验结果表明, 所提算法对于IR-UWB穿墙雷达人体行为识别能够达到95%的准确率。

在构建智慧控制, 万物互联的背景下, 通过手势远程控制设备, 进行人机交互逐渐成为研究热点。对此, 提出了一种以毫米波雷达为传感器, 采用基于纯自注意力机制模型实现手势识别的方法。首先, 采集正面视角的13类手势的时序回波数据。接着，对数据进行三维快速傅里叶变换(three-dimension fast Fourier transform, 3D-FFT)、动目标显示(moving target indication, MTI)、恒虚警率(constant false alarm rate, CFAR)检测操作并进行固定种类特征提取, 将这些特征传入基于纯自注意力机制网络的雷达特征变换(radar feature transformer, RFT)网络。最后, 基于实测数据完成了数据特征提取、网络训练、手势识别等步骤。实验结果表明, 所提方法在测试集上准确率达到95.38%, 网络训练时间短, 模型复杂度低, 泛化性好, 为现有研究提供了新的研究思路。

在无人机载、弹载综合电子应用领域, 基于传统分立器件设计的信号处理系统面临日益突显的资源受限问题。因此, 针对无人机载、弹载综合电子系统的多功能、小型化、高性能应用的迫切需求, 提出一种侦干探多功能一体化信号处理微系统集成设计技术。基于三维堆叠等先进封装技术, 将射频直采数模/模数转换器、可编程逻辑器件、处理器、大容量易失型存储器、非易失性存储器以及阻容等诸多元件进行共封装设计集成, 构成可同时完成侦察、干扰、探测功能信号处理的微系统, 并构建多功能应用场景, 完成软硬件测试验证。该微系统不仅在体积、重量、性能、集成度等方面具有一定优越性, 而且大大简化了信号处理系统的复杂电路设计, 更便于系统的标准化、通用化和软件化, 具有较大的应用前景。

本文面向阵列天线低副瓣的实际应用需求, 利用空时编码的思路设计加权矢量, 分别提出序贯快速傅里叶变换(fast Fourier transform, FFT)方法、约束方程计算方法和优化函数求解方法, 对应多脉冲低副瓣方向图综合时加权矢量时变、不变和奇偶交替变的3种不同工作模式。理论分析和仿真实验表明, 序贯FFT和约束方程计算方法均能实现超低副瓣方向图(优于-50 dB), 而优化函数求解方法在实现低副瓣的同时仍能保持方向图主瓣的良好性能, 避免了传统方向图综合方法无法同时兼顾主副瓣性能的缺点。另外, 从计算复杂度、随机幅相误差、干扰抑制等各方面综合分析了不同方法的优缺点, 可为实际阵列天线的工程应用提供理论指导和技术参考。

针对传统几何参数估计方法对成像质量要求较高, 对低信噪比、稀疏孔径的散射回波数据估计精度低的问题, 选择球头锥目标为研究对象, 提出了一种使用几何参数散射模型和正交匹配追踪(orthogonal matching pursuit, OMP)算法相结合的方法, 简化了计算过程, 提升了参数估计精度。该方法首先根据先验信息确定代估参数的取值范围, 并等间隔地在取值范围内设置参数网格, 再根据对应的参数值计算散射模型, 生成二维像, 之后通过OMP算法拟合回波信号的成像结果, 得到精确的几何参数估计值。所提方法实现了在原始回波数据质量较差的情况下，对球头锥类目标的几何参数精确估计与重构。

雷达程控捷变频行为具有一定的抗窄带瞄准式干扰能力, 同时能够实现测量和动目标指示等功能, 给干扰引导带来一定的困难。对此，提出随机频率模板的方法, 对雷达程控捷变频行为进行建模, 并设计了一种双胞循环神经网络识别程控捷变频行为。仿真实验结果表明, 双胞循环神经网络能够有效识别雷达程控捷变频行为, 并以一定的概率预测未来的频率序列, 能够有效地为窄带瞄准式干扰提供引导。仿真结果也表明, 所提网络能够有效记忆和识别一组非线性时间序列。

针对天基信息支援体系效能评估中存在的准确性与实时性无法兼顾的问题, 以体系仿真为基础, 提出一种基于离散事件仿真的效能评估模型构建方法。首先, 基于仿真工具建立离散事件仿真模型, 对体系的结构与运作流程进行模拟, 并基于仿真模型构建评估指标体系, 生成效能评估数据样本。之后, 利用深度学习对复杂映射的强大表现能力基于深度置信网络构建效能评估代理模型, 结合无监督预训练和有监督调优实现网络的训练和参数优化。最后, 对仿真生成的测试集样本进行评估模型验证实验。结果表明, 所提方法在计算快速的同时对原评估模型有很高的还原度。

面向地球同步轨道(geosynchronous Earth orbit, GEO)空间目标碎片清除、燃料加注等不同在轨服务需求, 研究了“固定储油站+往返航天器”相结合的航天器任务规划问题。首先, 建立了多任务混合的燃料最优双层任务规划模型, 外层为目标服务序列规划, 内层为轨道机动规划。随后, 针对该连续-离散混合变量组合优化问题, 提出了一种多种群混沌遗传算法(multi-group chaotic genetic algorithm, MGCGA), 采用混合编码表征决策变量, 引入立方混沌映射算子提高初始种群质量, 多种群及精英保留策略使得算法在求解过程中能更为显著地逼近全局最优解。最后, 参考实际GEO目标构建了典型算例, 规划结果表明所提算法具有全局收敛性好、收敛速度快的优点。

任务分配是无人机集群实现高效遂行作战任务的关键技术。随着无人机集群技术的发展和作战样式的转变, 无人机集群的作战任务领域不断拓展, 任务分配所涵盖的范围不断扩大, 任务分配问题的规模和复杂性不断增加, 这都对无人机集群任务分配技术提出了新的挑战。本文对无人机集群作战理论、任务分配建模、任务预\重分配算法、异构无人系统联合应用下任务分配的研究现状进行了全面的总结, 凝练了目前无人机集群任务分配技术面临的通用化建模、面向多任务的任务预分配算法最优解求解、有限时间下面向突发事件的任务重分配算法寻优、路径规划紧耦合下面向大规模异构无人系统的协同任务分配等问题, 并针对性地论述了未来无人机集群任务分配技术的若干发展方向, 为提升无人机集群任务分配的求解质量和求解速度提供新的研究思路和解决途径, 对于全面了解无人机集群任务分配技术具有重要参考意义。

为了度量底事件发生概率不确定性对顶事件的影响程度, 在建立故障树概率组成函数的基础上, 基于矩独立重要性测度提出了考虑底事件发生概率不确定性情况的故障树重要度分析方法。以某飞机结冰探测系统为例, 利用所提出的重要度方法分析了底事件发生概率不确定性对该系统故障的影响程度, 设计者可根据重要度结果更有针对性地开展分析与设计, 同时也验证了所提方法的合理性。

为提高无人机集群执行自组织区域覆盖任务成功率, 提出一种基于个体相互作用力、边界排斥力、重点区域吸引力3种虚拟力的分布式自组织覆盖算法。在此基础上, 进一步考虑无人机个体自身故障或毁伤等失效的影响, 将集群韧性指标纳入到覆盖关键阈值调节机制中。仿真实验结果表明, 该方法能有效使无人机集群对目标区域及重点区域进行覆盖, 且能在集群发生故障或遭受毁伤后迅速进行自组织恢复, 获得较高的任务成功率。

现代战争中, 跨平台武器单元的协同利用, 是合同编队体系的重要内容, 作战方式也正由平台级协同向着能力要素级协同转变, 这对武器目标分配问题的解决提出了更大挑战。本文将武器单元的最小划分单位细化到能力要素级, 以毁伤概率与成本消耗为优化目标, 面向多种来袭目标的编队防空场景, 提出了跨平台武器目标分配算法。同时, 基于混沌映射提出了混沌种群重构(chaotic population reconstruction, CPR)机制, 并结合带存档的自适应差分进化(adaptive differential evolution with optional external archive, JADE)算法提出了CPR-JADE算法, 利用CPR机制可以帮助算法在解决高维复杂约束问题时跳出局部最优。再将其运用到武器目标分配模型上, 实现了对模型的高效求解。最后, 通过在多种数据规模下与其他进化优化算法的仿真对比试验分析, 验证了所提方法的正确性与有效性。

针对航天器试验任务过程监控的在轨故障诊断状态检测、健康状态评估与航天器寿命预测等多个环节中, 海量试验数据在传输、共享、处理、分析、存储等过程中面临的巨大压力, 构建面向航天器多源异构数据管理的分布式大数据发布/订阅系统(big-data publish/subscribe system, BPSS)框架。借助大数据与云平台技术, 设计了一套航天器海量在轨试验数据传输、管理与缓存方案, 对云节点实现主从调控与弹性扩容, 并通过基于消息一致性的动态选举算法完成大规模发布/订阅任务, 保证数据传输的安全性、一致性与计算效率, 具备大数据订阅响应迅速、多源异构数据高吞吐稳定性、分布式组件部署灵活等优点。实地航天器数管实验结果表明, BPSS数据订阅的平均响应时延为0.05 s/GB, 同时在单日吞吐量达到85 GB量级时, 数据丢帧率控制在0.025%、数据破损率控制在0.018%, 与其他开源的发布/订阅系统相比具备一定竞争力。

针对复杂多任务下的异构无人机(unmanned aerial vehicle, UAV)集群分组调配问题, 提出一种基于改进K均值和延迟接受(deferred-acceptance, DA)算法的先聚类后匹配方法。在任务聚类分组环节, 通过离群点检测和固定初始聚类中心的方法来提高K-means聚类的精度, 并设计余量裕度下的分组均衡性调整策略, 在最优性的前提下提高分组的均衡性。在集群匹配分组环节, 改进了DA算法, 通过任务倾向的偏好列表快速生成预中选方案, 并设计两阶段冲突消除来保证匹配的稳定性和收敛性。仿真实验表明, 所提方法能够快速有效地解决复杂多任务下的UAV集群分组调配问题, 具备良好的最优性和时效性。

针对属性间相互关联, 评价信息为毕达哥拉斯犹豫模糊信息的多属性决策问题, 首先通过研究犹豫度对决策结果的影响, 提出一种新的毕达哥拉斯犹豫模糊集得分函数, 解决了现有得分函数中存在的不足。其次, 提出一种最小公倍数规范化原则, 解决了现有方法容易引入误差的缺陷。最后, 针对属性关联的多属性决策问题, 基于λ-模糊测度与Choquet积分, 提出了一种拓展交互式多准则决策(interative multi-criteria decision-making, TODIM)方法, 既解决了属性关联的问题, 又通过前景理论反映了决策者的心理行为特征。实例分析与敏感性分析验证了所提算法的正确性与有效性。

针对指挥信息系统历史状态样本有限的特点, 基于支持向量机(support vector machines, SVM)设计了一种面向不平衡数据的SVM增量学习方法。针对系统正常/异常状态样本不平衡的情况, 首先利用支持向量生成一部分新样本, 然后通过分带的思想逐带产生分布更加均匀的新样本以调节原样本集的不平衡比。针对系统监控实时性要求高且在运行过程中会有新样本不断加入的特点, 采用增量学习的方式对分类模型进行持续更新, 在放松KKT(Karush-Kuhn-Tucker)更新触发条件的基础上, 通过定义样本重要度并引入保留率和遗忘率的方式减少了增量学习过程中所需训练的样本数量。为了验证算法的有效性和优越性, 实验部分在真实系统中获得的数据集以及UCI数据集中3类6组不平衡数据集中与现有的算法进行了对比。结果表明, 所提算法能够有效实现对不平衡数据的增量学习, 从而满足指挥信息系统状态监控的需求。

面向对流层飞艇起降过程复杂、气象适应能力弱等特殊性, 传统基于文本的运行概念分析方法具有设计一致性较差、设计无法有效追溯、验证困难等局限性。基于此, 提出了基于模型的系统工程的对流层飞艇运行概念设计方法。首先, 建立系统用例与利益攸关者需求的关联关系, 保证了设计可追溯性。然后, 基于活动图、时序图与内部块图建立对流层飞艇运行场景模型, 详细梳理了飞艇运行的执行逻辑与外部交互关系。通过执行状态机对飞艇运行概念模型进行验证, 并进一步补充完善利益攸关者需求。最后，通过执行状态机验证了该无人飞艇系统能够满足任务飞行、飞行控制和应急情况响应等利益攸关者的需求。

针对装备试验鉴定领域数据复杂性带来的数据治理难题, 提出通过构建知识图谱辅助相关试验鉴定机构开展数据治理的技术思路。分析试验鉴定任务与领域数据特点, 在斯坦福本体构建流程的基础上, 设计了一种具有试验鉴定领域普适性的本体构建方法。基于该方法构建的知识图谱本体模型, 具有明确的业务针对性与体系拓展性。最后，通过典型示例验证了该方法构建知识图谱, 对试验鉴定领域数据治理工作具有一定的支持能力。

针对无人机(unmanned aerial vehicles, UAVs)在编队形成过程中节省能量的问题, 提出一种具有模糊约束的分布式模型预测控制算法。首先, 用模糊数学理论把僚机相对长机的状态误差空间划分成多个模糊集, 根据各僚机的状态误差设计速度和航向角指令的模糊约束; 其次, 把各僚机相对长机的模糊约束作为自身在分布式模型预测控制算法中的约束条件, 以降低速度和航向角的变化幅度, 使UAV在编队控制中节省能量; 最后, 与无模糊约束的分布式模型预测控制算法对比仿真。统计结果表明, 该方法可缩减飞行路程、减小速度与航向角的变化累计值, 起到节省能量的效果。

为了解决传统模糊评价模型在船舶风险评估中多仅适用远距离场景, 以及缺乏考虑《国际海上避碰规则》(International Regulations for Collision Avoidance at Sea, COLREGs)等问题, 提出一种改进的模糊评价法, 用于计算水面无人艇(unmanned surface vessel, USV)的碰撞危险度。该方法采用四元船舶领域确定模型中的安全距离, 并通过行动域模型明确模型中碰撞威胁距离。同时, 将两船是否构成紧迫危险局面引入到碰撞危险度的计算中。实验结果表明, 改进后的方法能够适用于近距离水域的USV碰撞危险度计算, 同时满足COLREGs的要求和航海避碰实际情况。

针对考虑弹性振动、模型不确定干扰下的垂直起降运载器姿态稳定问题, 将鲁棒观测器和深度强化学习中的近端策略优化算法相结合, 研究了一种基于鲁棒观测器的近端策略优化(robust observer-based proximal policy optimization, ROB-PPO)方法。该方法设计鲁棒观测器重构受弹性振动干扰的运载器姿态信息, 将鲁棒观测器与运载器动力学模型组成环境, 将鲁棒观测器得到的重构姿态作为深度强化学习算法的状态, 使得深度强化学习智能体与之不断交互, 从而训练智能体控制运载器姿态稳定。仿真结果表明, 所研究的ROB-PPO算法相较于目前常用的自适应模糊比例-积分-微分(proportional-integral-derivative, PID)算法鲁棒性更强, 收敛速度更快。最后, 在自主研制的垂直起降运载器上验证了所提出算法有效性。

针对编队卫星的空间在轨服务任务, 提出一种多类载荷异构星群的协同操作方案。首先, 考虑星间自主通信, 建立了由一颗主故障识别的观测卫星和多颗主维修补给的操作卫星构成的编队系统。其次, 提出一种基于循环交替策略的多星协同轨迹规划方法, 并基于差分进化算法优化了星群轨迹。最后, 结合算例仿真, 分析了系统内各成员卫星在编队控制过程中所需的脉冲大小以及编队系统整体的安全性能。仿真结果表明, 异构编队系统可快速规划出安全性较高、鲁棒性较强的在轨服务轨迹, 具有一定的工程应用价值。

针对具有通信带宽受限的无尾翼飞机姿态跟踪控制问题, 考虑模型不确定、外部扰动及执行器故障的影响, 提出一种基于事件触发采样与自适应的容错姿态控制方法。首先, 在无尾翼飞机六自由度动力学与运动学模型基础上建立了面向控制的姿态控制模型。通过引入事件触发机制成功降低了控制器与执行器通道之间通信频率, 缓解了总线的通信压力同时避免了Zeno现象的发生。然后, 通过自适应的有界估计成功补偿了执行器故障及事件触发引起的采样误差的影响。最后, 基于Lyapunov稳定性分析证明了所提出的控制方法能够保证系统所有信号一致最终有界。数值仿真结果表明, 所提出的控制方法能够有效降低控制器的更新频率, 同时实现无尾翼飞机姿态对于控制指令的跟踪。

组合导航系统的姿态失准角与垂线偏差(deviation of vertical, DOV)存在对应关系, 通过对姿态失准角的观测是实现DOV测量的一种有效手段。本文基于车载捷联惯性导航系统/里程计(strapdown inertial navigation system/odometer, SINS/OD)组合导航姿态失准角观测及失准角误差的递推提出一种DOV测量方法。首先, 从组合导航速度误差方程出发, 推导出DOV与姿态失准角之间存在复杂的耦合关系。然后, 通过沿路径迭代递推的分步计算方法, 由导航过程中的姿态失准角直接获取沿线的DOV。最后, 仿真结果验证了该算法的有效性, 且表明测量精度与行驶路径的长度有关。实验表明, 行驶里程35 km的机动路径上DOV误差均值小于0.3″, 终点处单点测量误差小于0.7″。

针对四旋翼无人机姿态控制中存在空气动力学特性复杂, 易受干扰的特性, 提出一种基于非线性扩张状态观测器(nonlinear extended state observer, NESO)和低频干扰补偿器(low-frequency disturbance compensator, LFDC)的非奇异快速终端滑模控制方法。该方法内环设计了NESO和LFDC结合, 以获得干扰补偿值并补偿总干扰的低频分量。在外环设计了跟踪微分器和可变切换增益的非奇异快速终端滑模控制器, 用于补偿虚拟干扰估计值的误差和总干扰的高频分量。仿真结果表明, 该控制方法可以更好地估计总干扰的低频和高频分量, 减少虚拟干扰估计值的误差对四旋翼无人机姿态控制的影响, 并提升响应速度。

针对高超声速飞行器跟踪控制存在控制相对阶较高、过程状态约束强等问题，提出基于微分平坦的高超声速飞行器跟踪控制和外环跟踪控制方法, 避免串级自抗扰控制(active disturbance rejection control, ADRC)等控制方法带来的鲁棒性问题, 微分平坦将过程状态和控制输入映射为关于平坦输出的函数, 在模型线性化的同时实现了轨迹规划的约束降维。针对不确定性较强的姿控内环, 搭配ADRC从而避免微分高阶模型推导下的微分爆炸问题, ADRC不依赖于精确模型信息, 提升了控制系统鲁棒性。仿真结果表明, 微分平坦和ADRC互补对方缺陷, 具有良好的控制性能和鲁棒性。

自适应混合自动重传请求(hybrid automatic repeat request, HARQ)系统的性能与每次传输中的调制与编码方案(modulation and coding scheme, MCS)、发送功率选择密切相关, 通过优化重传时的MCS及发送功率可以提升HARQ系统的吞吐率并降低能耗。由于不同MCS传输合并后的译码性能没有闭式解, 这导致自适应HARQ优化问题不易解决。首先基于译码的判决域半径给出了一种HARQ合并后译码错误率的近似公式, 进而提出了多种能权衡吞吐率和能耗性能的自适应HARQ优化策略。仿真结果验证了所提错误率估计方法的可靠性以及所提自适应HARQ的性能。与传统HARQ方案相比, 所提方案能同时提高吞吐率、降低能耗, 实现更好的吞吐率与能耗的性能折中。

传统基于硬件的水声传感器网络(underwater acoustic sensor networks, UASNs)架构灵活性及可控性较差, 难以满足水下多样化监测任务的需求。针对此问题, 提出基于边缘计算的水下软件定义监测网络架构, 并提出一种多级协同水下监测机制。该架构通过主从控制器将集中式云处理任务部署至边缘端, 并对网络进行分级控制。该机制首先通过低轨遥感卫星进行大范围海洋监测, 其次进行小范围监测, 数据经原位处理及边缘处理后上传至水面进行分析, 最后进行水下联合监测。仿真结果表明, 所提出的监测架构和监测机制可降低异常数据处理时间成本和网络开销, 在不同场景下的端到端延迟、网络能耗和包投递率方面都有良好的表现, 提高了监测架构的灵活性。

使用基于深度学习的室内波束选择方法可以显著提高波束匹配概率和搜索效率, 但该方法需要大型数据集来调整其大量可训练参数, 导致了额外的系统开销。针对这一不足, 结合一种迁移学习技术, 使得目标场景神经网络以小数据集方式获得与大数据集相近的匹配精度, 从而减小基于深度学习的波束选择方法中数据集大小对匹配结果产生的影响。首先使用大型数据集在一个源场景中对源神经网络进行充分训练, 使得网络参数能够充分包含信道状态信息以及环境信息; 而后利用源神经网络参数对目标场景中的神经网络进行不同程度初始化, 使该神经网络在经过小数据集训练后依然可以获得较好的波束匹配性能。仿真结果表明, 针对室内波束选择场景, 在数据集有限的情况下, 使用迁移学习方法进行波束选择, 同样可以获得较高的匹配精度。

非正交多址接入(non-orthogonal multiple access, NOMA)技术的广泛应用改变了传统物理层安全对用户传输速率的限制, 在降低时延的同时会引起系统能耗增加。针对安全通信与降低能耗问题, 提出一种基于混合协作NOMA的安全边缘计算传输方法。该方法对每个用户数据处理过程设计了多时隙混合协作方案, 根据不同用户的信道条件分别设置卸载决策, 保证用户间公平, 并推导出系统保密中断概率的闭合表达式。然后以最小化系统能耗为目标, 采用基于块坐标下降的三步迭代优化算法求得最优卸载方案。仿真结果显示, 所提出的传输方法能在保证信息安全的条件下有效地减少系统能耗。

为了提高置换索引差分混沌移位键控系统的数据传输速率和能量效率, 提出了高速置换索引差分混沌移位键控通信系统。该系统采用置换矩阵索引多元信息, 并携带一个调制位。发射端将参考信号复制P次作为信息承载信号, 通过希尔伯特变换, 每个信息时隙中多传输N个用户的信息, 将信号级联到正交频分复用系统进行正交载波调制, 大大提高了系统的数据传输速率; 同时推导了该系统在高斯白噪声信道和多径瑞利衰落信道下的误码率表达式。理论分析及仿真结果证明, 该系统相比其他置换索引类系统具有高速率、低误码率的良好特性, 有更好的应用前景。