高光谱图像快速Gram行列式端元提取算法基于高光谱图像最大单形体体积标准,具有容易理解、算法复杂度低、无需降维处理等特点,但是其在进行端元提取时,采用的计算公式仍需进行矩阵求逆,随着端元的逐个求解,矩阵维数增多导致计算量增加。由于端元提取时获得的端元Gram矩阵满足对称特性,引入埃尔米特矩阵(Hermitian matrix)分块求逆引理,简化矩阵求逆处理,优化快速Gram行列式端元提取方法。采用美国Cuprite矿区的机载可见光/红外成像光谱仪(airborne visible/infrared imaging spectrometer,AVIRIS)机载高光谱图像进行实验验证,并对该方法在不同初始化条件下的求解结果进行分析,结果表明快速Gram行列式端元提取方法会受到初始条件的影响,在端元、像元数量增加时所提方法可提升计算效率。

针对高光谱图像(hyperspectral images,HSI)中缺损像元及条带影响图像后续处理及应用的问题,应用稀疏表示理论,将HSI修复问题建模为不完整观测下的信号稀疏重建问题,提出自适应稀疏编码实现的HSI修复算法。首先,对加性噪声假设下的HSI观测模型进行研究。然后,通过引入基于随机近似的在线学习优化方法,提出新的从高光谱数据中直接构造字典的算法,从而获取光谱字典。之后,应用变量分解和增广拉格朗日稀疏回归方法对图像进行稀疏编码求解。最后通过稀疏重构求得修复后的HSI。实验结果表明,相对于现有算法,在不同噪声条件下,所提算法均能够更有效地修复缺损的HSI,且与其他字典学习类修复算法相比计算耗时更短。

为了提高稀疏最小二乘支持向量机对高维、异构数据的泛化性能,提出新型的基于压缩感知的稀疏多核最小二乘支持向量机算法。首先根据压缩感知理论,用正交匹配追踪算法对最小二乘支持向量机的支持向量进行稀疏化,再利用线性多核扩展法求出新的核函数矩阵。将新的核矩阵应用到最小二乘支持向量机,得到稀疏多核最小二乘支持向量机的解,用稀疏的支持向量实现函数回归。理论分析与数据实验对比结果表明该模型对于高维、异构数据能够更快更准确地进行训练,大大提高了模型的泛化能力和运算速度。

线性预测是时间序列分析中常用方法,针对传统一维线性预测谱估计算法只能估计信号源角度或信号频率问题,提出空时二维线性预测算法。采取对空时二维阵列接收到的数据进行数据抽取和排列,和对数据协方差矩阵进行重新构造的方法,求取空时二维线性预测权值并进行谱峰搜索。重点分析了空时二维的前向预测、后向预测和双向预测算法的原理,着重研究了构造的空时二维线性预测协方差矩阵的数据结构,讨论了前向、后向和双向预测的相互关系以及二维与一维的关系,并与空时二维最小方差算法、空时二维多重信号分类(multiple signal classification, MUSIC)算法进行了对比与分析。理论分析与仿真表明,一维空域、一维时域算法的前向、后向和双向预测为空时二维预测算法的特例,同时空时二维预测算法不仅克服了空时二维最小方差算法、空时二维MUSIC算法不能解相干信号源的缺点,还具有很好的测向测频能力。

针对现有的分层卷积特征跟踪算法在遭遇多种复杂环境时会发生跟踪失败的问题,提出一种空间注意机制下的自适应目标跟踪算法。在跟踪的过程中,根据当前帧的颜色直方图基于贝叶斯分类器建立空间注意机制,在提取VGGNet19中多层卷积特征后分别与空间注意图进行融合,从而构建稳健的目标表观模型。之后利用学习到的相关滤波器得到各响应值,通过加权求和准则求出最终响应,同时利用帧差法调整学习速率,最终实现自适应的目标跟踪。实验结果表明,所提算法在大多数复杂环境下的跟踪准确度和鲁棒性均优于现有的跟踪算法。

为了改善遥感图像超分辨重建(super-resolution reconstruction,SRR)效果,针对以往仅适用于单特征空间的稀疏字典超分辨算法,提出同时适用于两个特征空间的双参数Beta过程联合字典(Beta process joint dictionary,BPJD)遥感图像SRR方法。首先,根据遥感图像退化模型生成训练样本图像,并分别对高、低分辨率图像进行分块和Gibbs采样,生成字典训练样本。然后,依据BPJD,建立连接高、低分辨率遥感图像空间的双参数联合稀疏字典,将字典稀疏系数分解为系数权值和字典原子的乘积,依据字典原子指标训练和更新字典,得到高低分辨率联合字典映射矩阵。最后,进行遥感图像超分辨稀疏重构。实验结果表明:所提方法可自适应地缩小字典尺寸,能以更小尺寸的稀疏字典重建更高质量的超分辨遥感图像,重建结果图像的纹理细节信息更丰富,峰值信噪比和结构相似性度均有提高。

重叠选择性映射(overlapped selected mapping, OSLM)是用于降低基于交错正交幅度调制的正交频分复用系统(offset quadrature modulation/orthogonal frequency division multiplexing, OQAM/OFDM)峰均比(peak-to-average ratio,PAPR)的技术。在对传统OSLM方法进行分析的基础上,为了进一步降低系统的PAPR,针对其在传输过程中需要耗费额外频谱来传递边带信息的问题,提出了改进的OSLM方法。该方法通过改变特定位置相位旋转因子的模值,从而在接收端确定边带信息,节省了OQAM/OFDM系统中的频谱资源,进而降低了系统的PAPR。仿真结果表明,在相同信道且子载波数量较多的条件下,该方法能够进一步降低系统的PAPR,同时又不会导致误比特率明显提升。

宽带相控阵雷达可以获得高分辨距离像,利用此特征获取目标的姿态角成为了一种可能,基于此提出了一种新的机动目标跟踪算法,充分利用高分辨距离像特征,实时估计目标姿态角,并将姿态角信息融合到雷达的量测方程,本文结合先进的非线性滤波算法,提出了利用姿态角的交互多模型不敏卡尔曼滤波算法。通过计算机仿真表明,利用目标姿态角的机动目标跟踪算法相比传统算法目标跟踪精度(位置精度和速度精度)得到很大提高。同时姿态角误差越小,目标跟踪性能越好。

以复杂电磁环境下双隐身飞机自卫相参干扰对抗单脉冲雷达为研究背景,针对单脉冲雷达角欺骗问题,提出了远距离多假目标干扰下双隐身飞机自卫相参干扰模型。首先构建双隐身飞机姿态敏感性模型,提取即时雷达散射截面序列,依据目标回波与干扰信号对应关系,建立复合等效信干比模型。在此基础上,采用脱靶与有效干扰最小即时距离对双机干扰模式下雷达角跟踪误差形成评判指标。仿真表明，该组网干扰模式使雷达角跟踪误差提高696.49倍,比单一干扰模式使单脉冲雷达角跟踪误差平均提高1.07倍,检验了组网复合相参干扰样式的有效性。

针对雷达自动目标识别中的高分辨距离像(high resolution range profile,HRRP)识别问题,提出自适应进化粒子群(adaptive evolution particle swarm optimization, AEPSO)算法优化支持向量机(support vector machine,SVM)的目标分类识别方法。该算法利用非线性自适应惯性权重的调整以适应粒子寻优的非线性变化过程,采用分阶段调节加速因子增强粒子在进化过程中的学习能力,通过引入局部搜索算子在增加粒子多样性的同时有效避免了粒子陷入局部最优陷阱。通过改进的PSO算法优化SVM参数,建立分类识别器模型。将该AEPSO-SVM模型应用到雷达HRRP目标识别中,实验结果表明,该算法对于高分辨雷达目标识别精度高、鲁棒性强。

针对传统合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测算法检测精度易受斑点噪声影响,且只能提取底层特征及其泛化性较差的问题,提出了一种基于深度卷积神经网络的SAR图像舰船目标检测算法。首先将目前先进的单次多盒检测器(single shot multibox detector,SSD)检测算法应用到SAR图像舰船目标检测领域,指出了其在该领域存在的局限性,在此基础上提出了基于SSD的新的检测方法,包括融合上下文信息,迁移模型学习,在公开的SSDD数据集上进行了训练和测试,对实验结果进行了对比分析,实验结果表明,相比于原始的SSD检测算法,所提出的方法不仅提高了目标检测精度,同时也保证了算法的检测效率。

针对复杂电磁环境下利用人工提取特征识别雷达信号存在的主观性强、特征冗余的问题,提出了一种基于深层卷积神经网络的识别方法。该方法首先提取雷达信号的双谱信息作为深层卷积神经网络模型的输入,然后利用模型的自学习能力提取深层特征,实现对不同调制样式雷达信号的识别,最后对不同结构网络模型的识别结果进行对比。仿真实验结果表明,相比传统雷达信号识别方法,该方法对于不同调制类型信号的识别效果优异,并且在识别率、抗噪性上都有所提升。

工程弹性系统(engineered resilient system,ERS)是美国国防部(department of defense,DOD)应对越来越不确定的任务和环境而提出的未来国防系统发展战略,对复杂系统的工程实践与系统弹性理论都带来新的挑战。首先,对ERS提出的背景和相关概念进行介绍,重点对美国国防领域对ERS的一些观点进行分析,包括ERS的关键属性、弹性工程与现役系统关系、ERS设计中考虑的因素和ERS与系统工程的关系等,并对美国DOD优先立项的ERS项目研究进展进行了的研究。其次,对弹性相关的学术研究进行了述评,包括不同领域中弹性的概念、系统弹性不同的评价方法以及系统弹性设计方法,以便于对ERS的发展有一个较为全面的了解和借鉴。最后,在ERS发展研究基础上,从理论和应用角度对ERS和系统弹性理论面临的挑战进行了讨论。

为构建与飞行任务需求匹配的飞机系统功能架构,在民机系统概念设计阶段引入基于模型的系统工程(model-based systems engineering,MBSE)的改进方法,明确了MBSE的民机系统关键功能架构的正向设计过程。以民机典型任务场景“应急复飞”作为研究案例。通过辨识典型民机的功能需求,构建基于人机联合仿真实验的功能需求架构,记录需求的确认过程,实现捕获需求的功能黑盒解白,并利用MBSE架构中功能状态机仿真验证需求的完备性与合理性,最终确保功能设计阶段捕获功能需求过程的可追溯性。可应用于以航空器为代表的复杂系统,能将客户的模糊需求转化为可应用工程实践方法加以验证的具体功能,完善系统功能架构,满足高层级的技术需求。

以一体化综合防空系统中的雷达为作战对象,从体系对抗的高度研究了无人机集群网电攻击行动协同目标分配的思路与方法,并以目标重分配规则与有人机/无人机协同规则为重点构建了基于协同目标分配规则的协同目标分配模型。然后研究了基于智能优化算法的协同目标分配模型求解方法,运用混合离散粒子群优化算法模拟有人机目标分配,运用基于协议规则算法模拟无人机目标分配。最后进行了仿真实验测试,实验结果证明了协同目标分配模型的有效性,并反映了集群自组网状态对于集群作战效能的重大影响,为无人机集群以及反无人机集群的战法设计提供定量依据。

针对无人水面艇(unmanned surface vessel, USV)集群在路径规划中的协同避碰问题,提出了基于滚动优化策略结合粒子群优化算法的USV集群协同避碰方法。首先,通过已有雷达、光电等传感器参数指标建立综合视域模型;其次,采取基于正切函数的惯性权重调整结合线性调整学习因子的方法来提高粒子群优化算法的全局搜索能力,同时,在适应度函数中加入转艏角控制来提高路径的平滑性;最后,利用改进后的粒子群优化算法规划出每个综合视域内的路径。仿真实验结果表明,该优化算法能实现USV集群的实时避碰,并快速为USV集群规划出平滑、安全的全局最优无避碰路径。

针对航空集群执行未知区域的协同搜索任务,提出一种分布式模型预测控制(distributed model predictive control,DMPC)下的贪婪迭代决策方法。该方法首先建立航空集群飞行器的运动模型,对其运动特性进行分析,而后采用搜索信息图模型,描述未知环境下动态目标随搜索过程变化的变化趋势；再用马尔可夫链表征目标隐潜运动,对其进行预测；最后在DMPC的基础上,采用随机决策序列下的贪婪迭代算法进行问题求解。并对所提方法的稳定性和收敛性进行分析。同时通过设计仿真实验,验证了该方法的可行性和优越性。

针对响应共变特性的稳健参数设计问题,在多任务高斯过程(multi-task Gaussian processes,MTGP)建模框架下,结合质量损失函数和考虑响应不确定性的优化函数构建了一个考虑输出响应不确定性的MTGP(uncertainty of MTGP,UNMTGP)优化模型。首先,利用MTGP模型拟合实验数据,构建考虑响应间共变特性对优化结果影响的多元高斯模型。其次,提出考虑输出响应不确定性的优化目标函数,构建多响应稳健优化模型。最后,结合全局优化方法,获得最优参数设计。此外,结合真实案例,利用质量损失函数的相关评价指标,论证所提方法的有效性。结果表明,所提方法考虑了响应共变特性和输出响应不确定性对优化结果的影响,有效改善了模型的预测质量,提升了输出响应的稳健性。

针对舰船质量监督过程中组织结构设置的不足,首先提出了基于任务的组织结构动态选择策略,通过动态选择与调整组织结构,最大限度地发挥其整体优势,实现任务和人员的优化配置;其次,综合运用二元语义和不确定语言短语优势度的基本原理与算法提出了舰船质量监督组织结构选择方法,通过影响因素初步筛选和组织结构评价两个过程,有效解决了组织结构选择影响因素多、随任务变化大的问题,提高了组织结构选择的准确性;最后,通过算例说明了实用性。

针对属性权重和专家权重全部未知的三角模糊数(triangular fuzzy number,TFN)多属性群决策问题,在TFN熵的基础上构造了确信度指标来量化对决策信息的信任程度,构建了TFN确信度(TFN certitude degree,TFNCD)算子,并证明了其置换不变性、幂等性和有界性等性质,结合支持度确定专家权重,提出了基于TFNCD算子的属性信息集结新方法。最后,通过算例的对比分析验证了TFNCD算子及其集结方法的有效性,该方法充分考虑了TFN类型的数据特征和两种权重完全未知的情况,且属性信息集结更加客观高效,计算相对简便,为TFN多属性决策问题提供了新的信息集结方式和解决思路。

讨论了临近空间轴对称高超声速机动飞行器的跟踪及弹道预测问题。通过引入3个与气动力参数相关的状态变量,建立起一种非线性机动模型,并证明了基于该模型的非线性跟踪系统的可观性。针对此非线性跟踪系统,设计了扩展卡尔曼滤波器以及状态预报器,实现弹道跟踪和预测。仿真结果表明,对于临近空间飞行器在巡航末段的运动状态,采用所提出的机动模型,可以取得优良的跟踪和预测效果。

为了提高传统车载捷联惯导在晃动基座下短时间内对准精度和抗干扰能力,提出一种基于惯性系多矢量粗对准与旋转调制最优估计精对准相结合的初始对准方法。阐述惯性系对准原理,对比分析惯性系双矢量和多矢量对准特点,建立最优估计精对准滤波模型,研究旋转调制误差抑制机理。通过仿真实验验证:惯性系对准能够克服基座角晃动影响,受线振动干扰影响较大,惯性系多矢量相比双矢量对准更加充分利用量测矢量信息,对准性能更好;旋转调制能够抑制水平器件误差影响,相比单位置对准能够得到更高的对准精度。

针对非合作条件下的无人机自主防相撞控制问题,在分析无人机与入侵飞机在三维空间几何关系的基础上,提出并证明了相撞冲突判决准则,定义最小间隔和剩余冲突消解时间衡量无人机与多入侵飞行器间的冲突紧急程度,建立了无人机自主防撞最优控制模型。基于非线性模型预测控制方法建立三维空间无人机自主防撞控制算法,运用剪枝搜索方法提高算法求解时效性。仿真实验表明,所提算法实现多无人机高动态环境下的防撞控制,能够有效降低无人机飞行安全威胁。

针对具有参数跳变的非线性系统,联合聚类算法和神经网络提出新的多模型自适应控制方法。首先对系统的输入输出数据进行模糊聚类,然后基于递推最小二乘法建立多个固定模型。为提高系统的暂态性能,同时建立两个自适应模型,并在此基础上设计鲁棒自适应控制器。此外,为了补偿系统的非线性部分,建立非线性预测模型,并设计非线性神经网络自适应控制器。所提方法可使控制切换系统具有稳定性保证。最后,通过性能指标对控制器进行平滑切换。仿真结果表明,所提方法能够保证系统具有良好的控制性能。

针对存在主用户模拟攻击(primary user emulation attack, PUEA)下的频谱感知问题,提出了一种基于攻击强度阈值(attack-aware threshold, ART)的协作频谱感知方法。该方法首先建立了存在PUEA的网络模型,然后分析4种状态下协作频谱感知的特点,采用检测统计量的一阶和二阶矩估计出PUEA攻击的概率,最后以总误差概率为目标函数,求出不同攻击强度下的最佳门限阈值,并通过ART方法完成在不同攻击强度下的协作频谱感知。仿真实验表明,该方法能够估计恶意信号出现的概率,有效减少频谱感知总误差概率,提高整个网络的频谱感知性能。

针对当前通信系统所采用的主要调制方式,提出了一种基于卷积神经网络和稀疏滤波的调制识别方法。首先,分析了利用信号循环谱二维灰度图进行通信信号调制识别的可行性;然后,通过降采样和裁剪技术对循环谱图预处理;最后,设计了深度卷积神经网络架构,并提出了稀疏滤波预训练的方法。仿真结果表明:相比于经典的基于深度学习的调制识别方法,该方法模型简单,优化量少,且在小样本场景下性能最佳,具有很高应用价值。

自动调制分类是确保通信安全、可靠的关键技术之一。在低信噪比(low signal-to-noise ratio, Low-SNR)环境中,自动调制分类识别率低且识别类型受限。利用零均值高斯白噪声(white Gaussian noise,WGN)的高阶累积量理论值等于0的性质,在信号分析过程中,引入高阶累积量,可使系统免受WGN的影响。同时,引入深度学习网络结构完成微弱特征的表征,可有效解决调制方式受限及Low-SNR情况下的识别率下降问题。实验结果表明,所提方法在高斯信道环境下的分类精度比现有方法要高,在Low-SNR的不同信道环境下有较高的识别率,且使模型在时间、相位和频率偏移量方面具有更好的鲁棒性。

为对抗无线传感器网络中存在的强针对性的智能型干扰攻击,基于多种扩频技术提出了一种混合跳频扩频、非协调直接序列扩频以及非协调跳频扩频的抗干扰攻击方法。为解决传统扩频技术需要提前共享密钥的限制,在网络初始化阶段使用非协调跳频扩频进行网络通信;为避免持续使用非协调扩频跳频带来的高能量消耗问题,发送节点与接收节点在非协调扩频跳频模式下生成跳频序列,即可进行传统跳频扩频;通过非协调直接序列扩频技术进一步增强对抗干扰攻击的性能;使用OPNET并基于多种干扰攻击模型进行网络仿真,评估所提出的混合抗干扰攻击方法的性能。仿真结果表明,在环境恶劣情况下,并受到强针对性的智能型干扰攻击时,网络仍能保持较低的丢包率,故所提出的混合抗干扰攻击方法能有效地抵抗无线传感器网络中的干扰攻击。

在分析复杂航天多阶段任务系统特征和应用传统可靠性分析技术存在的主要问题基础上,简要介绍了概率风险评价(probabilistic risk assessment,PRA)技术,详细说明了PRA综合建模、分析评估和结果分析过程。以某型月球探测器移动分系统为例,进行了PRA技术的工程应用。应用结果表明,PRA技术具有良好的工程适用性,在得到任务可靠性分析结果的同时,能够通过风险重要度排序确定可靠性薄弱环节,支持工程进行针对性的设计改进。