针对无源电磁调控中目标模拟样式单一且灵活性欠缺的问题，利用有源频率选择表面(active frequency selective surface, AFSS)电磁散射特性可调且不主动辐射电磁波的特性, 提出了一种AFSS反射器电磁散射状态切换的双脉冲周期间歇调制方法。构建了AFSS反射器的双脉冲周期间歇调制信号模型, 分析了调制信号的特点。通过理论推导, 研究了AFSS反射器对雷达线性调频信号回波匹配滤波结果的影响。最后进行了仿真验证, 结果证明了所提方法的有效性和可行性。该方法增加了控制参数维度, 调制样式更为丰富, 应用于雷达目标模拟时可以提高其可变性和灵活性。

针对现有基于机器学习的雷达有源干扰分类大多需要构建人工特征集且小样本情况下分类精度低的问题, 提出一种基于多通道特征融合的集成卷积神经网络(convolutional neural network, CNN)分类方法。首先, 建立多种有源干扰的数学模型, 仿真并利用短时傅里叶变换获得其时频分布图; 其次, 提取时频分布图的实部、虚部和模值三通道特征, 通过多种特征组合方式建立不同特征组合的样本集; 最终, 构建以CNN为基分类器的集成深度学习模型, 每个CNN分别提取不同样本集的特征, 对所有基分类器的预测结果做多数投票得到集成模型的整体预测结果。实验表明, 该方法能够有效实现小样本情况下多类有源干扰的高精度智能化识别。

标准广义标签多伯努利算法没有对目标状态转移密度进行深入分析, 在带入确定运动模型的情况下无法对机动目标进行跟踪。针对这个问题, 参考基于马尔可夫跳变分支合并策略的多模型算法, 提出了交互多模型广义标签多伯努利算法、一阶广义伪贝叶斯广义标签多伯努利算法, 以及二阶广义伪贝叶斯广义标签多伯努利算法, 并将这三种多模型算法与同样针对机动多目标的马尔可夫跳变系统广义标签多伯努利算法进行比较。仿真结果表明, 与马尔可夫跳变系统广义标签多伯努利算法相比, 所提三种算法具有更低的计算时间消耗和更高的跟踪精度。其中, 一阶广义伪贝叶斯广义标签多伯努利算法计算时间消耗最低, 二阶广义伪贝叶斯广义标签多伯努利算法跟踪精度最高, 交互多模型广义标签多伯努利算法综合性能最好。

针对电子对抗领域中侦察干扰一体化的应用需求以及对宽、窄带雷达的作战需求, 提出了一种基于数字收发信道化和数字并行上下变频结构的双模侦察干扰一体化架构。重点研究了无盲区50%重叠收发信道化的实现原理; 并建立了仿真模型, 评估了其对宽窄带信号的重构能力, 在此基础上得出了两种模式协同工作的策略和依据。通过双模协同工作, 不仅可实现对不同带宽信号的参数测量, 还能自适应地进行数字储频并重构高线性度、低杂散的干扰信号。

针对线性调频信号在距离单元内的回波采样点与目标点失配, 即采样失配的情况下, 自适应脉冲压缩性能下降的问题, 对快速自适应脉冲压缩(fast adaptive pulse compression, FAPC)方法进行改进, 提出一种基于线性约束最小方差(linearly constrained minimum variance, LCMV)原则的连续分块FAPC (contiguous block FAPC, CFAPC)方法。该方法将自适应波束形成方法类比到自适应脉冲压缩滤波方法中, 首先在最小方差无畸变响应(minimum variance distortionless response, MVDR)原则保持增益的前提下增加零点约束条件, 加宽零点凹口的宽度; 而后对分块的协方差矩阵设置置零条件, 抑制旁瓣能量, 实现在采样失配情况下保持稳健的目的。实验结果表明, 在脉内多普勒频移和采样失配同时存在的情况下, 所提方法可以更好地抑制目标的距离旁瓣, 具有较好的稳健性。

针对光学遥感图像中近岸舰船目标检测干扰大、虚警率高的问题, 在基于包围框边缘感知向量(box boundary-aware vectors, BBAVectors)检测网络的基础上提出了改进方法。首先在特征融合网络后加入一个有监督的注意力模块来增强目标区域信息, 削弱无关背景信息干扰; 然后利用边界感知向量间的几何关系设计了一个自监督损失函数, 用以加强向量间的耦合关系, 防止向量独立性导致包围框出现不规则形状。实验结果显示, 在HRSC2016数据集L₂级检测任务中, 改进模型检测结果的平均精度相较于原网络提高了6.91%, 有效抑制了背景噪声的干扰, 降低了近岸舰船目标检测的虚警率, 证明了改进方法的有效性。

探测器是近程探测系统的目标敏感装置, 容易受到电磁脉冲干扰。针对某型毫米波探测器超宽带(ultra-wideband, UWB)电磁脉冲抗扰度不清的实际情况, 围绕UWB辐照环境展开该型探测器的电磁脉冲耦合特性研究。将时域有限积分算法(finite integration technology, FIT)应用于探测器腔体耦合特性研究, 并结合UWB试验系统对探测器开展了辐照试验, 验证了FIT算法的有效性。仿真和试验结果表明, 探测器在竖直状态下的腔体屏蔽效能最差, 仿真试验中其屏蔽效能为20.40 dB; 试验得出探测器的效应场强阈值约为150 kV/m, 在辐照下会出现死机、虚警和硬损伤3种现象, 其中死机现象可通过电源复位恢复, 虚警和硬损伤为不可逆效应现象。

合成孔径雷达(synthetic aperture radar, SAR)采用微波相干成像, 因此SAR图像本质上是复数的。传统基于神经网络的SAR图像目标识别方法, 通常只处理SAR图像的幅度信息, 无法有效利用SAR图像特有的复数信息。本文面向SAR图像中的舰船目标识别应用, 从SAR图像的本质出发, 首先通过组合SAR图像的实部、虚部和幅度三通道信息, 隐式地提供了输入数据的复数信息表示; 然后在ResNet18网络及其结构基础上引入通道注意力机制, 使网络能自适应学习实部、虚部和幅度三通道之间包含的复数信息; 最后引入标签平滑正则化, 解决因复数数据集样本较少出现的过拟合现象。基于OpenSARShip数据集的实验结果表明, 所提方法可以较好利用SAR图像本身的复数信息, 在一定程度上提升了基于深度神经网络的舰船目标识别效果。

针对运动平台多输入多输出(multiple input multiple output, MIMO)雷达应用中无法进行规则稀疏布阵, 传统的稀疏阵优化设计方法优化对象单一的问题, 提出一种利用多目标进化算法(multi-objective evolutionary algorithm, MOEA)进行阵列结构优化的方法。将MIMO雷达接收端的收发联合和差波束的旁瓣电平为优化目标, 使系统具有尽可能好的和差波束旁瓣抑制性能。仿真结果表明, 基于Pareto秩排序的MOEA的MIMO雷达稀疏阵优化设计可以使系统多种性能得到提升。

针对目前主流雷达传感器难以满足轻小型无人机载荷需要, 且存在着数据获取成本高及算法模型复杂的问题, 在自行研制的一种高度集成、轻量化且具有高可靠性的轻小型无人机雷达系统基础上, 发展了一种植被高度信息反演新方法。该方法中使用二维滤波抑制直耦波能量, 基于剩余图像熵的自适应主元分析去噪方法解决传统方法主元选择不稳定的问题, 并基于互相关信息的后向投影算法进一步增强目标信号, 最后应用Sobel算子提取植被高度。实验结果表明, 该方法反演得到的植被高度和验证数据的相关性达到0.92, 均方根误差可达1.28 m。

针对低信噪比(signal to noise ratio, SNR)低截获概率(low probability of intercept, LPI)雷达脉内波形识别准确率低的问题，提出一种基于时频分析、压缩激励(squeeze excitation, SE)和ResNeXt网络的雷达辐射源信号识别方法。首先通过Choi-Williams分布(Choi-Williams distribution, CWD)获得雷达时域信号的二维时频图像(time-frequency image, TFI)；然后进行TFI预处理降低噪声干扰和频率维的位置分布差异，以适应深度学习网络输入；最后在ResNeXt基础上加入扩张卷积和SE结构提取TFI特征，实现雷达辐射源分类。实验结果表明，SNR低至-8 dB时，该方法对12类常见LPI雷达波形的整体识别准确率依然能达到98.08%。

针对基于强化学习的多功能雷达干扰决策方法训练周期长、收敛慢的问题，本文提出了基于先验知识的多功能雷达智能干扰决策算法。所提算法使用了基于势能函数的收益塑造理论，利用先验知识设置收益函数，相比于传统算法，具有更快的收敛速率。利用先验知识加速算法收敛速率的方法对强化学习在多功能雷达干扰决策中的实际应用具有重要的意义，对于强化学习在其他领域的应用也具有很好的参考价值。

针对传统双基地嵌套多输入多输出(multiple input multiple output, MIMO)雷达进行目标参数估计时精度差、角度分辨率低和自由度低等问题, 提出了一种基于利用虚拟冗余阵元的重建Toeplitz矩阵算法对目标的波离方向角(direction of departure, DOD)和波达方向角(direction of arrival, DOA)开展参数估计的方法。首先, 将两个嵌套阵列空间分置后分别形成双基地MIMO雷达的接收阵列和发射阵列, 阵列经处理后的虚拟接收信号存在大量冗余虚拟阵元。其次, 将冗余虚拟阵元对应的协方差数值进行平均处理替代原值, 形成新的虚拟接收信号。然后，通过利用两个选择矩阵在虚拟接收阵列和虚拟发射阵列中分别构建空间平滑子阵的方法重构Toeplitz矩阵, 来重组虚拟接收信号。最后, 利用常规子空间类算法对等效虚拟信号开展空间谱估计, 实现DOD和DOA的相互匹配, 所提算法在估计性能和自由度性能方面与其他算法对比效果更好。

面向合成孔径雷达(synthetic aperture radar, SAR)多目标检测应用, 提出了一种基于YOLO (you only look once) 框架的无锚框SAR图像舰船目标检测方法。该方法针对YOLOv3锚框需要预先设定且无法完美契合的弊端, 通过采用无锚框方法更好适应所检测目标的大小, 便于多尺度目标使用。在此基础上, 给CSPDarknet53网络增加了注意力机制作为特征提取网络, 然后经过能够增大感受野的改进特征金字塔网络(feature pyramid network, FPN)后, 把特征图传给无锚框检测头, 有效提升了目标类别和位置的预测精度。实验证明, 所提算法在公开SAR舰船数据集上平均精度比YOLOv3提高3.8%，达到了94.8%, 虚警率降低4.8%。

针对云制造系统不同安全域之间信任关系孤立导致的用户跨域访问重复进行身份认证和云服务跨域协同被拒绝的问题, 设计了一种面向云制造系统的域间互信过程模型, 提出了基于域间互信的用户认证和服务跨域协同高效可信安全优化技术, 实现了用户可信身份跨域传递和云制造服务跨域协同, 并在企业进行了应用验证, 给出了所提方法与传统方式的对比分析。分析结果表明, 提出的高效可信安全技术能够在提升云制造系统认证和服务跨域协同效率的同时不降低现有安全机制的防护强度。

随着现代作战样式和军事信息系统的深度复杂化, 军事需求工程的任务也逐渐加重。当下, 能力需求是军事需求建设的一个重要着眼点。本文聚焦能力需求的构建阶段, 运用规范化需求描述、基于置信规则库的证据推理(belief rule-base inference methodology using the evidential reasoning, RIMER)等方法对基于能力的体系需求推荐方法展开了研究。之后, 以工兵的作战任务想定为背景, 展开了案例研究, 完成了对于该想定下工兵能力需求的推荐并验证了所提出能力需求推荐方法的可行性和合理性。并将需求推荐带入了军事需求场景, 获得了一种应用于军事复杂系统需求生成的新方法, 加速了能力需求的生成。

网络体系(system of system, SoS)的效能评估是SoS建设和分析的重点问题。传统功能依赖网络分析(functional dependency network analysis, FDNA)方法可以展示SoS“松散耦合”特性, 但缺乏对组件系统的运行独立性、效能衰减性、拓扑规律性等特征的关注。针对此, 在考虑多态问题的基础上, 通过Markov过程分析, 推导组件系统的自主效能衰减函数与系数, 改进了传统方法中的固定参数, 求得节点的动态效能值。在界定“相关SoS”概念的基础上, 计算组件系统可靠度的重要度, 识别关键节点, 构建网络SoS效能评估函数。以五节点航天SoS为例, 演示评估过程并验证了方法的可行性。

针对网络化防空体系的多传感器-多武器协同任务规划问题, 考虑任务要求、装备性能、运用限制等约束, 构建多武器拦截与多传感器跟踪任务规划模型。前者以拦截时机、次数等为优化目标, 输出武器-目标配对以及对目标的拦截时段、跟踪时间要求; 后者以满足跟踪时间要求为目标, 输出传感器-目标配对和对目标的跟踪时段。设计了基于时段优选拼接和分支定界法的多传感器-多武器协同任务规划算法, 生成多传感器-多武器协同交战计划, 支持多传感器接力跟踪、跨平台打击引导、多武器协同抗击。在假定的舰艇编队与预警机协同防空场景下验证了所设计模型的有效性。

针对样本不平衡情况下空中群组意图识别问题, 提出了一种基于注意力机制的双向门控循环单元网络空中群组意图识别方法。将空中群组的状态信息编码成时序特征, 利用先验信息封装成样本标签, 提出一种改进的边界合成少数过采样方法对少数类样本边界进行处理, 以生成合适的样本集。通过双向循环机制提取空中群组目标时序特征的深层信息, 并利用注意力机制为深层信息分配权值, 以提高网络捕捉更具区分度特征的能力。实验仿真结果表明, 所提方法在样本不平衡情况下空中群组的意图识别问题上有更好的分类效果和更高的训练效率。

随着人工智能技术的应用领域不断扩大, 无人机(unmanned aerial vehicle, UAV)的自主智能化发展成为目前军事领域的研究热点。其中, UAV的武器智能决策能力是其面临舰艇编队剧烈火力打击时能否顺利完成对海侦察任务的关键条件。针对这一军事应用难点, 利用改进的遗传模糊树构建UAV武器智能决策模型, 以此实现UAV的智能武器决策: 通过设计三模糊子集参数编码法改进参数编码方式, 克服了无效编码导致的系统紊乱; 采用单、组合场景结合的训练方法改进种群训练方式, 提高了决策模型在多样化实战中的适应性。仿真结果表明，所提武器智能决策模型具有较好的有效性和灵活性。

针对雷达装备全功能操作训练效果评估相关指标体系作战指向不强、评估指标量化困难、评估方法适用性不强等问题, 提出一种面向作战的雷达装备全功能操作训练效果评估方法。首先, 从作战与操作的映射关系、全功能操作程序等角度进行分析, 构建了面向作战的评估指标体系, 并对评估指标进行了量化分析。接着, 采取群组专家区间数打分的思路对传统层次分析法(analytic hierarchy process, AHP)进行了改进, 建立了基于群组区间AHP (group interval AHP, GIAHP)的全功能操作训练效果评估模型, 给出了具体的评估步骤。最后, 通过算例应用对提出的评估方法进行了验证, 确定了各评估指标的权重, 得出了算例的评估结果。结果表明, 提出的评估方法能够有效解决雷达装备全功能操作训练效果的评估问题, 对于提升操作人员战斗力具有较强的参考性。

针对海上联合作战装备型种多样、体系构成复杂、能力生成涉及因素多等特点, 提出了一种面向不确定任务场景的装备体系贡献率评估方法。首先, 分析了海上联合作战装备体系结构、不确定型多任务场景组成和装备体系效能评估指标构成; 然后, 基于直觉模糊综合评估提出了面向不确定多任务场景的装备体系贡献率评估方法; 最后, 通过一个实例对体系贡献率评估方法的计算过程进行分析, 说明了本文所提方法针对海上联合作战装备体系贡献率评估的有效性。

针对复杂场景中障碍物、电磁干扰等因素造成的无人机(unmanned aerial vehicle, UAV)编队部分通信链路不可达问题, 提出局部通信条件下的协同搜索(cooperative search under local communication, CSLC)方法。首先, 根据各UAV的实时位置计算当前时刻编队通信拓扑关系, 建立UAV编队的局部互通网络。在此基础上, 综合考虑UAV通信能力和编队协同目标搜索能力, 构建基于通信链路稳定收益和协同编队收益的协同搜索模型。最后, 设定多UAV编队所需的安全距离和最大运动速率的约束条件, 保证模型能够得到最优路径可行解, 提高多UAV协同搜索效率。实验结果表明, 与现有的目标搜索方法相比, CSLC方法在保证协同搜索路径可行性的同时, 提升了多UAV协同搜索的能力。

针对四旋翼无人机姿态自抗扰控制(active disturbance rejection control, ADRC)系统在姿态角测量反馈信号受传感器噪声污染时, 基于传统非线性非光滑fal函数的扩张状态观测器(extended state observer, ESO)观测精度不足的问题, 构建了一种新型非线性光滑galn函数以重新设计ESO, 并利用Matlab/Simulink仿真软件进行性能验证。仿真结果表明: 与传统fal函数相比, 本文构建的galn函数为光滑且具有更好的收敛性, 更能体现“大误差小增益”的工程思想; 基于galn函数设计的改进型ESO具有更强的误差跟随能力; 采用改进型ESO设计的四旋翼姿态ADRC系统具有更好的跟踪能力和抗干扰能力。

针对C波段卫星导航信号严格的兼容性约束要求, 探索性地将基于椭圆球面波函数的连续相位调制(continuous phase modulation based on prolate spheroidal wave functions, CPM-PSWF)应用于C波段导航。在分析了关键参数对CPM-PSWF信号功率谱特性影响后, 初步筛选出4个CPM-PSWF子族作为C波段候选导航信号, 并对其导航性能指标进行评估。在权衡C波段信号频谱兼容性和各导航性能指标基础上, 提出将“QM2PSWF(10) C=6”且h=0.5的CPM-PSWF信号用作北斗系统C波段的导航信号。研究表明, 所提出的CPM-PSWF信号频谱泄露少, 带外衰减快, 同时在码跟踪精度与抗多径性能方面, 较当前C波段非CPM-PSWF候选导航信号更具竞争力。

长时间相参积累是提高雷达探测性能的重要技术之一。在高速高机动目标的长时间积累过程中引起的距离走动、距离弯曲、多普勒频率走动与多普勒频率弯曲效应会带来严重的积累信噪比(signal-to-noise ratio, SNR)损失, 进而使得噪声背景下雷达难以有效发现探测目标的存在。针对上述问题, 提出了一种针对高速机动目标的参数化长时间积累算法。首先，使用keystone变换(keystone transform, KT)校正了线性距离走动。然后, 使用相参积累型修正三阶相位函数(coherently integrated modified cubic phase function, CIMCPF)与相参积累型修正高阶模糊函数(coherently integrated modified high-order ambiguous function, CIMHAF)算法分别完成了对一阶和二阶加速度的参数估计。得益于CIMCPF与CIMHAF对信号相参特性的利用, 该算法在低信噪比下依然有效。同时, 由于没有对参数网格搜索的过程, 算法的计算复杂度也较低。仿真实验与分析证实了所提算法的优异性能。

针对通信距离受限时水面无人船(unmanned surface vessel, USV)集群对未知水域的覆盖搜索问题, 提出一种竞拍协同边界探索算法。首先根据边界探索的思想提取地图探测边界, 然后以基于层次聚类思想进行改进的K-means++聚类算法划分任务区间, 消除不安全或低收益的目标搜索点, 再以分布式竞拍算法为USV集群动态分配搜索任务, 使集群搜索效率最大化, 各艇经过多轮分配、执行搜索任务直至覆盖全水域。仿真实验表明，在相同集群规模下, 相较于无协作的几种边界探索算法, 该算法任务用时和集群航行总路程更少; 在相同任务地图下, 覆盖搜索效率随USV集群规模增大而提高。

珊瑚礁是极具研究价值的海洋生态系统, 水声传感器网络(underwater acoustic sensor networks, UASNs)是监测与保护珊瑚礁系统的有效手段。然而, 随着水下传感设备的大规模应用, 感知数据的类型及数量大幅增加, 传统UASNs架构将原始数据直接上传至水面数据中心的集中处理方式给网络能耗和通信效率带来严峻挑战。本文构建了一种基于边缘计算的水下端边云系统架构, 并提出一种适用于该架构的两级协同珊瑚礁系统监测机制。该架构将复杂处理任务从远程云中心分散至边缘端, 减轻了云端处理负荷。该机制由两级监测环节组成, 同时包含了端侧图像处理和端边协同数据检测策略, 实现了机器学习任务的边缘侧执行和数据的原位处理。实验结果表明, 本文研究能够明显减少网络数据流量, 有效降低网络能耗及传输时延, 显著延长网络生命周期。

Link16数据链因其强抗干扰性被广泛应用于各大信息化作战平台, 但其传输速率和频带利用率并不高。针对这一问题, 提出一种基于单向耦合映像格子(one-way coupled map lattice, OCML)模型时空混沌序列的缩短码移位键控(truncated code shift keying, TCSK)方法。系统以OCML模型下的混沌序列作为扩频基码, 将每个承载信息的码片长度缩短为原来的1/P, 并将每个码片进行镜像对称, 获得一个总长度为2/P的扩频码片进行传输。相对于原循环码移位键控(cyclic code shift heying, CCSK)系统的扩频序列, 该码片长度减少一半, 从而提高系统的传输速率。OCML序列具有良好的伪随机性和自相关性, 同时该模型下能生成大量扩频序列, 各序列相互独立, 一个信道可容纳多个扩频信号, 极大地提高了频带利用率。对多径衰落信道下的误码性能进行了仿真, 结果表明, 所提方法能有效改善多径衰落下的系统性能。

随着5G和未来移动无线网络的不断发展, 大规模多输入多输出(multiple input multiple output, MIMO)是其中的关键技术之一。随着天线数目的不断增加, 给接收机的设计带来更高的挑战, 复杂度过高的检测算法在实际中难以应用。本文将一种高并行(high-parallelism, HP)检测算法展开到神经网络中, 单层神经网络基于该算法的每次迭代, 并将其与可训练的权重参数和非线性神经单元相结合, 提出基于网络结构HP-Net的方法。通过训练HP-Net得到最优可训练参数, 进而提高检测性能。实验结果表明, 所提方法相对传统最小均方误差(minimum mean square error, MMSE)算法复杂度更低, 并能够得到更低的误码率; 同时相对HP并行检测算法误码率性能更优。

针对现有入侵流量检测模型分类准确率低、小样本特征提取不足等问题, 提出了一种基于自适应合成采样和Inception-Resnet模块的改进残差网络算法。该算法能够对不平衡数据集进行采样优化, 有效提升模型的小样本特征提取能力。首先, 通过对不平衡的数据训练集进行过采样改善数据分布, 然后对非数据部分进行独热编码处理并与数据部分整合, 降低预处理复杂度, 最后利用改进残差网络模型进行数据训练, 并进行性能评估和算法效能对比。实验结果表明, 改进残差网络模型对入侵流量的检测准确率在多分类和二分类情况下分别达到89.40%和91.88%。相比于经典深度学习算法, 改进残差网络模型的准确率更高, 误报率更低, 具备较高的可靠性和工程应用价值。

针对低轨道卫星信道质量变化迅速、信道参数“过时”的问题, 提出了一种基于注意力机制的卷积神经和双向长短时记忆神经网络(attention-convolutional neural network and bi-directional long-short term memory neural network, AT-CNN-BiLSTM)融合的信道预测方法。该方法由信号预处理、网络训练和信号预测3部分组成。首先在高斯白噪声条件下模拟室外卫星信号, 得到卫星信号的训练集和测试集; 然后将训练集输入构建的训练网络进行特征提取; 最后将测试数据输入网络进行预测分析。仿真结果表明, 在与其他4种人工智能方法的对比中, 所提出的混合神经网络能够在较快的收敛速度下达到较高的准确率(91.8%), 有效地缓解了低轨道卫星信道参数“过时”的现状, 对提升卫星通信质量和节省卫星信道资源有良好的改善作用。

智能反射表面(intelligent reflecting surface，IRS)通过对无线传播环境的智能配置进而获得极好的信道容量增益。在IRS辅助多用户下行链路通信中，本文通过共同优化基站处受功率限制的预编码器和IRS处受单位模量约束的相移器来最大化信道容量。针对由此产生的非确定性多项式难问题，首先将其转换成等效问题，再利用交替优化算法来求解预编码矩阵和相移向量。当固定相移向量时，优化问题可转换为二阶锥规划问题后直接使用标准优化包获得最优预编码矩阵。当固定预编码矩阵时，单位模量约束是解决问题的难点，本文将其嵌入搜索空间之后提出黎曼信赖域(Riemannian trust-region, RTR)算法来求解。仿真结果表明，与现有方法相比，RTR算法不仅具有性能的提升，还有更快的收敛速度。

指挥控制网络作为典型的复杂网络系统，其可靠性通常可以利用动态贝叶斯网络(dynamic Bayesian network, DBN)来分析。由于DBN并不能很好地解决包含时间和非时间事件的指挥控制网络系统可靠性问题，因此提出一种具有二态条件概率表的广义连续时间贝叶斯网络(generalized continuous time Bayesian network, GCTBN)的建模方法。在此模型的基础上，得到了不同逻辑门的可靠度算法求解，进而针对指挥控制网络系统提出了无线电传播、通信设备以及网络的可靠性分析方法，从而综合地考虑到指挥控制网络执行不同任务的可靠性问题。通过对指挥控制网络可靠性问题的实际案例分析，验证了所提方法的有效性。

针对多阶段任务系统(phased-mission system, PMS)任务可靠性受概率型共因失效(probabilistic common cause failure, PCCF)影响的问题, 提出一种基于贝叶斯网络(Bayesian network, BN)的PCCF-PMS分析模型。首先, 研究基于BN的PMS表征方法, 建立不考虑共因失效的PMS基础BN模型, 即PMS-BN。其次, 构建共因空间节点, 并研究在共因空间节点影响下系统模型参数的修正方法。最后, 引入共因节点对PMS-BN模型进行扩展, 实现考虑共因失效影响的PMS可靠性量化分析。以地球同步轨道卫星的首次变轨任务为例说明所提模型的正确性, 分析结果表明, 共因失效问题对于PMS的可靠性存在显著影响。PCCF-PMS模型能够综合处理受概率型与确定型共因失效影响的PMS可靠性分析问题。所提模型适用于共因事件间呈独立、互斥、统计相关等统计关系的情况, 且网络模型规模可控。