提出不依赖于测距信息,利用两架基于视觉的无人机对运动目标进行三维交会定位的方法。采用多模型交互方法实现在不预知目标运动模式的条件下对运动目标的实时定位；采用改进的Sage-Husa自适应滤波算法,综合协方差匹配技术和正定性判断,提高了定位精度。为评估这些方法的性能,模拟真实观测条件进行仿真。结果表明,提出的方法可以实时对运动目标的三维坐标进行估计。改进的Sage-Husa自适应滤波算法可以显著提高定位精度,在90°观测夹角下,平均估计误差从27.13 m降低到14.62 m。仿真研究了两无人机观测夹角对定位的影响,结果表明:过小的夹角不利于定位精度的提高；较大的夹角对无滤波定位方法有较好的效果,但对基于改进的Sage-Husa自适应滤波算法的定位方法影响并不明显。

火箭基组合循环发动机引射模态飞行状态复杂,为了提高发动机的整体性能,研究了火箭出口面积对发动机引射模态的影响规律。通过数值模拟研究,引射流量在低飞行马赫数条件下,主要受引射性能影响,火箭出口面积越大,引射性能越好。然而,随着飞行马赫数的提升,引射空气的动能提升,隔离段内出现壅塞情况,引射流量主要受限于隔离段几何尺寸,与火箭出口面积无关。在亚声速工况下,火箭出口面积越小,发动机比冲越低,且出口无量纲面积为3.15时,火箭羽流膨胀撞壁,会引起性能骤减,需要予以避免；在超声速工况下,选择面积较小的火箭出口面积,燃烧室内压越高,发动机性能提升越明显。

在飞行器多学科优化设计中,高空风场是有重要影响的不确定性因素,需要准确获取其统计特性。高空风场条件风速的概率分布是特定的,为了便于将高空风场概率模型用于不确定性设计,减少计算量,提出了高空风场条件风速概率分布与正态分布差异的分析方法,给出了将高空风场条件风速概率分布简化为正态分布的适用条件。数值仿真结果表明:在纬度为24.3°N～42.2°N范围内,不同地区高空风场条件风速概率密度与正态分布概率密度的差异在海拔2～30 km范围内呈喇叭形分布,在海拔15 km附近,高空风场条件风速概率密度与正态分布概率密度最接近,高空风场条件风速的概率分布可近似假设为正态分布。综合以上工作,给出了在飞行器不确定性设计中考虑条件风速不确定性时,生成随机样本方法的选择建议。

针对海上远距通信场景,基于无人机之间的无线通信链路,对接收功率进行实际测量。在大尺度路径损耗方面,采用对数距离线性模型进行拟合,分析海上远距空-空无线信道特征,获取路径损耗指数,并采用射线跟踪方法进行仿真验证,通过仿真所得信道冲激响应在多径时延和功率方面分析产生接收功率快速变化的原因。分析结果表明,近岸的多径反射会造成接收功率的波动,并且会造成路径损耗的升高。利用三种分布函数对测量数据进行分布拟合,分析海面和近岸两种通信条件下空-空无线信道的小尺度分布特征。测量分析结果表明,小尺度特征受陆地反射影响明显,在距离陆地较远的海面呈现高斯分布特征,而在近陆地处未呈现典型分布特征。

为分析存在欺骗干扰的场景下GNSS多波束抗干扰接收机的反欺骗性能,提出欺骗抑制比这一性能指标。推导了在快拍数有限的情况下,多波束抗干扰接收机采用最小方差无失真响应(minimum variance distortionless response,MVDR)算法处理后输出真实信号和欺骗信号功率的理论公式。详细分析了欺骗信号到达天线阵口面的功率对真实信号和欺骗信号输出功率的影响。分析得出:即使欺骗信号功率在噪声水平之下,使用MVDR算法的多波束抗干扰接收机依然能对欺骗干扰进行抑制,且在欺骗信噪比高时,抑制效果更加显著。通过仿真和硬件平台实测验证了结论的正确性。

为了降低固定稀疏率、固定孔径的稀疏矩形阵列的峰值旁瓣电平,提出一种改进整型遗传算法。该算法在整型遗传算法的基础上,提出了等间隔采样的交叉策略、多点变异策略以及优良基因重组的策略。采取等间隔采样的基因交叉方式,可以有效发挥整型编码的优势,从而提高算法的运行效率；为了提高种群的多样性,防止算法陷入局部最优,采用了多点变异策略；采用优良基因重组技术,加快了算法的收敛速度。仿真结果表明,相比传统的二进制和实数编码,整型编码更为直接高效；与用于稀疏矩形阵列优化的相关算法相比,本文所提算法获得了更优的旁瓣电平,证实了算法的有效性和优越性。

在计算需求层面对多种典型信号处理算法与深度学习算法进行了分析与模块化分解,提取了两类应用共有的且适合并行硬件加速的计算模块,提出了信号处理与深度学习的一致性计算模型,并基于一致性计算模型设计了控制与计算分离的层次化处理单元与阵列化计算结构。通过对不同应用计算过程的软件定义能够实现信号处理与深度学习的一致性硬件加速计算,基于Zynq计算平台从重构效率与计算性能两个方面对一致性计算模型与计算结构进行了验证,结果表明:基于一致性计算模型的软件定义可重构计算结构,具有较高的计算性能与重构效率。

全球导航卫星系统(global navigation satellite system, GNSS)高程时间序列具有非平稳、非线性、含噪声等特点,在深入研究Prophet预测模型的基础上,针对Prophet预测模型对于趋势信号和周期信号有良好预测效果这一特性,提出一种引入经验模态分解(empirical mode decomposition,EMD)的“降噪—分解—预测”组合GNSS高程时间序列预测方法。该方法先将原始时间序列进行EMD降噪,再对降噪后的序列进行分解预测,最后重构各分量预测信号为最终预测序列。通过对实测高程数据进行研究,实验结果表明:降噪后信号的平均信噪比为10.30dB,能量百分比平均为88.75%；利用所构建的短期预测方法,GNSS高程时间序列预测结果的均方根误差分别平均提升26.41%和14.88%；平均百分比误差分别平均提升18.92%和7.91%,验证了组合预测方法的有效性及实用性。

为了科学合理选择装备价格第三方服务机构,研究以灰度关联分析和神经网络方法构建评价模型。研究数据采用问卷调研形式获取,针对样本数据采用灰度关联法分析评价指标与综合评分之间的关联性,发现服务态度和制度建设情况两个评价指标与综合评分关联度达0.74以上,较为重要。采用有效二级指标和综合评分作为输入和输出数据,构建基于神经网络的装备价格第三方服务机构评价模型。通过实际数据验证分析,发现神经网络模型预测精准的概率为75%,预测满足要求的概率为25%,满足实际应用需求,能够为主管部门遴选机构建言献策。

针对考虑输入幅值与速率受限的高超声速飞行器跟踪性能问题,提出基于受限指令滤波器的预设性能控制方案。为了提高系统瞬态和稳态性能,设计预设性能反演控制器,并通过设计新的性能函数使得跟踪误差超调量更小。引入指令滤波器来处理反演控制器设计中难以求导的问题。针对输入受限问题,构造一种受限指令滤波器来约束系统控制律,保证控制输入满足幅值和速率的限制要求,并进行相应的理论证明。另外,考虑系统参数不确定性与外界干扰,采用线性扩张状态观测器进行观测并补偿。基于Lyapunov稳定理论证明系统的所有跟踪误差最终一致有界。通过仿真验证该方法的有效性。

针对以常规母联开关互联的交流电网线路变压器容量无法合理利用的问题,提出了依靠由背靠背电压源变流器组成的新型大功率柔性互联装置实现两侧交流电网有功功率互济的协调控制方法。介绍了新型柔性互联装置的拓扑结构与基本的控制原理,为实现两侧线路变压器容量合理的目标制定了一种生成有功功率参考的方法,并基于PSCAD/EMTDC搭建了一套仿真算例,对新型柔性互联装置的基本控制与所提出的有功互济的协调控制方法进行了验证。仿真结果表明,在柔性互联装置采用所提方法时能够实现两侧交流线路的有功功率互济,解决了线路变压器容量无法合理分配的问题。

针对传统混合模糊测试提升技术多聚焦于利用多种动静态分析手段辅助而忽略了混合符号执行自身性能的问题,提出一种混合模糊测试平衡点模型,并基于该模型对主流混合符号执行方案进行剖析,包括污点分析辅助模糊测试、混合模糊测试以及混合符号执行,归纳了6种符号执行方案,基于混合符号执行引擎Triton复现了6种符号执行方案,并通过10个典型真实程序进行了测试评估。从效率、内存、覆盖率三个维度对各个方案进行性能对比与影响因素分析。实验证明,优化方案都可以消除不必要的约束并减少时间和空间开销,但约束缩减会造成信息丢失,造成覆盖率降低。基于实验数据分析,提出了一个优化方案的性能序列,并提出三种针对不同测试需求的优化方案。

面向海量公交数据的人群画像对分析城市群体出行特点、交通态势等极具价值,但对数据的处理存在耗时高、质量低、解释难等问题。提出一种海量公交数据人群画像的系统化解决策略,基于PageRank算法筛选出经过重要站点的人群轨迹,极大减少目标人群的轨迹数据；提出轨迹文本化分析方法来提高人群画像的可解释性；分析确定基于余弦距离的K-means算法作为人群画像分类的聚类算法。该算法在3 000万乘客公交出行数据上的实验表明:提出的解决策略能够较为系统性地解决海量公交数据的人群画像问题,同时基于余弦距离的K-means算法的聚类效果最好且准确率约达80%。将人群画像及其轨迹使用Flow Map进行可视化展示,结果符合真实世界的人群行为特征。

针对当前舰船水消防系统监控点信息孤立、智能化决策程度不高的问题,构建了基于节点的水消防系统功能逻辑模型,提出了基于战斗损伤的水消防系统破损隔离重构使用智能决策算法,并据此开发了水消防智能监控系统。案例对比计算和系统测试检验的结果表明,该智能决策算法以及智能监控系统可以有效提升分析决策的速度和精度,显著提高指挥控制的效率,为水消防系统的战斗破损使用提供有效的支撑。

针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模型,有效地提升了短时交通流预测的精度。模型利用EEMD算法对原始数据进行分解,根据分解所得的本征模函数(intrinsic mode function,IMF)分量绘制噪声能量图谱,去除分量中的噪声,并将去噪后的IMF分量作为BiGRU网络的输入进行训练,再将训练所得的结果进行重构加和,得到最终的预测结果。实验结果表明,未舍弃含有噪声的IMF分量进行重构的预测结果,相比于参考文献中提出的EMD+LSTM模型、LSTM模型和EEMD+LSTM模型,其平均绝对百分误差分别优化了42.36%、61.82%和30.95%；舍弃含有噪声的IMF分量后进行重构的预测结果,其平均绝对百分误差相比于将全部IMF分量进行重构优化了56.62%。