深度神经网络（DNN）在许多数据处理应用中取得了巨大成功。然而，高计算复杂度和存储成本使得深度学习很难在资源受限的设备上使用，而且它不环保，耗电量大。在本文中，我们重点研究了低阶优化的高效深度学习技术。在空间域中，DNN通过网络参数的低阶近似进行压缩，这直接降低了网络参数数量较少的存储需求。在时域中，网络参数可以在几个子空间中进行训练，从而实现快速收敛的有效训练。空间域中的模型压缩被总结为三类，分别是预训练、预设和感知压缩的方法。通过讨论一系列可积技术，如稀疏剪枝、量化和熵编码，我们可以将它们集成到一个计算复杂度和存储量较低的集成框架中。除了总结最近的技术进步外，我们还有两个发现可以激励未来的工作。一是从归一化奇异值的Shannon熵导出的有效秩优于其他传统稀疏度量，如$\ell_1美元$网络压缩规范。另一个是张量神经网络的时空平衡。为了加速张量化神经网络的训练，利用冗余进行模型压缩和子空间训练是至关重要的。
随着大规模阵列天线的广泛应用，阵元数量的增加导致接收信号维数的增加，由于算法的计算复杂性，难以满足波达方向（DOA）估计的实时性要求。传统的子空间算法需要估计协方差矩阵，计算复杂度高，容易产生虚假峰值。为了降低DOA估计算法的计算复杂度，提高其在大阵元下的估计精度，提出了一种基于Krylov子空间和加权的DOA估计方法$ {l}_{1} $-规范。该方法使用多级维纳滤波器（MSWF）迭代求解Krylov子空间的基作为信号子空间的估计，进一步使用测量矩阵降低信号子空间观测的维数，构造加权矩阵，并结合稀疏重建建立基于残差平方和和加权的凸优化函数$ {l}_{1} $-规范来解决目标DOA。仿真结果表明，该方法在大阵列条件下具有较高的分辨率，有效地抑制了伪峰，降低了计算复杂度，并且对低信噪比环境具有良好的鲁棒性。
弹道导弹的弹头在释放过程中可能会因横向力矩而进动。由此产生的微滴效应由目标的运动状态和大小等参数决定。本文提出了一种利用微多普勒分析和反Radon变换（IRT）对进动弹头进行三维重建的方法。通过对三部雷达进行微多普勒分析，提取进动参数，并利用红外热像图估计目标尺寸。根据上述参数可以重建目标散射体。仿真实验结果表明了该方法的有效性。
对于大规模多输入多输出（MIMO）系统，线性最小均方误差（MMSE）检测已被证明可以达到接近最佳的性能，但不可避免地涉及复杂的矩阵求逆，这需要较高的复杂性。为了避免精确的矩阵反演，提出了大量基于隐式和显式近似矩阵反演的检测方法。结合显式和隐式矩阵反演的优点，提出了一种新的低复杂度信号检测算法。首先，分析了隐式技术和显式技术之间的关系。然后，引入一种改进的牛顿迭代方法来实现大规模MIMO上行链路系统的近似MMSE检测。提出的改进牛顿迭代大大降低了传统牛顿迭代的复杂性。然而，对于较高的迭代，其复杂性仍然很高。因此，它仅适用于前两个迭代。对于后续迭代，我们提出了一种新的基于跟踪迭代方法（TIM）的低复杂度算法，该算法的复杂度明显低于较高的牛顿迭代。还提供了该检测器的收敛保证。数值模拟表明，与最近报道的迭代检测器相比，该检测器具有显著的性能增强，在保持数百个天线系统低复杂度优势的同时，实现了接近MMSE的性能。
现有的基于手工特征的特定辐射源识别（SEI）方法存在丢失特征信息和涉及多个处理阶段的缺点，降低了辐射源的识别精度，使识别过程复杂化。本文提出了一种基于射频指纹多维特征提取的深度SEI方法，即RFFsNet-SEI。特别地，我们利用变分模式分解（VMD）和希尔伯特变换（HT）从接收信号中提取多维物理射频。物理RFF和I-Q数据形成平衡RFF，然后用于训练RFFsNet-SEI。在将模型辅助RFF引入神经网络的同时，构造了包含物理特征和I-Q数据的混合驱动方案。它提高了RFFsNet-SEI的物理可解释性。同时，由于RFFsNet-SEI从端到端接收到的原始数据中识别单个发射器，因此它加快了SEI的实施并简化了识别程序。此外，由于接收信号的时间特征和频谱特征均由RFFsNet-SEI提取，因此提高了识别精度。最后，我们将RFFsNet-SEI与其他同类软件在识别精度、计算复杂度和预测速度方面进行了比较。实验结果表明，基于仿真数据集和消声室采集的真实数据集，该方法的性能优于同类方法。
经典的定位方法使用笛卡尔坐标或极坐标，这需要先验的距离信息来确定是估计位置还是只找到方位。改进的极坐标表示（MPR）统一了近场和远场模型，减轻了阈值效应。现有的基于到达角（AOA）和到达时差（TDOA）测量的MPR定位方法采用半定松弛（SDR）和高斯-纽顿迭代，计算复杂，面临可能的发散问题。本文建立了测量值与未知MPR位置之间的伪线性方程，从而导出了混合TDOA-AOA定位问题的封闭解，即混合约束优化（HCO）。HCO在轻度高斯噪声下达到Cramér-Rao界（CRB）级精度。与现有的混合TDOA-AOA闭式解相比，HCO具有与混合广义信赖域子问题（HGTRS）解相当的性能，并且在大噪声区域优于混合逐次无约束最小化（HSUM）解。仿真结果表明，在噪声较小的情况下，HCO算法的性能达到了最大似然估计（MLE）所达到的CRB，但MLE比HGTRS算法更早偏离CRB。
多径环境下用于高程估计的波束空间超分辨率方法受到了广泛关注，尤其是波束空间最大似然（BML）算法。然而，差分波束很少用于超分辨率方法，尤其是在低仰角估计中。差波束中的目标空域信息与和波束中的目的空域信息不同。而差分光束的使用并没有显著增加系统和算法的复杂性。因此，本文将差分波束应用于波束形成器，以提高BML算法的高程估计性能。梁的方向和数量可以根据实际需要进行调整。分析了理论目标仰角均方根误差（RMSE）和所提算法的计算复杂性。最后，计算机仿真和实际数据处理结果证明了所提算法的有效性。
为了从海杂波中提取更丰富的舰船目标特征信息，解决高维数据问题，提出了一种基于最大边缘准则的多尺度融合核稀疏保持投影（MSFKSPP）方法提出了利用高分辨率距离剖面（HRRP）识别舰船目标类别的方法。引入多尺度融合来捕获小尺度特征中的局部和细节信息，以及大规模特征中的全局和轮廓信息，有助于从海杂波中提取边缘信息，进一步提高目标识别精度。该方法通过再生核希尔伯特空间，最大限度地保持数据的多尺度融合稀疏性，并在降维的基础上最大限度地提高类的可分性。实测雷达数据的实验结果表明，该方法能够有效地从海杂波中提取舰船目标的特征，进一步降低特征维数，提高目标识别性能。
三维合成孔径雷达（SAR）通过不同方面的多次采集，将传统的二维图像扩展为三维特征。与通过多个仰角观测（如SAR干涉测量（InSAR）和SAR层析成像（TomoSAR））的三维技术相比，全息SAR可以通过方位角观测反演三维结构。本文主要研究设计一种新型的轨道，实现SAR区域全方位观测（AAO），用于嵌入式目标检测和全息三维重建。AAO轨道的地面轨道将地球表面分成网格。这些网格中的目标可以以360°的方位角跨度访问，这与机载环形SAR（CSAR）的飞行轨迹类似。受光学传感器连续覆盖轨道的启发，该方法进行了若干优化，以确保良好的掠射角、三维重建性能和SAR传感器的长期监控。模拟实验表明，区域AAO可以在5小时内完成。此外，同一区域的第二个AAO可以在两天内复制。最后，给出了机载SAR数据处理结果，以说明AAO在三维重建中的重要性。
本文系统地介绍和评述了可靠性的一种科学探索，即信念可靠性。从可靠性工程的起源入手，将现有可靠性工程理论存在的问题归纳为质疑、困境和困惑。然后，通过哲学思考，介绍了信念可靠性理论给出的理论解，包括科学原理、基本方程、可靠性科学实验和数学测度。对信念可靠性的基本方法和技术，即信念可靠性分析、面向功能的信念可靠性设计、信念可靠性评估以及几种新开发的方法和技术进行了阐述和综述。在上述研究的基础上，我们总结了置信可靠性理论的意义，并对未来的研究进行了展望，旨在促进可靠性科学与工程的发展。
无人驾驶飞行器（UAV）的自主操纵是国防部在未来无人战场上执行指挥官下达的战术任务所必需的。大量研究致力于提高无人机在交互环境中的自主决策能力，其中寻找最优的机动决策策略成为实现无人机智能化的关键问题之一。本文提出了一种在专家经验指导下基于深度强化学习的自主送风机动决策算法。具体来说，我们基于传统的空对地火力控制方法，对空投过程中的区域制导和特定点任务制导进行了改进。此外，我们还构建了基于马尔可夫决策过程（MDP）的无人机机动决策模型。具体而言，我们提出了一种奖励塑造方法，用于使用基于潜力的函数和专家指导的建议来指导区域和特定点任务。该算法可以加快机动决策策略的收敛速度，提高策略在训练后期输出的稳定性。训练参数曲线和用于测试训练策略的大量实验结果表明了所提出的机动决策策略的有效性。
自然事件对整体飞行活动产生了重大影响，航空业在帮助社会应对这些事件的影响方面发挥着至关重要的作用。随着最具影响力的台风季节之一的出现和持续，在受威胁地区运营的航空公司和在此期间有旅行计划的乘客将密切关注热带风暴的发展。本文提出了一种深度多模态融合多任务轨迹预测模型，可以提高台风轨迹预测的可靠性，减少航班调度取消的数量。深度多模融合模块由多个子模式融合模块输出的特征深度融合而成，多任务生成模块使用经纬度作为两个相关任务进行同时预测。有了更可靠的数据准确性，可以更快、更有效地分析问题，从而以积极主动的姿态做出更好的决策。当多种模式共存时，可以同时从中提取特征以补充彼此的信息。2019年席卷中国的台风利希玛的实际案例研究表明，与现有航班调度相比，该算法可以有效减少不必要的航班取消次数，并有助于新一代极端天气下的航班调度系统。
在大数据的背景下，出现了许多大规模的知识图，以有效地组织互联网上web数据的爆炸性增长。要从许多知识图中选择合适的知识图来使用，质量评估尤为重要。作为质量评估的重要内容，完整性评估通常是指当前数据量与总数据量的比值。在评估知识图的完整性时，通常需要通过设置不同的完整性度量来细化完整性维度，以便为知识图生成更完整、更容易理解的评估结果。然而，缺乏需求意识是最有问题的质量问题。在实际评估过程中，现有的完整性度量需要考虑实际应用程序。因此，为了向许多用户准确推荐合适的知识图，开发相关的度量指标并制定完整性度量方案尤为重要。在本文中，我们将首先阐明完整性的概念，建立每个完整性度量，最后设计知识图完整性的度量方案。
为了解决复杂航空电子系统人机交互的风险识别和定量评估问题，提出了一种基于系统理论过程分析（STPA）和认知可靠性与错误分析方法（CREAM）的人机交互安全分析框架。STPA-CREAM可以在正式验证工具的帮助下，自动识别不安全的控制行为，并在航空电子系统与飞行员的交互过程中找到原因路径。建立了航空电子系统在航空环境中的通用性能条件（CPC），并对人为故障进行了定量分析。以抬头显示器（HUD）系统交互过程为例，进行了案例分析，建立了HUD交互过程的分层安全控制结构和形式化模型。对于“飞行员接近HUD”的交互行为，识别了4种不安全的控制行为和35种因果场景，并分析了不同级别的常见性能条件对飞行员决策模型的影响。结果表明，HUD的HCI水平随着CPC分数的增加而逐渐提高，机组成员的合作质量和任务的时间充足性是其HCI的关键。通过案例分析表明，STPA-CREAM可以定量评估HCI中的危害，并识别影响安全的关键因素。
装备维修保障作为装备持续运行和重复运行的“引擎”，在对称作战系统对抗中发挥着更加突出的作用。设备损伤测量作为设备维修任务规划和实施的依据和指导，是有效实施维修保障的重要保障。首先，本文从战时装备损伤测量的基本问题出发，从敌方属性、我方属性和战场环境三个方面综合分析了影响损伤测量的因素。其次，基于模糊综合评价（FCE）确定关键因素，并对关键因素进行主成分分析（PCA）。最后，将代表85%以上数据特征的主成分作为输入，将设备损坏量作为输出。数据通过人工神经网络（ANN）和随机森林（RF）进行训练和测试。总之，FCE-PCA-RF可作为战时装备损伤评估研究的参考。
基于静态复杂环境下的波浪攻击任务规划方法和滚动优化框架，提出了一种基于滚动优化的动态复杂环境下在线任务规划方法。在动态复杂环境下的在线任务规划过程中，在线任务规划基于事件触发，包括目标信息更新事件、新目标添加事件、目标失效事件、武器失效事件等，方法包括防御区再分析、参数空间更新和任务重规划。对不同事件进行了仿真，结果表明，重新规划后的攻击场景指标值优于重新规划前，根据统计仿真方法的概率分布，重新规划后的指标值分布明显处于高指标值区域，重新规划前后的指标值差距与姿态变化程度有关。
在本研究中，有效地抑制了基于国际的组合导航系统测量噪声污染分布的问题。基于非线性惯性导航误差建模，提出了一种嵌套双卡尔曼滤波框架结构。它由无迹卡尔曼滤波器（UKF）主滤波器和卡尔曼滤波器从滤波器组成。该方法利用非线性UKF进行组合导航状态估计。同时，通过卡尔曼滤波器相关滤波器估计出准确的噪声测量协方差。基于双自适应UKF（dual-AUKF）的算法具有较高的精度和鲁棒性，特别是在测量信息干扰的情况下。最后，进行了车载和舰载组合导航试验。与传统UKF和Sage-Husa自适应UKF（SH-AUKF）相比，该方法具有相当的滤波精度和更好的滤波稳定性。验证了该算法的有效性。
遮挡情况下快速运动目标的跟踪是计算机视觉的一个重要研究课题。尽管在这一领域做出了许多显著贡献，但很少有人同时将对象的外部特征和内部运动模式纳入其方法中，从而限制了提高跟踪精度的潜力。本文在高效卷积算子（ECO）模型的基础上，提出了一种速度精度平衡模型。该模型使用简单的相关滤波器实时跟踪目标，并采用复杂的深度学习神经网络提取高层特征，训练一个更复杂的滤波器，在判断跟踪状态较差时纠正跟踪错误。此外，在规则快速运动的场景中，设计了一种基于卡尔曼滤波的运动模型，该模型可以根据目标之前的运动模式预测目标的未来位置，从而大大提高了跟踪稳定性。此外，我们没有周期性地更新跟踪模型和训练样本，而是提出了一个更新的约束条件，有效地减轻了背景对跟踪器的污染，避免了遮挡时模型退化。通过综合实验，我们的跟踪模型在目标跟踪基准2015（OTB100）上获得了比ECO更好的性能，并且在我们自己收集的数据集快速移动和遮挡的情况下，与ECO相比，曲线下面积（AUC）分别提高了约8%和32%。
利用章动对旋转目标进行倾斜操作对碎片清除有意义，但具有挑战性。在本研究中，首先根据接触章动目标的要求设计了一种可变形末端执行器。对装有可变形末端执行器的双臂机器人系统进行了建模，并对末端末端的运动进行了分析。接触章动目标的复杂操作对控制精度和控制器鲁棒性提出了严格要求。因此，提出了一种跟踪误差变换的改进方法，并设计了一种具有规定性能的自适应滑模控制器，以保证在接触式脱位过程中执行器的快速精确运动。最后，通过使用所提出的效应器和控制器，进行了数值模拟，以验证朝着章动目标的接触失稳的有效性和效率。
本文提出了一种考虑陀螺漂移等随机有色噪声的外骨骼惯性运动捕获（EI-MoCap）系统运动学标定方法。该方法首先采用传统的标定方法对几何参数进行标定。然后，为了校准受随机有色噪声影响的参数，引入了期望最大化（EM）算法。通过使用传统标定方法标定的几何参数，减少了EM框架下的迭代次数，提高了该方法在嵌入式系统上的效率。将所提出的运动标定方法与传统标定方法的性能进行了比较。此外，在EI-MoCap系统上验证了该方法的可行性。仿真和实验表明，与传统的标定方法相比，运动捕捉精度分别提高了16.79%和7.16%。
提出了一种无需新目标生成先验知识的多个快速机动目标跟踪算法。这些目标能够在短时间内实现快速机动，例如无人机和敏捷导弹。概率假设密度（PHD）滤波器仅传播全目标后验的一阶统计矩，已被证明是多目标跟踪问题的计算有效解决方案。然而，标准PHD滤波器基于单个动态模型，需要有关目标出生分布的先验信息，这导致了实际应用中的许多限制。本文引入了一个非零均值、白噪声转向率动态模型，并将跳跃马尔可夫系统推广到多目标情况，以适应急剧机动动态。此外，为了自适应估计新生目标的信息，提出了一种基于递归随机抽样一致性（RANSAC）算法的测量驱动方法。仿真结果表明，该方法在自适应出生估计跟踪多个急剧机动目标方面取得了显著的改进。
基于无源传感器的空间非合作目标单角度相对轨道确定存在两航天器相对状态的弱可观测问题。以前，仅角度可观测性的证据是通过圆柱动力学发现的，但仍然没有提供轨道确定的解决方案。本研究开发了一种基于微分进化的圆柱动力学相对轨道确定算法。首先，在柱坐标系下建立了近圆轨道的相对运动动力学和直线测量模型。其次，利用发现不可观测几何的动力学和测量模型，定性分析了系统的可观测性。然后，将纯角度相对轨道确定问题建模为一个最优搜索框架，并引入改进的差分进化算法进行求解。最后，通过一组高地球和低地球情况下的数值模拟验证和测试了所提算法。结果表明，在相对较短的跨度内，获得了具有适当精度的初始相对轨道确定（IROD）解，可用于导航滤波器的初始化。
