针对航天地面测控系统难以在研制早期有效实施维修性设计与评价的问题，基于虚拟现实技术构建了维修性设计与评价系统，制定了维修性设计与评价工作流程，给出了维修性设计综合评价标准。在虚拟维修场景中，采用虚拟维修样机和虚拟维修资源，验证了整体流程，并沉浸式仿真验证了某车载测控系统组件维修的可达性、可视性和人体舒适度，实现了虚拟维修性设计的定量综合评价，结果表明本方法较传统方法费用降低68%，工期缩短61%，可为航天地面测控系统在研制早期开展可视化、量化的维修性设计和评价提供参考。

宽带侦察场景下，虽然信号检测识别准确率高，但计算资源消耗过大的问题亟待解决。为此，提出了一种基于多尺度卷积注意力的稀疏检测方法（Multi-scale Convolution Attention Sparse Detection，MSCA-S）。该方法结合信号时频图的先验知识，通过建模信号在时间轴上的远距离依赖关系并抑制频率轴的无关干扰，设计了多尺度水平卷积注意力机制（Multi-scale Horizontal Convolution Attention，MSHCA），联合提取信号的多维特征，有效提升检测识别精度，并通过水平卷积降低模型计算复杂度。基于MSHCA，构建了层次化堆叠的宽带信号检测方法，利用稀疏特征参数进一步减少计算资源需求。在频谱范围为2.5 MHz的青岛实采及仿真宽带信号数据集上进行实验，MSCA-S在不同信噪比下的平均检测精度达95.6%，相比频率敏感宽带信号检测方法、基于Swin-Transformer的协议信号识别方法和基于101层残差网络的信号检测方法，精度分别提升了0.05%、2.94%和6.14%，计算量分别降低了1.53×10¹⁰、1.79×10¹⁰和4.59×10¹⁰。

针对协方差特征值算法构造检测统计量时对协方差矩阵信息利用不够充分导致低信噪比下检测性能衰减问题，提出一种特征值之差与调和平均之比频谱感知算法。该算法以协方差矩阵的最大最小特征值与特征值的调和平均构造检测统计量，更全面地利用协方差矩阵中的特征值信息，以提升算法检测性能。同时，该算法基于随机矩阵的特征值极限分布理论引入一种新的调和平均求解方式，旨在提高判决门限精确性的同时进一步提升检测性能。仿真实验表明，改进算法无需主用户及信道的先验信息，在信噪比为-20 dB时，其检测概率较其他几种经典算法有不低于10%的提升。

为了实现低时延低能耗的近海通信，将动态服务缓存更新机制引入复杂神经网络当中，基于近海通信场景对复杂的神经网络结构进行巧妙设计，提出了基于双重深度Q网络（Double Deep Q Network，DDQN）的移动边缘动态服务缓存策略（Mobile Edge Dynamic Service Caching Policy，MEDSCP）。该策略先通过用户终端任务卸载决策博弈得到最佳卸载决策集，然后利用移动边缘计算（Mobile Edge Computing，MEC）和动态服务缓存更新来减少近海通信环境下任务执行的时延能耗成本，旨在提高近海通信的任务处理效率并扩展该行业的发展潜力。仿真实验结果表明，所提的MEDSCP策略与现有工作相比，能在保证训练效果的前提下实现算法的快速收敛，还能有效降低近海通信的时延能耗加权和。

针对超宽带非视距（Non-Line-of-Sight，NLOS）识别中最优特征子集选取与模型参数优化问题，提出了一种基于轻量级梯度提升机（Light Gradient Boosting Machine，LightGBM）的交叉验证递归特征消除算法与Optuna参数调优相结合的NLOS识别方法。首先通过递归特征消除加交叉验证算法分析选取首径信号与总信号接收功率差值、噪声最大值等6个重要特征作为最优特征子集，之后使用Optuna调参框架优化LightGBM模型超参数。采集视距与非视距特征数据，使用支持向量机、极限梯度提升算法和参数优化后的LightGBM等模型进行训练与测试，结果表明，所选取特征具有良好区分性，参数优化后的LightGBM模型识别准确率达95.28%。

针对无人机对于不同尺度的目标识别存在误检和漏检等问题，提出了一种多尺度融合机制的YOLOv8-FDT无人机目标识别算法。首先，在基线模型Neck层中添加动态上采样模块，旨在降低模型参数量，提高模型对于目标识别的实时性。此外，为了使得整个算法模型在特征融合阶段能够捕捉目标的不同尺度语义信息，融合自适应下采样和深度卷积，设计特征聚焦扩散金字塔网络（Feature Diffusion Pyramid Network，FDPN）。通过无人机航拍数据集VisDrone2019的实验表明，改进后模型所有类别平均精度均值（mean Average Precision，mAP）相较基线模型提升6.24%。

目标检测技术旨在从图像或视频中对特定类别目标进行定位和识别。然而，在低照度场景中面临对比度低、边界模糊、噪声干扰等问题，导致检测算法性能下降。为此，提出了一种基于颜色通道变换增强的目标检测（Color Channel Transformation Enhancement-based Object Detection，C2TEOD）算法。首先，构建了颜色通道变换模块，引入可学习参数对不同颜色通道进行变换，提升增强策略灵活性。然后，通过一个图像增强模块对图像进行预处理，并采用检测损失联合优化增强模块与检测网络，使增强网络能够朝着有利于检测任务的方向优化。此外，提出了选择性自监督回归损失，利用原始低照度图像和增强图像输入检测网络并对其进行优化，再根据它们的检测结果对增强模块进行自监督回归优化，进一步提升检测效果。实验结果显示，该算法相比基线方法在Exdark、M3FD、LLVIP数据集上的平均精度均值（mean Average Precision，mAP）分别提升2.2%、1.1%和0.2%。

为了进一步提高人体动作识别的精度和充分发掘动作序列的时空特征，提出了基于时空特征融合与注意力机制的图卷积动作识别方法。采用空间注意力图卷积对拓扑图进行通道级细化，捕捉不同运动类型下关节的相关性特征，并采用时域多尺度图卷积模块扩展时间卷积结构以捕获多尺度时间特征。构建多层次特征融合模块将初始特征与时域多尺度图卷积输出特征作为模块输入，采用双分支结构分别获取全局和局部通道特征，并在通道维度进行时空特征融合以增强模型特征提取能力；在此基础上，提出一种肢体注意力机制对人体拓扑结构进行划分并分别计算其在通道维度上的注意力权重，加强模型对局部动作特征的关注能力。实验结果表明，在NTU RGB+D数据集的CS和CV评估模式下分别达到了93.0%和96.9%的识别准确率，在NTU RGB+D 120数据集的X-Sub和X-Set评估模式下分别达到了89.8%和91.1%的识别准确率，均高于ST-GCN、CTR-GCN等模型的识别准确率。

近年来，轻量化目标检测领域取得了显著进展。然而，现有主流方法缺乏多尺度语义信息的提取，且忽略了深层语义特征与浅层细节特征之间的关系。针对上述缺陷，提出了金字塔池化多尺度增强网络（Pyramid Pooling Enhanced Multi-scale Network，PPMENet），通过设计一个高效金字塔池化模块（Efficient Pyramid Pooling Block，EPPB）来提取多尺度深层语义信息，以加强模型的特征表达能力。另一方面，设计了跨语义交互注意力模块（Cross Semantic Level Interaction Attention Module，CSIAM）以增强不同语义特征之间的联系。MS COCO 2017测试集的实验结果表明，PPMENet取得了28.0%平均精度，模型大小仅有2.16×10⁶，GFLOPs为0.97，并获得了218 frame/s的推理速度。与其他方法相比，PPMENet在精度和执行效率间取得了较好的平衡。

为降低室内定位指纹数据库构建的复杂度并提高定位精度，提出了一种5G超密集网络下的基于矩阵补全的室内指纹定位算法。在离线数据库构建阶段，算法首先采用K近邻（K-Nearest Neighbor，KNN）插值法对部分指纹库进行矩阵补全，构建完整的数据库；其次，采用稀疏自编码器提取指纹库的稀疏特征，对高维接收信号强度指示（Received Signal Strength Indication，RSSI）信号进行降维处理。在在线指纹匹配阶段，使用加权KNN算法估算出待定位点坐标。经过实验仿真分析，算法重构指纹数据库的平均相对误差为0.31%；与传统KNN指纹匹配算法相比，平均误差降低了24.41%。

针对经典算法建模海杂波时无法同时满足海杂波多个统计特性所造成的拟合精度缺失以及无法按类别条件可控生成的问题，结合U-Net的生成能力与复值神经网络处理电磁领域内复杂非线性问题的潜力，通过采用各种复值网络层将模型推广至复数域，同时引入无分类器模块，建立一种对输入条件可解释的映射机制，提出了一种复值引导扩散模型（Complex-valued Guided Diffusion Model，CVG-DM）。该模型旨在利用海杂波的同相（In-phase，I）、正交（Quadrature，Q）路复值基带信号以及挖掘海杂波与对应杂波背景下强目标的关联，从而在目标有无条件下实现模型的可控生成，最后在幅度分布、时空相关性、非线性特性、多普勒谱方面评价生成结果。仿真实验证明，CVG-DM可按条件实现海杂波数据增广，仿真杂波能同时兼顾以上五方面统计特性，比基于实数网络的评价指标更加完备，保真度进一步提高。

在动态干扰环境下的卫星通信系统中，各信道的质量和干扰功率存在差异。有限的频谱资源和复杂的干扰环境对抗干扰通信决策提出了资源分配和业务需求的挑战，即如何在避开干扰频率和优化功率的同时，实现资源的高效利用。为解决这一问题，提出了一种基于多奖励值函数的深度强化学习抗干扰算法。该算法将发送方、接收方与干扰方之间的交互建模为马尔可夫决策过程。通过优化信道切换与功率切换代价的奖励函数，引入频率切换与功率切换机制，分析相邻时隙频谱中的干扰特征，并将交互过程中采集到的干扰信号特征与信道信息结合，用于训练抗干扰策略。该策略实现了频率域与功率域的联合抗干扰决策。仿真结果表明，该算法能够有效降低系统的受干扰概率，加快算法收敛速度，并优化功率资源的利用效率。

多维遥测数据模式挖掘对卫星状态监测具有重要意义，但遥测参数多、数据量大，很难在短时间内得到精确解。针对这一问题，提出了一种基于矩阵轮廓的模式挖掘方法，利用随机思想搜索近似解，在误差允许的范围内替代精确解。首先对多维遥测数据进行频谱分析，根据模式特征频率计算得到模板长度。然后按照随机的原则循环使用聚类相似性搜索算法（Mueen's Algorithm for Similarity Search，MASS）计算距离矩阵中的元素，并对主对角线附近的元素进行归零处理，形成多维距离矩阵。最后按列取最小值，生成多维距离矩阵轮廓曲线（Multi-dimensional Distance Matrix Profile，MDMP）。在该曲线上，极大值和极小值分别对应于挖掘出的稀有模式和频繁模式位置。实验分析显示，在处理包含15万个采样点的三维遥测数据时，通过该方法在1%的挖掘程度下获得的近似解与精确解之间的位置误差控制在400个采样点以内。

传统数据流聚类方法缺乏对高维数据的在线降维能力，导致其聚类性能受限。为解决此问题，提出了一种基于可扩展子空间学习的数据流聚类方法（Scalable Subspace Learning for Clustering Data Streams，S² LCStream）。首先，通过可扩展子空间学习建立历史数据与新增数据之间的投影关系，将新增数据投影至历史数据张成的子空间中，以实时获取其聚类划分。其次，为保持不同时刻聚类划分的准确性，对持续到达的数据流进行数据分布的一致性检测，捕获其中存在的概念漂移，并结合回溯机制对聚类划分进行调整以适应动态变化的数据分布。最后，通过在多个真实数据集上进行测试，验证了所提方法在处理高维数据流的效能。所提方法在保持较高聚类性能的同时，能够高效处理数据流中的概念漂移。

针对辐射源分类任务存在的特征信息表达有限和分类精度低等问题，提出了一种基于多分辨率特征融合的辐射源个体识别方法。该方法利用短时傅里叶变换3种不同分辨率的时频域谱图表达辐射源个体特征。使用ResNext50构建多通道卷积神经网络，提取不同时频分辨率的特征。在网络中引入多通道特征加权融合机制，对不同通道的特征进行加权融合，组合不同分辨率下的特征信息。实验证明，这种方法提升了辐射源信号的细微指纹信息表达能力，相比特征层融合方法和单一特征表达方法两种方法，识别准确率分别提升2.15%和6.8%。

针对复杂电磁环境下常规信号分析方法难以解决的多功能雷达信号分选“增批”和“漏批”问题，提出了一种改进的复杂网络社区检测信号分选方法。该方法首先通过有限穿透可视图将信号映射为复杂网络，引入基于密度的空间聚类去除杂散脉冲；然后根据节点的介数中心性改进标签传播算法，提高了社区划分的稳定性；最后利用密度峰值聚类合并子社区，完成分选过程。仿真结果表明，所提方法对多功能雷达信号分选正确率为98.13%；且增加杂散脉冲占比至35%时，分选批数未发生变化，能够有效处理“增批”和“漏批”问题。

针对现有深度学习调制识别算法在复杂信号环境下的鲁棒性和泛化能力不足的问题，提出了一种基于相位参数估计和空间重建的多通道网络（Phase Estimation and Spatial Reconstruction-based Attention Mechanism Multi-channel Network，PET-SAMCL）。首先，将输入的同相正交信号（In-phase Quadrature，IQ）通过相位参数估计转换，分成3个模块分别提取IQ的幅度-相位特征、IQ合路以及分路特征。在特征提取模块中加入空间重建单元（Spatial Reconstruction Unit，SRU），减少冗余特征的影响。利用全局平均池化和软注意力操作对空间特征进行提炼与融合，通过门控循环单元（Gated Recurrent Unit，GRU）及双向门控循环单元（Bidirectional Gated Recurrent Unit，BiGRU）提取时间和空间特征。通过消融实验确定了最优模型结构。该模型在RML2016.10a数据集上表现优异，在14 dB时达到了93.9%的最高识别准确率，平均识别率相较其他模型最大提高了7.7%。

深度学习（Deep Learning，DL）是实现自动调制识别（Automatic Modulation Identification，AMI）技术的有效方法，但通常难以同时兼顾识别精度和效率。为此，提出了一种增强多尺度特征融合的轻量化AMI方法。首先，设计了轻量化的多尺度特征融合模块，通过跨尺度卷积结构高效提取调制信号的多尺度特征，以增强模型对不同信号特征的表征能力；其次，构建了自适应特征增强模块，结合深度可分离卷积与注意机制，能够自适应地学习关键特征的通道权重，突出重要信号特征的同时减少无关特征的干扰；最后，设计了差异平衡分类器，通过聚焦细微调制模式的识别，从而实现高效分类。实验结果表明，所提方法在识别精度上平均提高了5.91%，参数量减少约8.5×10⁵，单次迭代时间缩短0.0624 s，与对比的先进模型相比具备更高的精度、更快的速度和更少的参数量。

针对传统的天线组阵宽带信号合成性能评估方法存在因宽带、低信噪比（Signal-to-Noise Ratio，SNR）场景下SNR估计算法精度受限致使信号合成性能评估精度低的问题，提出了一种采用功率计算的天线组阵宽带信号合成性能评估方法。该方法首先仿真多路中频信号，施加时间及相位延迟，模拟实际天线接收信号的时延和相位差，并对每路信号加噪，模拟低信噪比环境。然后，利用待评估的天线组阵算法对原始和延迟信号进行同步补偿直至收敛。最后，计算原始信号补偿后的合成功率，与理想信号合成功率作比，得到合成损失。针对该方法进行的仿真实验验证结果表明，在信号带宽250～500 MHz、信噪比-20～0 dB的条件下，该方法相较基于信噪比的宽带信号合成性能评估方法在评估准确性上约有1 dB的提升，在评估稳定性上约有0.1 dB²的提升，且提升效果随信号带宽的降低而更加显著。

广播式自动相关空空监视（Automatic Dependent Surveillance-Broadcast IN，ADS-B IN）应用能够在飞行活动中为飞行员提供诸多便利，而安全性是实现ADS-B IN应用优势的前提。针对ADS-B IN应用在实际飞行活动中可能存在的安全性问题，引入了一种基于Bow-tie模型的安全评估方法。该方法通过对预设危险进行分析，得出危险发生的最大可接受概率，进而推导出为实现这一概率所需的ADS-B设备失效率或通信数据链路完整性等安全要求。在对该方法进行阐述的基础上，给出了一个具体实施案例，对该方法做进一步说明。

星地通信背景下，P波段信号在穿越大气到达地面阵列的过程中，受到电离层效应的影响，其波达方向（Direction of Arrival，DOA）与极化角均发生改变，因此现有DOA-极化联合估计算法得到的估计值与真实值之间存在误差。为解决此问题，从DOA和极化角两个方面分别进行校正。首先考虑电离层折射效应，建立电离层信号传播模型，以此为基础提出俯仰角误差修正方法。其次针对电离层法拉第旋转（Faraday Rotation，FR）效应，分析法拉第旋转角（Faraday Rotation Angle，FRA）对信号极化的影响，根据地面目标散射过程，提出两种基于散射矩阵的FRA估计方法。通过仿真实验可知，所提方法可以准确计算P波段信号俯仰角修正值与FRA，在一定条件下，将俯仰角估计精度提高约0.1°，FRA估计精度提高近1°，从而实现DOA与极化角的校正。

为了减少在高动态、长积分时间环境下全球卫星导航系统（Global Navigation Satellite System，GNSS）信号检测方法在估计参数时的计算量，提出了适用于高动态环境的低复杂度GNSS捕获方法（Low-computation GNSS Acquisition Method，LGAM），将同步多普勒频率假设检验方法（Synthesized Doppler Frequency Hypothesis Testing，SDHT）应用于具有多普勒变化率和比特翻转的高动态GNSS信号捕获中。首先，通过多普勒粗搜索来实现稀疏多普勒（Sparse Doppler Frequency，SDF）过程，并且基于SDF信号结构，推导了后相关信号模型。然后，为了提高多普勒和多普勒变化率检测效率，提出了基于后相关信号模型的双快速傅里叶变换（Fast Fourier Transform，FFT）参数估计方法。实验结果表明，在高动态环境下，信噪比（Signal-to-Noise Ratio，SNR）高于-43 dB时，基于FFT方法的计算量是LGAM1的15倍，是LGAM2的780倍。

针对合成孔径雷达（Synthetic Aperture Radar，SAR）图像易受环境噪声影响，导致目标处信噪比降低的问题，提出了将奇异值分解（Singular Value Decomposition，SVD）和最小熵反褶积（Minimum Entropy Deconvolution，MED）结合并用于改进后向投影（Back-Projection，BP）的方法。首先，将实测采集的回波信号进行奇异值分解得到奇异值矩阵，只保留前5个奇异值后重构回波信号矩阵实现初步降噪。然后再将信号进行最小熵反褶积滤波处理，通过利用信号不断迭代更新滤波器的系数最小化信号的熵，以使输出信号的峰度最小化从而实现噪声抑制。再利用零相位滤波器（Zero-Phase Filter，ZPF）对信号进行滤波恢复信号的相位延迟。最后，利用后向投影算法得到SAR图像。实验结果证明，该方法使得大小两个角反射器的信噪比分别提升了7.9 dB和9.1 dB，显著提高了SAR图像中目标处的信噪比。

针对主动声呐在水下环境对目标方位估计受低信噪比影响的问题，提出了一种基于分数阶傅里叶变换（Fractional Fourier Transform，FrFT）改进迭代自适应法的波达方向（Direction of Arrival，DOA）估计多波束声呐成像方法。首先对水听器收到的回波信号进行FrFT，通过FrFT预处理将宽带线性调频（Linear Frequency Modulation，LFM）信号变换为分数域的窄带信号，避免了交叉干扰项的影响；然后在FrFT域对LFM信号进行聚焦并对噪声进行抑制；最后在FrFT域内实现迭代自适应法，同时优化了功率谱估计方法以精确进行DOA估计。所提方法在低信噪比且不增加传感器阵元的情况下，相较于传统的DOA估计方法具有更好的估计精度与更小的均方根误差，可以显著提高成像效果。仿真结果表明，距离向的峰值旁瓣比可达到-13.364 dB，积分旁瓣比可达到-9.723 dB，方位向的峰值旁瓣比可达到-13.874 dB，积分旁瓣比可达到-10.034 dB。

针对同一距离多人生命体征检测和呼吸高次谐波干扰下心跳信号提取的问题，提出了一种基于数字波束合成和正交投影滤波器（Orthogonal Projection Filter，OPF）的算法。雷达测得多路基带信号后，首先进行数字波束合成，通过在空间上生成多个指向受试者的波束，得到多人的生命体征信号；接着利用OPF将获得的生命体征信号投影到各自呼吸高次谐波的零空间上，实现呼吸高次谐波干扰去除、心跳信号的实时获取。多人实验结果表明，所提算法能够成功分离多人的生命体征信号检测和心跳信号提取，心跳频率估计的准确率高达99.68%。

为解决软件无线电（Software Defined Radio，SDR）中采样后信号混叠问题，提出了一种改进的相位调整滤波算法。依托具备可调时间延迟的二阶射频带通采样前端，设计了一种支持多分点分段滤波的抗混叠滤波器，可以根据实际需求灵活设置多个频率分点，从而实现针对不同频段的精确滤波。通过在MATLAB SIMULINK中进行仿真验证，该方法相比同类方法的滤波器抑制效果更佳，达到38 dB以上，并能有效滤除所需信号而不影响其他信号的完整性，简化了接收前端，具备较强的灵活性和适应性，能够更好地支持未来的通信技术和高密度通信连接。

车载边缘计算（Vehicular Edge Computing，VEC）将云服务器的计算资源汇聚至更靠近车辆用户的网络边缘，使得车辆将车载计算任务卸载至网络边缘服务器，从而为车辆提供低延迟、高带宽和高可靠性的服务。然而，VEC的高动态网络拓扑、严格的低延迟约束和车载计算任务的海量数据对实现高效任务卸载提出了重大挑战。数字孪生（Digital Twin，DT）驱动的VEC模型能够实时监测VEC网络的状态，有助于在物理世界中做出合理的任务卸载决策。首先介绍了边缘计算、可用车辆以及DT驱动的VEC任务卸载方法的研究进展，然后详细阐述了DT驱动的VEC任务卸载的场景架构，最后探讨了未来DT驱动的VEC任务卸载方法的研究挑战和解决方案，为解决DT驱动的VEC任务卸载问题提供了一定参考。