基于室内无线模型的穿墙损耗校正

K-M（Keenan-Motley）模型将单墙固定损耗值相加来计算室内无线信号穿透多墙的总损耗值，存在较大误差。针对该问题选取多种室内场景分别进行连续波（Continuous Wave，CW）测试，对无线信号穿墙损耗的影响因素和变化规律进行分析，提出了一种基于人工神经网络的室内无线模型穿墙损耗校正方法，对预处理后的测试数据进行训练并建立预测模型。经验证该预测模型符合校正判别准则，在实际场景下具有良好的预测准确度。     

一种基于十射线模型的室内射线跟踪改进模型算法

随着移动通信技术和物联网的快速发展，预测室内短距离无线通信网络的信号覆盖情况成为当前的研究热点。基于十射线模型，自主开发了一种改进射线跟踪模型算法。该模型方法对微波室内传播提供可视化场景模拟，实现了室内短距离无线电波的传播预测和电磁波场强可视化。在多种场景测试并与其他室内电波传输模型对比，结果显示经过校准的模型均方根误差降低至5.53,准确度更高，能够更准确地预测室内环境中的信号接收功率。     

基于非线性规划的室内TOA测距值优化方法

在室内环境中,无线信道中的非视距和多径传输等效应严重影响了到达时间（TOA）定位系统的测距值精度,从而导致较大的测量误差和定位误差。将测距值优化抽象为非线性规划问题,在实现视距/非视距（LOS/NLOS）场景识别的基础上,利用TOA测距误差模型和“目标-基站”间的几何约束为序列二阶非线性规划方法设置合理的初始值,建立了目标函数和约束条件,对定位测距值进行了有效校正。利用典型的TOA测距误差模型进行了仿真验证,利用具有TOA测距功能的无线定位节点在办公环境中进行了实测验证。结果表明,该方法优化后的测距值精度明显优于原始测距值和传统的测距值修正方法,从而验证了该方法的有效性。      

一种电离层TEC格点预测模型

基于分析时间序列数据的门限控制单元（GRU）神经网络模型，利用电离层TEC网格点历史数据、太阳活动指数、地磁活动指数作为预测因子，提出一种高精度电离层TEC格点预测模型.对全球60个网格点的数据进行了模型预测和对比实验，得到北半球平均相对精度的均值为83.96%，高于南半球的73.60%，表明预测模型在北半球的适应性更好，且中低纬地区的适应性优于高纬地区；预测模型在磁扰动期的平均相对精度的均值比磁平静期平均相对精度的均值高，约1.95%；与基于递归神经网络（RNN）、长短时记忆网络（LSTM）和双向长短时记忆网络（Bi-LSTM）的电离层TEC单站预测模型相比，本文预测模型的均方根误差（RMSE）平均为原来的80.8%.      

用灰色模型预测卫星太阳电池阵输出功率

研究了GM（1，1）模型的建模方法，建立了太阳电池阵输出功率的GM（1，1）预测模型，针对电池出输出功率具有随季节波动的变化趋势，提出了采用实时在线的方法，建立动态新息GM（1，1）预测模型，经实例预测验证，动态新息GM（1，1）模型可明显地提高预测精度，且能对电池阵输出功率的波动趋势正确预测。     

一种准确识别损失场景的STPA

“系统理论事故模型与过程”（STAMP）理论认为系统安全是系统的涌现属性，因此，更准确地揭示了现代复杂系统的危险成因。依据该理论构建的“系统理论过程分析”（STPA）是一种新型危险分析方法，得到越来越多的关注，目前已被多份国际标准所采纳。但STPA仍以人工分析为主，当系统较复杂时，损失场景呈现涌现特性，STPA难以识别这类损失场景。提出改进的STPA，澄清了不安全控制动作（UCA）、损失场景、过程模型等概念，利用状态机构建识别UCA和损失场景所需要的全部行为，利用模型检测技术识别时间相关或不相关UCA的损失场景，改进后的STPA具备准确识别涌现损失场景的能力，可以减少“漏报”或“误报”。     

基于BDS/GPS和经验模型的区域电离层建模

基于北斗卫星导航系统（BDS）和全球定位系统（GPS）实测电离层穿刺点（IPP）数据，结合国际参考电离层（IRI）经验模型历史数据，提出一种对区域二维电离层总电子含量（TEC）进行高精度建模的方法.针对缺乏穿刺点的区域内短时间电离层建模时精度较低且各时段穿刺点空间分布不同的问题，该方法使用IRI模型在建模区域内均匀添加虚拟穿刺点数据，并根据与实测穿刺点的距离，使用构造的权重计算公式赋予其动态权重值，通过加权最小二乘法进行球谐模型参数解算.与欧洲定轨中心（CODE）发布的全球电离层图（GIM）进行数据比对发现，相对于只使用BDS/GPS实测穿刺点数据的建模方法，利用本文建模方法计算获得的垂直总电子含量（VTEC）值对缺乏实测穿刺点的区域精度有明显的提升.      

Klobuchar电离层模型误差分析及预测

电离层延迟误差是全球导航卫星系统（global navigation satellite system，GNSS）中的重要误差源之一。目前在电离层延迟改正模型中，应用最广泛的是Klobuchar参数模型，但是该模型的改正率仅能达到60%左右，无法满足日益增长的精度需求。将国际GNSS监测评估系统（international GNSS monitoring & assessment system，iGMAS）发布的高精度电离层格网数据作为对照，对Klobuchar电离层模型误差进行计算和分析，结果发现在中纬度区域误差存在明显的周期性特征。为进一步提高Klobuchar电离层模型在中纬度区域的改正精度，建立了基于粒子群优化反向传播（back propagation，BP）神经网络的Klobuchar电离层误差预测模型,并以2019年10月的采样数据为例进行误差预测。结果表明，用该模型对中纬度区域电离层延迟提供误差补偿，可将精度提高到90%左右。     

直反信号协同的GNSS-R BSAR距离多普勒成像算法

针对目前基于全球导航卫星系统反射信号的双基地合成孔径雷达（GNSS-R BSAR)在一站固定模式下的大斜视,斜距历程复杂,回波信号方位空变导致回波信号难以处理的问题,提出改进的距离多普勒成像新算法。所提算法采用GNSS信号作为辐射源,根据一站固定模式下GNSS-R BSAR合成孔径时间长的特点,引入高阶等效斜视距离模型,得到导航卫星与目标斜距相对时间变化的精确描述。先通过直射信号与回波信号时域对消进行距离徙动校正,实现全场景目标距离徙动的精确校正;再通过方位向分块混合相关处理来克服回波信号方位向的移变性质,实现全场景高效精确成像。所提算法的成像效率优于传统后向投影时域（BP）算法,成像精度与BP算法相当,且可根据需要通过调整方位分块的宽度来提升聚焦效果。最后,用GPS-L5信号进行仿真和实验,仿真和实验结果验证了所提算法的可行性和高效性。     

基于过程神经网络的液体火箭发动机状态预测

提出一种基于极限学习算法的离散过程神经网络模型,用于解决液体火箭发动机状态预测这一难题。首先,在历史数据的基础上建立离散过程神经网络（DPNN）预测模型;然后,根据在线更新的数据样本,采用递推极限学习（EL）算法对双并联前馈离散过程神经网络（DPFDPNN）隐层到输出层的权值进行更新,并应用权值更新后的过程神经网络对发动机状态进行预测;最后,以液体火箭发动机状态预测中氢涡轮泵扬程预测为例,分别采用有权值更新和无权值更新两种预测模型进行了试验。结果表明,通过更新过程神经网络权值可以使模型具有更高的预测精度和更好的适应能力,该方法能够为液体火箭发动机状态预测提供一种有效的解决途径。      

基于半无码的P(Y)码自相关GNSS-R海面测高方法

针对传统GPS C/A码延迟测高方法测高精度低和互相关测高方法时延波形信噪比低的问题,研究了基于半无码的P（Y）码自相关海面测高方法。首先,通过理论测高精度模型,对比分析了C/A码和P（Y）码的测高精度;然后,描述了L1、L2双频反射信号基于半无码的P（Y）码自相关处理架构,并论述了测高模型和L1、L2双频电离层时延误差修正方法;最后,利用模拟的L1、L2反射信号对比分析了基于半无码的P（Y）码自相关、C/A码自相关以及信号互相关方法的海面测高精度。结果表明:相比于C/A码自相关和信号互相关测高精度,基于半无码的P（Y）码自相关的测高精度分别提高了3.97倍和1.47倍。      

抵御对抗样本攻击的指纹室内定位方法

随着城市智能化的发展, 基于WiFi接收信号强度(RSS)的指纹室内定位服务受到社会的广泛关注。深度学习技术是利用RSS信号获得高室内定位性能的一种重要手段, 但其易遭受对抗样本攻击, 给定位系统带来严重安全隐患。为此, 提出了一种抵御对抗样本攻击的基于深度学习的RSS指纹室内定位方法(AdvILoc)。该方法基于图像识别领域对抗样本防御方法的研究和分析, 结合室内RSS指纹数据特征单一且高维的特点, 通过在RSS指纹室内定位深度学习模型中添加池化层、全连接层, 以及满足差分隐私的噪声层来抵御对抗样本攻击, 解决了基于深度学习的室内定位模型易过拟合且泛化能力不高的问题。通过添加Dropout层, 以及设计模型参数正则化方法, 提高模型抵御对抗样本攻击的鲁棒性。在2个真实RSS指纹室内定位数据集上的实验结果表明:与已有基于多层感知机(MLP)、卷积神经网络(CNN)的RSS指纹室内定位方法相比, 所提方法在保证时间开销和基本不影响定位模型性能的情况下, 提高了模型抵御对抗样本攻击的鲁棒性；在满足l₂范式规范的C&W攻击下, 随着攻击大小不断增大, 模型的定位准确率下降也更平稳。      

基于智能空间的家庭服务机器人混合定位方法

智能空间在家庭服务机器人的应用中具有重要的作用,服务机器人的定位是其中的难点.首先提出了一种家庭环境下实现服务机器人进行家庭辅助操作的智能空间架构,然后对一种低成本的服务机器人混合定位方法进行了研究,该方法首先基于加权概率匹配定位算法的无线网络信号强度确定位置范围,然后读取智能空间中的无线射频标签进行位置计算,最后基于比例不变特征变换算法进行最终位置的视觉定位.在家居环境下的实验证明了该混合定位方法的有效性,该混合定位方法为服务机器人走入家庭提供了一种低成本、高可靠性的定位解决方案.     

应用支持向量回归机探索发动机VSV调节规律

发动机可调静子叶片（VSV）调节规律极其复杂,通过挖掘快速存取记录装置（QAR）数据对VSV调节规律进行了深入研究。首先,通过PW4077D发动机健康状态的QAR数据,建立基于粒子群优化（PSO）算法的支持向量回归机（SVR）模型,来探索VSV调节规律;然后,利用后续航班数据对PSO-SVR模型进行验证,并将验证结果与传统的PSO-BP神经网络模型进行对比;最后,应用PSO-SVR模型进行发动机故障诊断。研究结果表明:PSO-SVR模型的回归预测精度优于PSO-BP神经网络模型,能够准确反映VSV的调节规律。可将其用于发动机的状态监控和故障诊断,亦可为VSV控制系统设计提供参考。      

基于地面基站的定位系统构建和方案

针对大型、复杂、多功能建筑,其内部信号环境恶劣,卫星导航的信号衰减较大,较难稳定捕获跟踪,建筑内多径效应严重,短多径对定位精度的影响较大,直接使用卫星导航信号进行定位难度大的问题,提出了一种基于地面基站的大区域（建筑群）室内定位方案。根据频率与信号穿透性能和空间衰减之间的关系,选择甚高频频段作为信号载波,采用码伪距和载波伪距联合定位的方式,可同时兼顾覆盖性和定位性能。利用所提出的新型定位方式,搭建了一个基本测试系统,通过信号的产生、发射、无线传播,进行了信号的捕获、跟踪和伪距求差解算,初步验证了本文方法的可行性及覆盖能力。