蜂群无人机自组网多优先级自适应退避算法

针对现有媒质接入控制（MAC）协议退避算法无法为蜂群无人机自组网（FANETs）提供区分服务,且在重负载时性能严重恶化等问题,提出一种多优先级自适应退避算法。采用忙闲因子自适应机制和最优竞争窗自适应机制,根据信道忙闲程度和网络状态参数自适应实时更新各优先级竞争窗口（CW）长度,从而使每次退避的竞争窗口可快速收敛到最佳状态,并实现了多业务区分服务,得到了最优的系统性能。通过建立不同优先级退避过程的三维Markov链模型求解得到了饱和吞吐量下的最优竞争窗自适应因子,并且理论推导了系统吞吐量和平均MAC时延的数学表达式。仿真结果表明,所提算法在重负载时能够实现多优先级区分服务并有效提高系统的吞吐量性能,相比区分业务优先级的自适应退避（PAB）算法和支持QoS的自适应竞争窗口退避算法（Q-ABACW）,性能均有较大提升。      

基于频控阵的稳健Capon波束形成

为了克服相控阵波束仅具有角度分辨力的缺陷,频控阵通过在阵元间加入相对于载频十分微小的频率增量,实现了波束的距离-角度二维相关。引入3种接收信号处理机制,并对其进行理论推导分析,仿真说明了其中2种机制的实用性。针对指向误差存在情况下,估计的目标导向矢量与真实的目标导向矢量失配的问题,采用稳健Capon波束形成（RCB）算法,给出纠正偏差后的导向矢量闭式解,并在2种信号处理机制下,对其方向图进行了仿真。结果表明,利用RCB算法能在目标位置形成高增益,干扰位置形成零陷,验证了算法在频控阵中应用的有效性。      

基于深度学习的无人机数据链信噪比估计算法

无人机数据链通信受到各种自然与人为的干扰,信噪比（SNR）是信道状态和通信质量的有效评估指标。为解决传统估计算法信噪比估计精度不足的问题,提出了一种卷积神经网络（CNN）与长短时记忆（LSTM）网络结合的估计模型。利用仿真与实测相结合的方式,构建了一个包含不同信噪比、调制方式、衰落信道等信息的无人机通信信号数据集;在网络训练阶段,将样本序列进行分割,对分割后的每一部分序列使用CNN-LSTM网络提取深度特征,多次训练并保存模型参数;在测试阶段,利用构建好的测试集完成对算法的验证与测试,得到信噪比估计值。实验表明,相比于传统信噪比估计算法与单一网络结构的深度学习算法,所提算法的均方误差最低,实现了对信噪比的高精度估计。      

基于快速自适应超螺旋算法的制导律

针对地空导弹攻击机动目标的制导律设计问题,提出了一种有限时间稳定的新型二阶滑模制导律。在弹目相对运动模型的基础上,将制导问题转化为一阶系统的控制问题。在超螺旋（ST）算法中引入线性项和一种新的参数自适应律,提出了一种快速自适应超螺旋（FAST）算法,该算法不需要已知系统不确定性的边界且收敛速度较快。利用类二次型Lyapunov函数证明了系统有限时间稳定性,给出了收敛时间估计公式。通过与自适应滑模制导律、ST制导律和光滑二阶滑模制导律的仿真对比,验证了所设计的制导律在保证制导精度的同时,能够在有限时间内提高滑模变量的收敛速度,并且避免了参数选择困难的问题。      

基于CUDA的超声二维声场EFIT仿真

随着图形处理器（GPU）的快速发展,基于计算设备统一构架（CUDA）可以方便地将并行计算技术应用于超声声场数值仿真计算,极大地提升计算效率。阐述了弹性动力学有限积分算法（EFIT）的原理,在采用CPU实现带吸收边界的钢材料二维点源激励声场仿真的基础上,基于GPU实现了仿真模型的并行计算,介绍了GPU程序的设计流程和参数优化方法,包括纹理内存使用、吸收边界优化和数据传输优化。对比了相同条件下CPU和GPU仿真计算的耗时和平均计算效率,定量分析了GPU对于EFIT模型效率的提升。比对结果表明,EFIT具有良好的并行计算条件,采用并行计算方法能够有效提升模型计算速度,对于复杂声场仿真应用具有广阔的应用前景。      

一种基于改进KELM的在线状态预测方法

针对核超限学习机（KELM）在线状态预测过程中,核矩阵阶数不断增长且难以跟踪时变动态特征的问题,提出了一个具有遗忘因子的稀疏KELM在线状态预测方法。通过引入遗忘因子构建新的目标函数,使稀疏字典中各元素依据时间远近具有不同权重,保证了模型对动态变化的有效跟踪;通过最小化字典的快速留一交叉验证（FLOO-CV）误差,选择具有预定规模的关键节点构成字典;基于当前字典,通过矩阵初等变换和分块求逆,实现相关参数的递推更新。某型飞机发动机的状态预测结果表明,与目前已有的3种在线序贯KELM相比,所提方法在6个监测项目上的平均训练时间分别缩短了7.5%、62.0%和81.9%,平均预测精度分别提升了44.0%、19.9%和50.9%。      

超低信噪比调频连续波引信信号小周期态 Duffing振子检测

针对超低信噪比（SNR）下调频连续波（FWCW）引信信号难以检测的问题,结合Duffing振子特性和可停振动系统理论,建立了小周期态Duffing振子检测系统。该系统能够克服传统Duffing振子强参考信号检测的固有缺陷,扩展单个Duffing振子的信号频率检测范围,并降低算法复杂度。在此基础上,分析Duffing振子相轨迹特性,提出了基于小周期态Duffing振子的调频连续波引信信号检测方法。实验结果表明,小周期态Duffing振子检测方法在-30 dB的超低信噪比下对真实调频引信辐射信号的平均检测误差小于1%,验证了本文方法的有效性。      

一种基于HXDSP的移位器查找表技术

高性能信号处理应用的快速发展,对相应处理器的运算速度及吞吐效率提出了巨大挑战。移位器是数字信号处理器（DSP）上的重要部件,通过为移位器设计额外专用随机存取存储器（RAM）和查找表（LUT）,并对其指令集及架构进行优化调整,从而达到提高处理器使用效率和传输速率的目的。此外,基于移位器与相应查找表指令,可在数据暂存的同时进行移位、提取、算术与逻辑运算处理,将部分数据运算的过程直接合并在对移位器RAM的数据存读取过程中,显著地提高了运算部件的使用效率。结果表明:基于移位器查找表的暂存技术可以达到与传输总线接近的吞吐率,对信号处理算法快速傅里叶变换（FFT）可以达到加速比约为1.15~1.20的性能提升效果。      

基于编解码双路卷积神经网络的视觉自定位方法

为了从单张RGB图像估计出相机的位姿信息,提出了一种深度编解码双路卷积神经网络（CNN）,提升了视觉自定位的精度。首先,使用编码器从输入图像中提取高维特征;然后,使用解码器提升特征的空间分辨率;最后,通过多尺度位姿预测器输出位姿参数。由于位置和姿态的特性不同,网络从解码器开始采用双路结构,对位置和姿态分别进行处理,并且在编解码之间增加跳跃连接以保持空间信息。实验结果表明:所提网络的精度与目前同类型算法相比有明显提升,其中相机姿态角度精度有较大提升。      

直连式甩油盘非均匀流动特性

针对甩油盘启动过程中的流动特性,采用三维数值模拟方法研究甩油盘内外两相流场流动特性,并结合高速摄影实验结果、理论结果进行综合分析。结果表明:甩油盘的总出流量随时间发生明显变化,幅度较大。在短时间内,甩油盘各孔流量差异巨大,各孔对应的索泰尔平均直径（SMD）值相差不大,SMD主要取决于转速。各孔流量不同,雾化场分布不均匀,实验结果验证了这一现象。