翼型不确定性量化中正交匹配追踪的应用

不确定性在实际系统中广泛存在，为了研究不确定性因素影响下系统输出的随机响应特性，传统的不确定性量化方法如蒙特卡洛采样、混沌多项式展开等需要大量的样本，制约了在飞机机翼等复杂系统中的应用。近年来，在信号处理领域发展迅速的压缩感知技术，利用原始信号的稀疏性可以用少量的样本精确重构信号。这一特性促使研究人员探索将压缩感知技术应用于不确定性量化研究中。以RAE2822实际翼型为研究对象，使用类函数/形函数变换将原始翼型参数化，考虑加工、装配过程和实际飞行工况下的几何不确定性，将压缩感知技术与混沌多项式展开相结合，利用正交匹配追踪算法实现多项式系数的稀疏重构，获得翼型气动力系数和流场参数在考虑几何不确定性影响下的均值和标准差，并与蒙特卡洛采样和满秩概率配点法获得的结果进行对比。通过对收敛性能、样本数需求和重构精度等方面的对比分析表明，正交匹配追踪算法能够利用相对较少的样本获得与传统不确定性量化方法相近的精度。考虑到实际系统的随机响应在混沌多项式基底上大多具有稀疏的展开形式，因此将压缩感知技术应用到不确定性量化中可以显著降低样本数需求，从而降低时间成本，提高计算效率。     

基于飞行时间相机的非合作慢旋卫星稠密重建研究

针对非合作慢旋卫星的模型重建问题，提出基于飞行时间(time-of-flight, TOF)相机和同时定位与制图(simultaneous localization and mapping, SLAM)的稠密重建方法。基于预先检测与自适应阈值方法提高旋转提取与描述(oriented fast and rotated brief, ORB)的特征尺度适应性。利用运动度量方法选取关键帧。利用子模型拼接方法加快重建效率。利用仿真环境制作非合作慢旋卫星的数据集。仿真实验结果表明:该方法能够实现长时间稳定地工作，可在3 min内重建出卫星模型的稠密点云，点云密度大于5 000，重建误差小于5 cm。利用机械臂、卫星模型及光学暗室搭建半物理实验系统，表明算法的精度及抗噪声能力基本满足非合作目标感知的任务的需求。     

基于跨层信道感知的SPMA 协议自适应阈值算法

基于统计优先级的多址接入协议（SPMA, Statistical Priority-based Multiple Access protocol）应用于机     

基于压缩感知的嵌套FDA 雷达距离- 角度联合估计

针对频率分集技术，与非均匀阵列、压缩感知理论相结合，实现目标距离- 角度的联合估计。通过 频率分集技术提高信号空间自由度，将距离参数引入导向矢量矩阵，实现距离- 角度参数的联合。并结合嵌套 阵列，显著提高雷达阵列孔径。该方法针对嵌套阵虚拟阵列流型矩阵的优化过程导致的秩亏缺问题，传统的空 间平滑算法会以牺牲部分阵列孔径为代价将单快拍问题转化为多快拍问题，采用正交匹配追踪算法可以实现单 快拍下的高精度参数估计，避免了空间平滑技术对阵列孔径的影响。并通过压缩感知理论的应用降低信号维度， 减小了计算复杂度。     

基于深度强化学习与扩展卡尔曼滤波相结合的交通信号灯配时方法

深度Q学习网络(DQN)因具有强大的感知能力和决策能力而成为解决交通信号灯配时问题的有效方法，然而外部环境扰动和内部参数波动等原因导致的参数不确定性问题限制了其在交通信号灯配时系统领域的进一步发展。基于此，提出了一种DQN与扩展卡尔曼滤波(EKF)相结合(DQN-EKF)的交通信号灯配时方法。以估计网络的不确定性参数值作为状态变量，包含不确定性参数的目标网络值作为观测变量，结合过程噪声、包含不确定性参数的估计网络值和系统观测噪声构造EKF系统方程，通过EKF的迭代更新求解，得到DQN模型中的最优真实参数估计值，解决DQN模型中的参数不确定性问题。实验结果表明:DQN-EKF配时方法适用于不同的交通环境，并能够有效提高车辆的通行效率。      

基于滑动截获和信号相关的对流层散射频谱感知

为提高对流层散射频谱感知的性能，提出了适应对流层散射多径衰落信道的频谱感知方案。针对对流层散射频谱感知性能低下的问题，在分集接收的基础上，分析对流层散射信道的时域扩散特性，提出滑动截获的方式截获信号，计算其最佳截获长度。同时，为降低噪声对检测性能的影响，利用信号的相关性，求出各截获窗内信号的相关矩阵，构造统计量，分别推导在Nakagami-m衰落信道模型下不同分集数时的检测概率和检测门限。通过仿真实验分析，验证在不同条件下所提频谱感知算法的性能，与传统算法相比，所提算法在对流层散射信道中适应性更好、性能更强。     

采用局部约束线性编码的像素级舰船目标图像融合

为了提升视觉信息在低能见度条件下的适用性,提出了一种采用局部约束线性编码的像素级舰船目标图像融合方法.首先,采用K均值奇异值分解算法从海量的训练样本中完成过完备字典的学习.其次,在考虑着舰导引实时性任务需求的前提下,采用局部约束线性编码完成融合系数的非迭代求解,相较于压缩感知理论架构下的匹配追踪算法,极大地降低了计算复...     

基于Bi-LSTM及贝叶斯似然比检验的GEO与LEO卫星组合频谱感知

目前的频谱感知算法以模型驱动为主，其感知性能过于依赖预定的统计模型，这使得其在信道环境复杂的卫星通信场景中的部署变得困难。对LEO卫星过境期间的信噪比波动情况进行分析，结果显示信噪比的波动达到14 dB。针对该复杂场景提出了一种基于双向长短期记忆网络及贝叶斯似然比检验联合的频谱感知算法。该算法不需要任何主信号的先验知识，可自动从主信号中学习隐藏特征并做出决策。基于Neyman-Pearson准则，在神经网络输出端设计了一种基于阈值的检测方案，可方便地控制恒定的虚警概率。仿真结果表明，所提算法在信噪比为–14 dB的情况下，仍能达到83%的检测性能，且始终优于卷积神经网络、多层感知机和基于模型驱动的能量检测算法。     

面向量化分块压缩感知的区域层次化预测编码

在量化分块压缩感知的预测编码中，低参考价值的候选者将导致较差的率失真性能。为了高效地降低编码失真，提出了一种基于螺旋逐块扫描的区域层次化预测编码方法。在以同一采样率进行观测后，各块按由内向外的扫描次序进行预测与量化。当前观测矢量从上下文感知候选集中选取与之具有最小误差的反量化矢量，作为其预测矢量；根据层次相关性，所有块被划分到3种区域之一，通过块编码模型为不同区域设定自适应的质量因子，关键区域被赋予较大的质量因子。与现有的预测编码方法相比，所提方法综合利用了矢量之间的空域相关性和层次相关性，实验结果获得了至少0.12 dB的率失真增益。