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。     

一种补偿t-OPT噪声的冗余捷联惯组故障检测方法

为提高基于等价空间原理的故障检测方法在冗余捷联惯组故障检测中的适用性和鲁棒性，提出了一种补偿噪声的t检验最优奇偶向量法(t-OPT)。该方法在最优奇偶向量法(OPT)的基础上引入t检验构造了新的故障检测函数，使用卡尔曼滤波算法补偿了t-OPT方法中故障检测函数的随机噪声，使检测方法在奇偶残差统计特性未知、存在噪声干扰和故障幅值较小的情况下，仍可以实现对故障器件的准确定位。仿真结果表明：该方法可以检测到冗余捷联惯组中低故障幅值的常值漂移，有效降低了常值漂移故障检测的虚警率以及线性漂移故障的检测时延。