微机械电子系统MEMS器件存在精度低、噪声大等问题。为提高MEMS陀螺阵列的融合精度, 在传统的支持度融合算法的基础上, 提出了一种剔除异常支持度点, 利用时间的限定记忆信息对融合数据进行参考加权的陀螺阵列融合算法。该算法基于对陀螺阵列进行时空融合的加权思想, 优化了传统的支持度的权值分配, 不仅可以保证陀螺阵列输出的稳定性和可靠性, 还可以使融合更接近真实的输出值。实验结果表明, 该融合算法优于传统的支持度融合算法和平均值估计算法。

“动中通”伺服系统的稳定环因受齿隙摩擦等因素的影响, 表现出较强的非线性特征。标准BP算法对非线性系统虽有较好的辨识效果, 但存在网络收敛慢、过程振荡、泛化能力差等缺点。为弥补这些不足, 提出了基于累积误差函数梯度的双学习步长的自适应BP算法, 以加快收敛、减少振荡, 并设置全局误差阈值控制训练次数, 进一步提升泛化能力。通过在“动中通”平台上设计实验, 验证了改进后算法在收敛性、辨识精度、泛化能力等方面都有明显提升, 可以得到非线性稳定环更精确的BP网络模型。

针对传统的基于特征提取的高光谱图像地物分类算法大多只考虑光谱信息而忽略空间信息的问题，提出了一种面向高光谱分类的半监督空谱全局与局部判别分析（S3GLDA）算法。该算法首先利用少量标记样本保存数据集的线性可分性和全局判别信息，再依靠较多的无标记的空间局部近邻像元来揭示局部判别信息和非线性局部流形，使高光谱遥感图像的光谱域全局判别结构和空间域局部判别结构在低维特征空间同时得以保留，并在输出特征中自动融入了空间信息，构成了半监督的空谱判别分析。在Indian Pines和PaviaU数据集的实验表明，总体分类精度分别达到76.24%和82.96%。与现有几种算法比较，该算法有效提高了输出特征在低维空间的判别能力，更好地揭示了数据集的内在非线性多模本质，有效提升了高光谱图像数据集的地物分类精度。

高光谱遥感图像具有特征(波段)数多、冗余度高等特点, 因此特征选择成为高光谱分类的研究热点。针对此问题, 提出了空间结构与光谱结构同时保持的高光谱数据分类算法。考虑高光谱图像的物理特性, 首先对图像进行加权空谱重构, 使图像的空间结构信息自动融入光谱特征, 形成空谱特征集; 对利用最小二乘回归模型保存数据集的全局相似性结构的基础上, 加入局部流形结构正则项, 使挑选的特征子集更好地保存数据集的内在本质结构; 讨论了窗口大小和正则参数对分类精度的影响。对Indian Pines、PaviaU和Salinas数据集的实验表明, 该算法得到的特征子集的总体分类精度达到93.22%、96.01%和95.90%。该算法不仅充分利用了高光谱图像的空间结构信息, 而且深入挖掘了数据集的内在本质结构, 从而得到更有鉴别性的特征子集, 相比传统方法明显提高了分类精度。

针对传统的基于特征提取的高光谱图像分类算法大多只考虑光谱信息而忽略空间信息的问题，提出了一种基于空谱半监督局部判别分析(S3ELD)和空谱最近邻 (SSNN) 分类器的高光谱图像分类算法。该算法结合高光谱图像的空间一致性，在利用标记样本的判别信息保持数据集可分性的基础上，定义空间近邻像元散度矩阵来保存像元的空间近邻结构，提出基于空谱距离的相似性度量并将其应用于局部流形结构的发现和SSNN的构建。S3ELD算法不仅能揭示数据集的局部几何关系，而且增强了光谱域同类像元和空间域近邻像元在低维嵌入空间的聚集性。结合SSNN进行分类，进一步提升了分类精度。利用PaviaU和Salinas数据集进行的实验结果表明，S3ELD算法的总体分类精度分别达到了92.51%和96.29%；与现有几种算法相比，该算法能更有效地提取出判别特征信息，并达到更高的分类精度。

为了充分利用高光谱图像蕴含的丰富的光谱信息和空间信息, 提出了结合多尺度空间滤波和层级网络的基于结构保持的高光谱特征选择算法.算法利用基于l2,1范数的数学模型, 选出同时保存全局相似性结构和局部流形结构的特征子集; 在多个尺度的窗口中使用双边滤波, 自适应计算滤波核, 自动在光谱数据中融入空间信息, 增强了类内相似性和类间相异性, 避免了参量选择; 引入层级结构实现空间信息和光谱信息的深入融合, 提高了分类准确度; 讨论了层级数目和窗口尺度个数对分类准确度的影响.在Indian Pines和PaviaU两个数据集的实验表明, 该算法在大部分地物种类上的分类准确度都有较大幅度的提升, 总体分类准确度分别达到90.98%和94.20%, 相比其他方法明显提高了地物分类准确度.

针对高精度惯导输出信息的频率有限，不能很好地满足移动卫星通信控制精度的问题，提出了一种基于数据拟合插值的Sage-Husa自适应卡尔曼滤波姿态估计算法。通过采用三次样条插值提高高精度惯导输出数据的频率，增加系统单位时间内的估计次数；通过自适应卡尔曼滤波算法不断修正滤波误差，避免系统因参数匹配不当引起的滤波发散。实验结果表明：数据拟合插值弥补了系统数据更新频率低的不足，自适应滤波提升了系统应对不同环境的鲁棒性。天线波束姿态估计精度和测控精度也得到明显提高，满足宽带移动卫星通信的波束指向需求。

针对动中通系统低成本姿态估计计算复杂、易受侧滑角和机动加速度等外界因素干扰的问题, 提出一种基于超球体采样无迹卡尔曼滤波算法, 融合微机械陀螺、加速度计和单基线GPS, 对载体姿态进行精确估计。为了提高姿态估计的实时性, 采用超球体采样减少无迹卡尔曼滤波器的采样点数量, 在不影响精度的前提下, 有效降低了算法的计算量；此外, 加速度计姿态角测量值在加速、转弯行驶过程中会受到机动加速度的影响, 为解决这一问题, 通过单基线GPS提供的速度、侧滑角信息进行机动加速度补偿。行车实验表明, 提出的低成本姿态估计方法估计精度较高, 在降低成本的同时能够满足宽带移动卫星通信波束对准要求。

自适应波束形成器可以根据接收信号自适应地调整权矢量，增强期望信号，并有效抑制干扰。在实际环境中，由于波达角估计、阵列校准等误差因素的存在，导致传统自适应波束形成算法性能严重下降，因此，如何提高自适应波束形成算法的鲁棒性是一个重要的研究问题。本文对鲁棒自适应波束形成算法进行研究，对算法进行仿真、分析和比较，总结出各算法的性能优缺点，最后对鲁棒自适应波束形成算法的发展趋势提出自己的几点见解及展望。

为有效克服导向矢量失配误差对自适应波束形成器的影响, 提出了一种基于约束同时扰动随机逼近算法的鲁棒自适应波束形成算法。该算法对波束形成器的幅度响应进行约束, 运用约束同时扰动随机逼近算法对权矢量进行优化, 算法只需要对阵列输出功率进行测量, 无需知道接收数据协方差矩阵, 可适用于低成本的单通道接收系统。此外, 该算法能很好地处理非凸的优化问题, 无需将其转化为凸优化问题, 能够自由控制鲁棒响应区的波束宽度和纹波水平, 理论上可适用于任意阵型。仿真结果验证了算法的正确性和有效性。