在考虑降低测试与维修成本的基础上,通过建立一种以费用函数作为目标函数的数学模型,将航电系统升级改装过程中的测试性指标分配问题转化为非线性规划(NLP)问题,针对此NLP问题,采用粒子群优化算法与序列二次规划算法相结合的混合优化算法,充分发挥前者较强的全局搜索能力与后者较强的局部精确搜索能力对问题模型进行求解,为航电系统升级改装过程中的测试性指标分配问题提出了一种最优的求解方法。结果表明,与单独使用PSO和SQP算法相比,使用混合算法能更快地取得最优值,验证了所提分配方法的可行性。

采样噪声对白光干涉信号Fourier频谱的各个频率均有影响，选用合适的滤波方法进行滤波将有助于提高白光干涉信号信噪比并获得更加准确的解算结果。构建了特定能量比例条件下的能量最集中约束条件，并建立了选取带通滤波器的代价方程。实验给出了白光LED照明条件下代价方程的部分计算过程和结果，代价方程取得最小值时表面粗糙度测量标准差仅为0.02 nm。最后在所选参数条件下对银膜反射镜和台阶结构进行了测量，结果表明所提方法具有较好的测量重复性和分辨率。

针对监控场景的背景杂乱及行人被遮挡等问题,提出一种基于背景抑制的行人属性识别方法,该方法可以减小背景对行人属性识别的影响。首先,改进卷积神经网络以生成三个分支,将分支分别用于行人图像、人体区域、背景区域的特征提取;然后,将区域对比损失函数和加权交叉熵损失函数作为网络的联合代价函数。在此联合代价函数的约束下,神经网络学习到的特征具有背景杂乱不变性,从而提高了行人属性识别的准确度。将所提方法在PETA和RAP两个行人属性数据集上进行验证。与其他现有方法相比,所提方法在平均精度、准确度、精确度等指标上性能均有所提升,证明了所提方法的有效性。

针对传统二次代价函数在卷积神经网络训练过程中图像识别准确率不高的问题, 提出基于交叉熵代价函数的卷积神经网络算法。经数学推导, 证明交叉熵代价函数较二次代价函数在图像识别中精度更高, 并应用MNIST数据集和CIFAR-10数据集, 使用AlexNet卷积神经网络, 分别采用二次代价函数和交叉熵代价函数对图像识别模型进行训练, 当数字图像识别精确率和损失值稳定后,使用测试数据对代价函数进行多次测试, 对比识别准确率。仿真结果表明, 此方法不仅能提高数字图像识别的准确率, 而且相较于传统的代价函数, 训练模型速度更快, 明显缩减了训练深度神经网络模型的过程。

为了提高不同像素之间的相干性,基于最小化嵌入损失函数框架提出了一种空域图像自适应隐写算法。使用Daubechies小波构造滤波器预测载体图像的残差权重并获得损失值,利用均值滤波器对损失值进行平滑处理,结合校验格编码嵌入信息。使用两种不同的图像特征进行抗隐写分析,实验结果表明,当信息嵌入率较小时,所提算法的抗检测能力与HILL(Hill-pass,Low-pass,Low-pass)隐写算法的相近,且优于其他对比算法;当信息嵌入率较大时,所提算法的抗检测能力明显优于小波获得权重法、S-UNIWARD(Spatial-Universal Wavelet Relative Distortion)等主流隐写算法。

为实现GPS/北斗组合卫星导航系统的快速选星，提出一种基于几何布局的快速选星算法。根据最优选星方案的卫星分布特点，利用卫星高度角和方位角信息实现卫星的区域划分，应用代价函数法对中仰角区域的卫星进行筛选，得到最终的选星方案。与最优选星算法相比，该算法计算量明显减小；仿真结果表明，该算法能将几何精度因子(GDOP)控制在小于2.5的范围内，具有较好的选星效果。综合考虑算法复杂度和选星效果，基于几何分布的快速选星算法能够满足航空航天等对精度和实时性要求较高的领域的需求。

为了提高隐写算法的安全性能, 提出了一种利用无方向性滤波器设计的空域自适应隐写算法。首先, 利用无方向性滤波器对载体图像进行滤波计算, 获得图像中难于被建模检测分析的复杂区域, 然后利用高斯低通滤波器对复杂区域进行平滑处理, 增加嵌入信息区域相邻像素间的相关性, 进而得到损失函数, 最后按照损失函数通过校验格编码完成信息嵌入。抵抗富模型隐写分析实验表明: 当信息嵌入率较小时, 该算法的抗检测性能与S-UNIWARD算法相近; 当信息嵌入率较大时, 该算法优于S-UNIWARD算法。

为了确定自适应隐写中载体图像复杂区域, 提高像素间相关性, 提出了一种利用无方向性滤波器设计的空域自适应隐写算法。利用无方向性滤波器对载体图像进行滤波计算, 获得图像中难以被建模检测分析的复杂区域, 再利用高斯低通滤波器对复杂区域进行平滑处理, 增加嵌入信息区域相邻像素间的相关性, 进而得到损失函数, 最后按照损失函数通过校验格编码完成信息嵌入。实验结果表明, 当信息嵌入率较小时, 该算法的抗检测性能与S-UNIWARD算法相近; 当信息嵌入率较大时, 该算法优于S-UNIWARD算法。

针对超低信噪比条件下的弱小目标检测跟踪问题, 本文提出一种新的动态规划检测前跟踪算法。首先, 基于相邻帧的幅值关联函数, 提出一种新的值函数构建方法, 不仅考虑当前帧的幅值信息, 还利用了相邻帧的幅值关联信息。其次, 为解决新生目标或目标湮灭的情况, 提出一种基于动态门限的遍历状态回溯算法。与同类算法的仿真分析说明, 所提算法能有效提高超低信噪比条件下的弱小目标探测性能。

传统接收机自主完好性监测(Receiver Autonomous Integrity Monitoring,RAIM)算法采用完好性风险最小准则确定判决门限，其过于保守的门限求解方式增加了航空用户的连续性风险。针对不同航空用户完好性需求的差异，提出了一种基于最小总风险代价函数的RAIM门限优化算法，以假设检验中漏检与误警概率之和作为总风险代价函数，在兼顾导航所需性能及RAIM可用性的前提下，最小化总风险代价函数，以此确定RAIM优化门限，实现完好性与连续性风险间的权衡。仿真结果表明，经过最小总风险代价函数权衡，可合理降低用户连续性风险，并使其具备在伪距域中判定RAIM可用性的能力。