基于免疫算法的TDOA定位技术研究

为了解决TDOA定位估计中遇到的非线性最优化问题，提出了一种联合使用Chan算法和免疫算法的混合定位算法．针对TDOA方式进行最佳坐标搜索的问题，所设计的基于浮点数编码的免疫算法利用混沌方程产生初始种群、改进了免疫算子，提高了算法的收敛速度和性能．仿真结果表明，在保证种群数量的情况下，该算法性能稳定，能找到逼近全局最优点的解，相对于Chan算法精度更高，相对于遗传算法在保证收敛性能的前提下有更快的收敛速度．     

基于四阶累积量的最大似然测向方法研究

论述了最大似然（ML）算法测向以及四阶累积量阵列扩展的基本原理，在此基础上给出了一种基于最大似然算法和四阶累积量的DOA估计新方法。与普通的基于二阶矩的最大似然算法相比，本方法具有对阵列进行四阶扩展的能力，可以解决信号源数大于阵元数时的测向问题，并且由于四阶累积量自身的盲高斯性，还可以有效抑制高斯色噪声。     

基于深度学习的认知无线电调制参数估计

自动调制分类是电磁空间感知的一个关键问题，目前传统的识别技术很难适应复杂的信号情况。现有的调制分类算法大多忽略了不同特征之间的互补性和特征融合的重要性。基于此，提出一种用于自动调制分类的图像特征融合方法。该方法充分利用了不同图像特征之间的互补性，通过格拉姆角场(Gramian Angular Field, GAF)方法将原始信号转换为图像，同时利用累积极坐标特征转换技术将接收到的信号从I-Q域转换为r-θ域，在r-θ域对原始信号进行特征编码然后转换为图像。使用深度学习对两种图像进行特征提取，将提取的特征融合后用作神经网络分类器的输入，以实现对多种类型信号的自动调制分类。实验结果表明，使用Swin-Transformer网络模型对转换后的图像进行分类，在信噪比大于4 dB的情况下，调制方法的识别率超过90%。     

安全雾计算物联网的联合资源配置方法

当前雾计算物联网系统在物理通信传输过程中容易遭受窃听攻击，现有雾计算相关研究未能有效解决这一难题，为实现雾计算物联网的物理层安全（PLS）通信以此对抗多个窃听器的恶意窃听，提出一种物理层安全雾计算物联网（PSFC-IoT）系统，并分析所提系统在安全通信场景下的系统保密速率。针对网络的资源配置问题，提出一种基于量子种子优化算法（QBOA）的联合资源配置方法，并对所提方法的收敛性进行分析。仿真实验结果证明了所提模型的有效性，并揭示了各种环境参数对系统保密性能的影响。此外，仿真结果还表明，所提方法在各种通信场景下均能获得最佳的保密性能。