基于新型结构增强空间谱算法的非相干参数估计与多波段融合技术研究

《Journal of Systems Engineering and Electronics》：Contents

本期推荐《Journal of Systems Engineering and Electronics》2025年8月刊，聚焦电子技术与系统工程前沿。研究人员针对复杂电磁环境下目标探测与识别难题，开展了从自适应Kalman滤波(adaptive Kalman filter)跟踪、贝叶斯蚁群优化(Bayesian-based ant colony optimization)边缘检测，到大规模MIMO(massive MIMO)信道估计、低轨卫星(LEO)网络能耗均衡等一系列创新研究。成果显著提升了系统在干扰、信息不全等条件下的性能，为智能无人系统、雷达信号处理等领域提供了关键理论与技术支撑。

　　

在现代电子信息系统，尤其是雷达、通信和无人平台应用中，对空间信号的精确感知与处理是核心挑战。复杂电磁环境、频谱资源紧张以及各类有意无意的干扰，使得传统信号处理算法在参数估计精度、目标跟踪稳定性以及系统资源利用效率等方面面临严峻考验。例如，在太阳射电爆发(solar radio bursts)干扰下，全球导航卫星系统(GNSS)的载波跟踪环路极易失锁，导致定位导航服务中断；在雷达探测中，非周期性间歇采样转发干扰(nonperiodic interrupted sampling repeater jamming)给逆合成孔径雷达(ISAR)成像带来巨大困难；而对于低轨卫星网络(LEO satellite networks)，如何均衡能耗以延长网络寿命亦是亟待解决的难题。此外，多功能雷达系统(multifunctional radar system)需要在有限的时间资源内完成搜索、跟踪等多种任务，其驻留调度(dwell scheduling)策略的优劣直接关系到整体性能。上述问题共同指向了对更鲁棒、更智能、更高效率的信号处理与系统优化方法的迫切需求。为此，研究人员在《Journal of Systems Engineering and Electronics》2025年8月第36卷第4期发表了一系列研究成果，旨在突破现有技术瓶颈。

本研究涉及的关键技术方法主要包括：针对信号处理问题，采用了基于信噪比(SNR)估计的自适应Kalman滤波、新型结构增强空间谱算法、深度残差收缩网络(deep residual systolic network)以及贝叶斯框架下的蚁群优化算法；针对系统优化问题，运用了基于Q-learning的自适应调度、混合遗传算法(hybrid genetic algorithm)以及基于决策树(decision tree)的多轮动态博弈决策模型；在特定应用场景如无人机(UAV)集群和全双工相控阵系统(in-band full-duplex phased array systems)中，还涉及了自干扰抵消(self-interference cancellation)和基于毫米波雷达(millimeter-wave radar)的导航控制技术。

基于非相干参数估计与多波段融合的结构增强空间谱算法

JIANG Libing等人提出了一种新颖的结构增强空间谱算法，通过改进空间谱估计过程，有效提升了在低信噪比和相干信号源条件下的参数估计精度，并实现了多波段信息的有效融合，增强了系统的分辨能力和鲁棒性。

太阳射电爆发干扰下基于载噪比估计的自适应Kalman滤波跟踪算法

ZHU Xuefen等针对太阳射电爆发对GNSS载波跟踪的干扰问题，设计了一种自适应Kalman滤波跟踪算法。该算法通过实时估计载波噪声功率密度比(C/N₀)，动态调整滤波器的过程噪声协方差矩阵，显著提高了跟踪环路在强干扰环境下的稳定性和精度。

基于贝叶斯蚁群优化的边缘检测算法

YU Yongbin等将贝叶斯理论与蚁群优化(ACO)相结合，用于图像边缘检测。该方法利用贝叶斯框架融合先验信息，引导蚁群在图像像素图上寻找最优边缘路径，在保持边缘连续性的同时，有效抑制了噪声干扰，提升了检测性能。

采用混合SNR和混合场景联合训练策略的深度残差收缩网络用于大规模MIMO信道估计

SUN Meng等提出了一种深度残差收缩网络(deep residual systolic network)，用于大规模多输入多输出(Massive MIMO)系统的信道估计。该网络通过引入软阈值化作为收缩函数来去除噪声特征，并创新性地采用混合信噪比(mixed-SNR)和混合场景(mixed-scenarios)联合训练策略，使模型具备更强的泛化能力和鲁棒性。

基于改进YOLOv5的雷达目标检测

WANG Zhicheng等对YOLOv5目标检测算法进行改进，并将其应用于雷达目标检测领域。通过优化网络结构和训练策略，该模型能够更准确地从雷达数据中识别和定位目标，提升了雷达系统的自动化检测水平。

低轨卫星网络中基于DEF的能耗均衡优化

DI Hang等研究了低轨卫星网络(LEO satellite networks)的能耗均衡问题，提出了一种基于DEF的优化算法。该算法通过优化网络中的数据流分配和路由策略，有效平衡了卫星节点的能量消耗，从而延长了整个网络的使用寿命。

基于Mog-GRU-D网络的不完全信息空战目标意图预测

CHEN Jun等针对空战中信息不完全的情况，提出了一种基于Mog-GRU-D网络的目标意图预测方法。该方法结合混合高斯模型(Mixture of Gaussians, Mog)、门控循环单元(GRU)和判别器(Discriminator)，能够有效处理不确定的观测序列，实现对敌方目标战术意图的准确预测。

基于Q学习的多功能雷达自适应驻留调度

HENG Siyu等将Q学习(Q-learning)这一强化学习方法应用于多功能雷达的自适应驻留调度问题。该方法使雷达能够根据实时环境和任务优先级，自主学习和优化其波束驻留时间分配策略，从而在复杂多任务场景下实现性能最优。

杂乱环境中多机器人系统穿行控制研究综述

GAO Yan等对杂乱环境中多机器人系统(multi-robot systems)的穿行控制(passing-through control)技术进行了全面综述。系统梳理了该领域的关键挑战、主要控制方法（如虚拟管(virtual tube)方法）以及未来发展趋势，为相关研究提供了重要参考。

基于视觉伺服和虚拟管的多旋翼拦截控制

LYU Yangjie等研究了在杂乱环境中多旋翼飞行器(multicopter)对移动目标的拦截控制问题。该方法结合视觉伺服(visual servo)提供相对位姿反馈，并利用虚拟管(virtual tube)概念规划安全走廊，实现了在复杂障碍物环境下的精确、安全拦截。

综上所述，本期《Journal of Systems Engineering and Electronics》汇集的研究成果，在信号处理、目标跟踪、资源调度、智能决策等多个层面取得了显著进展。这些研究不仅提出了创新的算法和模型，如结构增强空间谱、自适应Kalman滤波、贝叶斯蚁群优化、深度残差收缩网络、改进YOLOv5、Q学习调度策略、Mog-GRU-D网络等，更重要的是它们紧密围绕实际应用中的关键难题，如强电磁干扰、信息不完全、资源受限、环境复杂等，提供了切实可行的解决方案。结果表明，通过引入机器学习、优化理论和智能控制等先进方法，能够有效提升电子信息系统在复杂动态环境下的感知精度、决策智能和整体效能。这些成果对推动雷达、通信、导航、无人系统等领域的技术发展具有重要的理论价值和实践意义，为构建下一代高性能、高可靠性的智能电子系统奠定了坚实基础。