如何将带有大量标记数据的源域知识模型迁移至带有少量标记数据的目标域是少样本学习研究领域的热点问题.针对现有的少样本学习算法在源域数据与目标域数据的特征分布差异较大时存在的泛化能力较弱的问题，提出一种基于伪标签的半监督少样本学习模型FSLSS（Few-Shot Learning based on Semi-Supervised）.首先，利用pytorch深度学习框架建立一个关系型深度学习网络，并使用源域数据对网络进行预训练；然后，使用此网络对目标域数据进行分类预测，将分类概率最大的类标签作为数据的伪标签；最后，利用目标域的伪标签数据和源域的真实标签数据对网络进行混合训练，并重复伪标签标记与混合训练过程.实验结果表明，相对于现有主流少样本学习算法，FSLSS模型有更好的泛化能力及知识迁移效果.
DKCHER算法是基于超扩展规则的求差知识编译算法，也是目前为止表现最好的EPCCL理论编译算法.本文通过研究DKCHER算法的执行流程，设计了一种新的启发式策略MOVR（maximum occurrence number of variables in middle result），用于动态地从输入子句集中选择所包含变量在中间结果中出现次数最多的子句.将MOVR启发式策略与DKCHER算法相结合，设计了MOVR_DKCHER算法.实验结果表明，MOVR启发式策略能够显著提高DKCHER算法的编译效率和编译质量，编译效率平均可提升70倍左右，最高可以提高237倍.
提高射频功率器件的鲁棒性有利于增强器件的抗静电放电能力和抗失配能力.为了直观地了解器件内部发生的电学过程，本文研究了高鲁棒性N型沟道RF-LDMOS（Radio Frequency Lateral Diffusion MOS）在TLP（Transmission Line Pulse）应力下的电学机理.利用0.18μm BCD（Bipolar/CMOS/DMOS）先进制程，实现了特定尺寸器件的设计与流片.通过实测与仿真的对比，发现静电放电失效的随机性、芯片内部的热效应是导致仿真和实测差异的非理想因素.通过对TLP仿真的各阶段重要节点的分析，证明了源极下方的P型埋层有利于提高空穴电流的泄放能力，从而提高RF-LDMOS的鲁棒性.
现有直接定位（Direct Position Determination，DPD）算法主要研究对象是视距目标.针对传统无线电定位技术对超视距目标定位精度低的问题，提出一种辐射源信号波形已知的超视距直接定位（Over-the-Horizon Direct Position Determination，ODPD）方法.该方法基于电离层电子密度参数，依据最大似然（Maximum Likelihood，ML）准则，从信号数据域直接推导出仅关于目标位置的代价函数.其次，本文推导了关于电离层虚高测量误差的定位误差协方差矩阵.实验表明ODPD方法在低信噪比下相比现有算法，能显著提高超视距目标的定位精度，定位性能更接近克拉美罗界（Cramér-Rao Low Bound，CRLB）.误差分析显示，电离层虚高误差标准差在20km时，引起的定位误差能控制在10km的范围内.
经典的非参数谱分析方法使用滑动窗口来捕捉大多数时间序列的频谱特性，然而这种方法不能很好地应用在时间序列的时频谱是时间连续的信号上.对于一些其时频谱满足时间连续频率稀疏的非平稳信号，提出了一种利用部分平行交替方向乘子法（Alternating Direction Method of Multipliers，ADMM）求解谱寻求问题用于此类信号的时频分析方法.对一段加噪声的仿真信号和一段EEG（脑电）信号使用提出的方法进行时频分析.仿真结果表明：与短时傅里叶的分析方法相比，提出的方法不仅提高了时频谱的频率分辨率和时间分辨率，还有效抑制了噪声.最后从ADMM算法停止准则的角度说明了算法的收敛.
低频通信中脉冲型噪声会严重降低通信性能.针对脉冲型噪声的抑制问题，本文提出高斯拖尾零记忆非线性（Gaussian-tailed Zero Memory Nonlinearity，GZMNL）函数的最优化设计方法.GZMNL函数含有两个参数，分别控制其线性范围和拖尾程度，故适用于多种噪声分布.本文提出GZMNL设计以效能最大化为优化目标，采用自适应搜索算法来寻找GZMNL参数的最佳值.然后讨论了GZMNL在SαS（Symmetric α-Stable，SαS）噪声分布下的快速设计方法，以及在未知噪声分布时的稳健设计方法.最后，仿真SαS噪声和实测大气噪声数据的处理结果表明：本文设计方法在检测性能上能够接近最优非线性，且能够有效抑制未知分布的噪声.
