通过移动无人机(UAV)收集无线传感网络数据的方案已受到广泛关注，将感测的数据与产生此数据的传感节点位置关联起来是十分必要的。为此提出了基于无人机的强健节点定位算法(UAV-NL)。UAV-NL算法将UAV位置作为未知信息。传感节点接收由UAV在随机位置传输的beacon包，并记录接收信号强度指示(RSSI)矢量；通过理论推导2个RSSI矢量的范数距离与这2节点距离的线性关系；最后，通过RSSI值测距，并利用半定规划(SDP)算法估计节点位置。仿真结果表明，提出的UAV-NL算法即使在噪声信道条件下仍具有高的定位精确度。

针对复杂环境下基于多输入多输出(MIMO)雷达空时自适应处理(STAP)检测性能较差的问题, 提出一种发射波形及接收权联合优化方法以改善MIMO-STAP检测性能。在建立MIMO-STAP模型基础上, 基于最大化输出信干噪比(SINR)准则, 在发射波形恒模特性、抑制杂波以及降低旁瓣等约束下构建发射波形及接收权联合优化问题以最大化输出SINR进而改善MIMO-STAP检测性能。为求解所得复杂非线性问题, 提出一种迭代算法, 所提算法中每一步都可转化为半定规划问题(SDP), 因而可获得高效求解。数值仿真表明, 与仅考虑杂波抑制、旁瓣抑制算法及不相关波形相比, 所提算法可显著改善MIMO-STAP的检测性能。

利用循环平稳特性对通信信号进行参数估计是一种常用的处理方法。由于通信信号在循环频率域具有稀疏特性, 可以利用随机测量有效降低采样处理的数据量, 减轻硬件负荷, 并基于压缩采样值进行信号参数估计。然而, 在稀疏建模时通常将连续的信号参数空间划分为有限数量的均匀网格, 引起基不匹配问题, 使得信号在某个假定的离散变换基(傅里叶基、小波基等)下并不稀疏, 从而严重影响信号参数估计精确度。为解决这个问题, 本文利用原子范数描述循环频率域的连续性和稀疏性, 提出一种随机测量条件下的高精确度循环自相关函数无网格估计方法。仿真实验表明, 这种无网格估计方法能够有效降低循环自相关函数的估计误差。