第一篇：典型相关分析(CCA)附算法应用及程序（最终版）
典型相关分析
摘要
利用典型相关分析的思想,提出了解决了当两组特征矢量构成的总体协方差矩阵奇异时,典型投影矢量集的求解问题,使之适合于高维小样本的情形,推广了典型相关分析的适用范围.首先,探讨了将典型分析用于模式识别的理论构架,给出了其合理的描述.即先抽取同一模式的两组特征矢量,建立描述两组特征矢量之间相关性的判据准则函数,然后依此准则求取两组典型投影矢量集,通过给定的特征融合策略抽取组合的典型相关特征并用于分类.最后,从理论上进一步剖析了该方法之所以能有效地用于识别的内在本质.该方法巧妙地将两组特征矢量之间的相关性特征作为有效判别信息,既达到了信息融合之目的,又消除了特征之间的信息冗余,为两组特征融合用于分类识别提出了新的思路.一、典型相关分析发展的背景
随着计算机技术的发展,信息融合技术已成为一种新兴的数据处理技术,并已取得了可喜的进展.信息融合的3个层次像素级、特征级、决策级。
特征融合，对同一模式所抽取的不同特征矢量总是反映模式的不同特征的有效鉴别信息，抽取同一模式的两组特征矢量，这在一定程度上消除了由于主客观因素带来的冗余信息，对分类识别无疑具有重要的意义
典型相关分析(CanoniealComponentAnalysis:CCA)是一种处理两组随机变量之间相互关系的统计方法。它的意义在于:用典型相关变量之间的关系来刻画原来两组变量之间的关系!实现数据的融合和降维!降低计算复杂程度。
二、典型相关分析的基本思像
CCA的目的是寻找两组投影方向,使两个随机向量投影后的相关性达到最大。具体讲,设有两组零均值随机变量 和
xc1，c2，...cpT
yd1，d2，...dqT
TvCCA首先要找到一对投影方向1和1,使得投影11y Tux之间具有最大的相关性,u1和v1为第一对典型变量;同 11和理,寻找第二对投影方向2和2,得到第二对典型变量u2和v2,使其与第一对典型变量不相关,且u2和v2之间又具有最大相关性。这样下去,直到x与y的典型变量提取完毕为止。从而x与y之间的相关性分析,只需通过分析少数几对典型变量的关系即可达到目的。
三、CCA算法详解
(1)
(2)
(3)
考虑到:的极值只与 和 的方向有关,而与它们的大小无关,为了得到唯一解不失一般性,加入限制条件:
SxxSyy1
矢量对 和 求解上述优化问题,可定义拉格朗日函数:
TT(4)问题变为在约束条件式下,求使准则函数式取最大值的典型投影
(5)
分别对和求导数,并令为零,得到：
(6)
(7)
(8)
(9)再对上式两端分别左乘 T和 T得： 12
记为：
(10)
(11)(12)
(13)
对H进行奇异值分解：
T 令S1ixx2uiHHui2ui1S
iyy2viHTHvi2vi分别将TTTTTT1x，2x，…dx 与 1x，2x，…dx看做是变换后的特征分量：
投影后的组合特征用于分类，其中变换矩阵为：
(14)(15)
16）
（
（17）
四、典型相关分析应用实例
欲研究儿童形态与肺通气功能的关系，测得某小学40名8~12岁健康儿童（身高X1，体重X2，胸围X3）与肺通气功能（肺活量Y1，静息通气Y2和每分钟最大通气量Y3），分析儿童形态和肺通气指标的相关性，确定典型变量的对数。
x1 =[140.6,135.7,140.2,152.1,132.2,147.1,147.5,130.6,154.9,142.4,136.5,162, 148.9,136.3,159.5,165.9,134.5,152.5,138.2,144.2];x2 =[43.7,39.5,48,52,36,45,47,38,48,42,38,58,42,33,49,55,41,53,35.5,42];x3 =[77,63,75,88,62,78,76,61,87,74,69,95,80,68,87,93,61,83,66,76];
y1 =[2.6,2,2.6,2.8,2.1,2.8,3.1,2,2.9,2.33,1.98,3.29,2.7,2.4,2.98,3.1,2.25,2.96, 2.13,2.52];y2 =[7,7,6.1,10.1,7.4,9.25,8.78,5.31,10.6,11.1,7.77,3.35,10.1,7.8,11.77,13.14, 8.75,6.6,6.62,5.59];y3 =[108,91,101,112,97,92,95,77,80,76,49,58,82,76,88,110,75,71,105,82];
（1）仿真结果分析结：
（实验平台：Matlab2014，程序见附录）
R1=0.9282 R2=0.5302 R3=0.0081
R1=0.9282
R2==0.5302
R3=0.0081(2)结果分析：
三幅分别对应不同特征值所对应的儿童形态与肺通气功能的关系，显然，第一幅图的线性关系最好，即儿童形态与肺通气功能的相关性最大，变化趋势一致，进行特征融合以达到降维的目的。
六、心得体会
通过本次大作业，对小样的典型相关分析查阅了很多文献，对文献的阅读的辨别能力有了很大提升，抓住文献中的重点要点，进行深一步的理解；其次在程序的编写中，CCA的编写从原理到算法解析再到算法的逻辑结构，一步步的将CCA的思想理解透彻并体现在MATLAB的程序中，在程序编写的过程中也遇到了很多挫折和编译失败的困惑，但是通过网上查阅和向教员请教以及同学的询问，一一得到解决，最终完成了本次大作业的撰写，其中也收获到了很多东西，学到了很多，希望以后能扎实学习，更进一步。
附录：
clear all clc
x1=[140.6,135.7,140.2,152.1,132.2,147.1,147.5,130.6,154.9,142.4,136.5,162,148.9,136.3,159.5,165.9,134.5,152.5,138.2,144.2];
x2=[43.7,39.5,48,52,36,45,47,38,48,42,38,58,42,33,49,55,41,53,35.5,42];
x3=[77,63,75,88,62,78,76,61,87,74,69,95,80,68,87,93,61,83,66,76];y1=[2.6,2,2.6,2.8,2.1,2.8,3.1,2,2.9,2.33,1.98,3.29,2.7,2.4,2.98,3.1,2.25,2.96,2.13,2.52];
y2=[7,7,6.1,10.1,7.4,9.25,8.78,5.31,10.6,11.1,7.77,3.35,10.1,7.8,11.77,13.14,8.75,6.6,6.62,5.59];
y3=[108,91,101,112,97,92,95,77,80,76,49,58,82,76,88,110,75,71,105,82];
mx1=sum(x1)/20;mx2=sum(x2)/20;mx3=sum(x3)/20;my1=sum(y1)/20;my2=sum(y2)/20;my3=sum(y3)/20;
d=[1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1];x1=x1-mx1.*d;x2=x2-mx2.*d;x3=x3-mx3.*d;y1=y1-my1.*d;y2=y2-my2.*d;y3=y3-my3.*d;%b=imread('1.jpg');%a=imread('2.jpg');%c=rgb2gray(a);%d=rgb2gray(b);
%c=double(imresize(c,[128,128]));%d=double(imresize(d,[128,128]));%zushu = size(X,1);A=[x1',x2',x3'];B=[y1',y2',y3'];
[Wx, Wy, r,n,m] = CCA_algorithm(A,B);%CCA_zq.(Z,zushu,2)Z=Wx Y=Wy U1=Wx(:,1);U2=Wx(:,2);U3=Wx(:,3);V1=Wy(:,1);V2=Wy(:,2);V3=Wy(:,3);figure(1);plot(U1,V1,'*');figure(2);plot(U2,V2,'r*');figure(3);plot(U2,V2,'g^')
%CCA函数调用：
function [U,V,nmuta,nmutatwo,U_replace,V_replace]=CCA_algorithm(X,Y)%计算典型相关分析的程序 n=size(X,1);p=size(X,2);q=size(Y,2);
X=X-repmat(mean(X,1),n,1);Y=Y-repmat(mean(Y,1),n,1);Z=[X Y];Covz=cov(Z);S11=Covz(1:p,1:p);S22=Covz(p+1:end,p+1:end);S12=Covz(1:p,p+1:end);%S21=Covz(p+1:end,1:p);S21=S12';k=1;Ip=eye(p);Iq=eye(q);if rank(S11)~=p S11=S11+k*Ip;end
if rank(S22)~=q S22=S22+k*Iq;end
%避免出现复数，不使用S11^(-1/2)K=S11^(-1/2)*S12*S22^(-1/2);d=rank(K);
[U1,S1,V1]=svd(K,0);U2=U1(:,1:d);V2=V1(:,1:d);A=S11^(-1/2)*U2;B=S22^(-1/2)*V2;%A=S11^(1/2)U2;%B=S22^(1/2)V2;U=X*A;V=Y*B;
nmuta=diag(S1);nmuta=nmuta(1:d);
%使用下面的效果是一样的
M1=inv(S11)*S12*inv(S22)*S21;M2=inv(S22)*S21*inv(S11)*S12;[V1,D1]=eig(M1);[V2,D2]=eig(M2);%归一化
gu1=V1'*S11*V1;
gu1=1./sqrt(diag(gu1));gu1=repmat(gu1',p,1);a=V1.*gu1;gu2=V2'*S22*V2;
gu2=1./sqrt(diag(gu2));gu2=repmat(gu2',q,1);b=V2.*gu2;
d1=size(find(diag(D1)~=0),1);%对特征值自动排序的，由大到小%d1=min(max(diag(D1),0),1);d2=size(find(diag(D2)~=0),1);dd=min(d1,d2);Utwo=a(:,1:dd);Vtwo=b(:,1:dd);
nmutatwo=sqrt(diag(D1));%已经取过平方根了 nmutatwo=nmutatwo(1:dd);A1=Utwo;B1=Vtwo;U_replace=X*A1;V_replace=Y*B1;end
第二篇：典型相关分析的过程和程序
典型相关
程序：
proc cancorr data=work.xing vprefix=u wprefix=v;var x1-x2;with y1-y2;run;结果：
（典型相关系数及检验）
Canonical Correlation Analysis
Adjusted
Approximate
Squared
Canonical
Canonical
Standard
Canonical
Correlation
Correlation
Error
Correlation
0.788508
0.774698
0.077211
0.621745
0.053740
.0.203535
0.002888 此结果可知，第一对典型变量之间的典型相关系数为0.788508，它比0.053740大，说明正确。
Eigenvalues of Inv(E)*H
= CanRsq/(1-CanRsq)
Eigenvalue
Difference
Proportion
Cumulative
1.6437
1.6408
0.9982
0.9982
0.0029
0.0018
1.0000
下面为用似然比法检验典型相关系数与0的差别 是否显著。
Test of H0: The canonical correlations in the current row and all that follow are zero
Likelihood
Approximate
Ratio
F Value
Num DF
Den DF
Pr > F
0.37716288
6.60
0.0003
0.99711204
0.06
0.8031 由于0.0003<0.05，说明第一对典型相关系数显著。而0.8031>0.05，所以说明第二对典型相关系数不显著。所以只取一对典型变量。
The CANCORR Procedure
（原始的典型系数）
Canonical Correlation Analysis
Raw Canonical Coefficients for the VAR Variables
u1
u2
X1
X1
0.0565661954
-0.139971093
X2
X2
0.0707368313
0.1869496027
Raw Canonical Coefficients for the WITH Variables
v1
v2
y1
y1
0.0502425983
-0.176147939
y2
y2
0.0802223988
0.2620835635
用原指标来线性表达第一对典型变量的系数： U1=0.0565661954x1+0.0707368313x2 V1=0.0502425983 y1+0.0802223988y2
Canonical Correlation Analysis
（标准化的典型系数）
Standardized Canonical Coefficients for the VAR Variables
u1
u2
X1
X1
0.5522
-1.3664
X2
X2
0.5215
1.3784
Standardized Canonical Coefficients for the WITH Variables
v1
v2
y1
y1
0.5044
-1.7686
y2
y2
0.5383
1.7586 用标准化指标来线性表达第一对典型变量的系数，即： U1=0.5522x1+ 0.5215x2 V1=0.5044y1+0.5383y2 第一典型变量在x1和x2上的系数几乎一样大。同理。
The CANCORR Procedure
（典型结构）
Canonical Structure
Correlations Between the VAR Variables and Their Canonical Variables
u1
u2
X1
X1
0.9353
-0.3539
X2
X2
0.9272
0.3747 X1在典型变量u1上的系数和它跟典型变量u1的相关系数符号相同，都是正的。所以x1对u1有正的影响。同理x2对u1也有正的影响。
Correlations Between the WITH Variables and Their Canonical Variables
v1
v2
y1
y1
0.9562
-0.2927
y2
y2
0.9616
0.2743
Correlations Between the VAR Variables and the Canonical Variables of the WITH Variables
v1
v2
X1
X1
0.7375
-0.0190
X2
X2
0.7311
0.0201
Correlations Between the WITH Variables and the Canonical Variables of the VAR Variables
u1
u2
y1
y1
0.7540
-0.0157
y2
y2
0.7583
0.0147
第三篇：大数据算法及临床应用(定稿)
“大数据算法及临床应用”学术讲座通知
主题：Big Data Algorithms and Clinical Applications(大数据算法及临床应用）
讲座人：美国华盛顿大学计算机系副教授 陈一昕博士 时间：2014年10月20日（周一）下午14：30 地点：湖北工业大学科技楼二楼圆形报告厅
欢迎全校对讲座主题感兴趣的师生参加！
[陈一昕简介] 陈一昕博士，中国科技大学少年班本科毕业，美国伊利诺大学香槟分校获计算机科学博士学位，导师为华云生教授。现任美国华盛顿大学计算机系副教授，终身教授，北京协和医院卫生统计学博导，中国联通研究院大数据首席科学家。
研究领域为数据挖掘、机器学习、优化算法、规划调度、人工智能、博弈论、云计算等。在AIJ、JAIR、TKDE、TKDD、TIST、TPDS等国际一流期刊和VLDB、AAAI、KDD、IJCAI、ICML、RTSS等国际顶级会议和上发表论文100余篇。其研究连续获得美国国家科学基金委、美国能源部、美国国家卫生局、美国能源研究科学计算中心、美国微软公司、美国斯隆凯特琳癌症中心、美国巴恩犹太医院基金、中国科技部973项目的资助。曾获KDD(2014)、AAAI(2010)、ICTAI(2005)、ICMLC(2004)等国际会议的最佳论文奖，以及ICDM(2013)、RTAS(2012)、KDD(2009)、ITA(2004)等国际会议的最佳论文奖提名。其开创性的研究工作获得了美国微软青年教授奖(2007)和美国能源部杰出青年教授奖(2006)。
现担任美国国家科学基金委，香港研究基金委，奥地利国家科学基金委，瑞士国家科学基金委，卡塔尔国家基金委，中国科技部科技评估中心的评审委员。中国科技大学所承担的教育部111引智计划专家组八位专家成员之一，中国计算机学会大数据专家委员会首届委员之一。数据挖掘和人工智能领域的一流期刊JAIR、TKDE、TIST的编委，以及ICML、KDD、AAAI、IJCAI、ICDM、SDM等一流国际会议的程序委员会委员。[讲座摘要] In the era of big data, we need novel algorithms on top of the supporting platform.In this talk, I will first discuss some key aspects of big data algorithms in general.Then, I will talk about our recent medical big data project as a case study.Early detection of clinical deterioration is essential to improving clinical outcome.In this project, we develop new algorithms for clinical early warning by mining massive clinical records in hospital databases.The research focuses on the large population of patients in the general hospital wards, who are not in the intensive care units and suffer from infrequent monitoring.I will discuss the challenges this big data application poses to traditional machine learning and data mining algorithms, our recent progress, and the lessons we learnt.Promising results on real-life clinical trials at the Barnes-Jewish Hospital(the eighth largest hospital in the United States)will be discussed.邀请人 ： 计算机学院 陈建峡副教授
第四篇：贪婪算法思想及其应用
贪婪算法思想及其应用
摘要：贪婪算法也称作贪心算法，它没有固定的算法框架，算法设计的关键是贪婪策略的选择，并且所选的贪婪策略要具有无后向性。关键词：贪婪策略，无后向性，最优 正文：
一．贪婪算法的定义：
贪婪算法又叫登山法，它的根本思想是逐步到达山顶，即逐步获得最优解，是解决最优化问题时的一种简单但适用范围有限的策略。
二．贪婪算法思想：
贪婪算法采用逐步构造最优解的方法，即在每个阶段，都选择一个看上去最优的策略（在一定的标准下）。策略一旦选择就不可再更改，贪婪决策的依据称为贪婪准则，也就是从问题的某一个初始解出发并逐步逼近给定的目标，以尽可能快的要求得到更好的解。而且它在设计时没有固定的框架，关键在于贪婪策略的选择。但要注意的是选择的贪婪策略要具有无后向性，即某阶段状态一旦确定下来后，不受这个状态以后的决策的影响，也就是说某状态以后的过程不会影响以前的状态，只与当前状态有关。
三．贪婪算法的优缺点：
贪婪算法的优点在于在求解问题的每一步它都是选择最优解，这样算法就容易实现也易于理解，同时也提高了效率并节省了时间。然而贪婪算法的缺点也是不容忽视的，由于它采取逐步获得最优解的方法而不从整体最优上加以考虑，它所做出的仅是在某种意义上的局部最优解。因此贪婪算法不是对所有问题都能得到整体最优解，但对范围相当广泛的许多问题它都能得出整体最优解或者是整体最优解的近似解。
四.实例参考：
下面就列举用贪婪算法成功得出问题最优解的例子：
例：一个小孩拿着一美元去商店买糖果，花了33美分，售货员需要找回67美分给小孩，而美分的面值有25,10,5,1这几种。问题是售货员找个小孩的钱币的个数应是最少的，但同时要满足67美分这个条件。
分析：选择硬币时所采用的贪婪准则如下：每一次都选择面值最大的货币来凑足要找的零钱总数，但前提是不能超出要找的67美分。
解：我们用贪婪算法来处理这个问题，首先我们肯定会选择面值为25的货币，这样的货币我们需要两枚，然后我们依据贪婪准则选择面值为10的货币，这样的货币我们需要一枚，接着继续选择面值为5的货币一枚和面值为1的货币两枚。这样我们用贪婪算法就得到了解决问题的办法，而在实际中这也确实是这个问题的最优解。因此在找钱这个问题上，我们采用贪婪算法就能满足我们找出的钱的个数最少这个条件。
贪婪算法同时也有很多无法得出最优解的例子，比如我们熟知的背包问题：
例：有一个背包，容量是M=150。有7个物品，物品不能分割成任意大小。
要求尽可能让装入背包中的物品的总价值最大，但不能超过总容量。
物品：A B C D E F G
重量：35 30 60 50 40 10 25
价值：10 40 30 50 35 40 30
在使用贪婪算法的前提下解决下列问题，能否得到最优结果？
1.每次挑选价值最大的物品装入背包；
2.每次挑选所占重量最小的物品装入背包；
3.每次挑选单位重量价值最大的物品装入背包。
对于例题中的三种贪婪策略，都是无法成立的，即不能得到最优解。解释如下：
（1）贪婪策略：选取价值最大者。
反例：
背包容量：M=30
物品： A B C
重量：28 12 12
价值：30 20 20
根据策略，首先会选取价值最大的物品A，接下来就不能再进行选取了。然而实际情况是选择B或者C更好。
（2）贪婪策略：选取重量最小者。
反例：
背包容量：M=30
物品：A B C
重量：30 15 10
价值：60 30 10
根据策略，首先会选取重量最小的物品C，接下来就不能再进行选取了。然而实际情况是选择A或者B更好
（3）贪婪策略：选取单位重量价值最大者。
反例：
背包容量：M=40
物品：A B C
重量：28 15 10
价值：28 15 10
根据策略，要选择单位重量价值最大的，然而三种物品的单位重量价值一样，程序无法依据当前的策略做出判断，如果选A或者B，则答案都是错误的。
五.注意：贪婪算法可以提高效率节省时间，我们在设计算法的时候要注意贪婪策略的选择。一定要注意所选算法的正确性，即要确保算法的可行性。在可行的条件下要能得出整体最优解或近似的最优解。
六.参考文献：
《算法设计与分析》（第二版）清华大学出版社 吕国英 主编 任瑞征 钱宇华 参编
第五篇：美军典型卫星通信应用装备发展分析
美军典型卫星通信应用装备发展分析
美军典型卫星通信应用装备发展分析
邓连印 邓忠辰 钱学森空间技术实验室 航天东方红卫星有限公司
一、引言
卫星通信是美军执行远程作战任务时最为依赖的战略和战术通信手段，为了改进美军卫星通信系统，提升卫星通信能力，美军进入21世纪后积极开展军用卫星系统的升级换代，整合原有的宽带和有保护卫星通信系统，从系统体系的角度规划和构建军事卫星通信体系，重点发展窄带、有保护卫星通信和宽带等几类通信卫星，努力提高美军卫星通信的装备能力，满足美军作战部队对于卫星通信带宽越来越高的需求。
二、关注战术级卫星通信应用装备研发，提高部队战术通信能力
卫星通信支援战术级作战是美军一直追寻的目标。要实现战术级无缝通信，从卫星通信应用装备这个角度来说，终端必须具备以下特点：体积相对较小，重量轻，展开、撤收灵活，使用方便，抗振能力强等。2012年，旨在提高部队战术通信能力的“分布式战术通信系统（”DTCS）、“战术级作战人员信息网（”WIN-T）项目阶段性产品都通过了测试，性能达到甚至超过预期，另外，还启动了一个重点研发战术级卫星通信应用装备的项目。1.基于铱星的分布式战术通信系统（DTCS）
DTCS 也被称为“网络铱星”，是围绕铱星星座66颗低轨交叉链路卫星和商业现有的按键即通手持式卫星收发机设计的，能够全天候在恶劣作战环境下工作，包括在极具挑战的、多山的阿富汗地区。DTCS 中的“网络化”是“铱”卫星系统支持作战应用的一个重要突破，DTCS 能够通过“铱”星系统提供一个高效的、多广播通信架构，这种架构既能很好地支持战术通信，同时还能显著节约网络资源。通过DTCS，士兵能够进行通话或发送窄带数据文件，例如小的文本文件，甚至还能够在一个专用的、定制的、受到管理和控制的用户网中通过一个通用通道与许多人交谈。
DTCS 的开发、测试和部署是由美国海军水面作战中心与“铱星通信联合公司”以及商业伙伴——波音公司和ITT公司，项目遵循螺旋式开发模式，分成三个阶段。2012 年2月，DTCS 第二阶段的产品由美国海军陆战队在“大胆美洲鳄”演习中首次进行实际应用测试。海军陆战队指挥人员通过卫星向岸上队员发送文字、数据、视频和语音信息，在开阔水域的传输距离可达402km（第一阶段产品通信距离160km）。2012 年11 月，在阿拉斯加州的北极区域，美国海军工程人员利用第三阶段手持式DTCS 产品（如图1所示）成功与美国本土的同事进行了通信，这是DTCS 在极端恶劣天气条件下首次成功完成如此远距离的通信。测试过程中，工程人员在阿拉斯加的3 处测试地点（巴罗、扣赞伯和安克雷奇）和美国本土的2 处测试地点（美国北方司令部总部和海军水面作战中心达尔格伦分部）之间进行长时间持续通信，通信内容包括语音通信、网络聊天以及在各站点之间互传位置信息等。
图1 重约1磅的手持收发机
2.战术级单兵信息网（WIN-T）WIN-T的概念20世纪90年代后期提出的，可提供指挥、控制、通信、计算、情报、监视以及侦察（C4ISR）功能，具有移动性、安全性、无缝性、生存能力强以及能支持多媒体战术信息系统等特点；无论是在指挥所内还是在指挥所外，安全手持无线语音终端都将能够支持移动指挥控制（C2OTM）功能；机动性更强、通信容量更大以及能够为战术前沿部队提供通信能力；预计未来十年，美国陆军能够在战场上任意位置实现机动通信能力及组网能力。
2004年9月，为进一步加速系统开发，美国陆军整合了“通用动力政府系统”公司和洛马公司的力量，共同开发系统。WIN-T采用按通信能力递增的“增量”研发模式，在“增量1”阶段，实现了“快速停止”（at-the-quick-halt）通信能力。2012 年“增量2”设备通过两项评估，标志着该项目已实现战术移动通信能力。“增量3”将使WIN-T的组成部分达到最大的网络容量、安全性和移动能力，同时提升实用性能，预计2016年下半年或2017年初装备首批军方用户；“增量4”使WIN-T利用转型通信卫星（TAST）系统提高通信能力，提供更大的信息吞吐量。
2012年5月在墨西哥白沙导弹试验场，得克萨斯州布里斯堡第1装甲师第1旅、肯塔基州坎贝尔堡101空降师总部和堪萨斯州赖利堡第1步兵师保障旅进行了“增量1b”与“增量2”系统之间的互通性测试。测试表明，“增量2”设备能够与“增量1”设备很好地兼容和互通，使用、维护简单方便，并在极具挑战的环境下（-37℃），各项性能都达到预期目标。WIN-T 的几种配置见图2。
图2 WIN-T 的几种配置
三、重视保密卫星通信应用装备研发，确保关键信息传输可靠
美军卫星通信系统主要有窄带卫星通信系统、宽带卫星通信系统、保密（protected）卫星通信系统、中继卫星通信系统。保密卫星通信系统工作于EHF 频段，通常具有抗阻塞、抗核辐射能力，能够保证所传输信息的安全性。美军此类卫星主要是“军事星”（Milstar）及“先进极高频”卫星（AEHF）。1.美国海军多频段终端（NMT）
美国海军的多频段终端计划由美国“航天与海战系统司令部”领导，2001年1月，与哈里斯(Harris)和雷声（Raytheon）公司签署关于发展海军先进极高频卫星通信终端系统的合同，旨在研发一种多频段、多模式的卫星通信终端。NMT一般采用EHF、Ka和X频段通信，支持LDR、MDR、XDR数据速率，满足美国国防部SCA标准，比现有终端更可靠，可以提供更大的带宽。NMT可以与多种卫星系统通信，这其中包括军事星（Milstar）、“先进极高频”（AEHF）系统、“特高频后续星”（UFO）、“极轨（Polar）卫星”、“先进极轨卫星”（APS）、“宽带全球卫星”（WGS）、“国防卫星通信系统”（DSGS）、“全球广播系统”（GBS）、“转型通信卫星系统”（TAST）[4-7]。
NMT将满足美海军三种需求：带宽有效性的扩展、缩减“最大财政开支”、依靠“武力网”（FORCE net）支持网络中心作战。美海军和Marine公司计划将“武力网”（FORCEnet）设计为能够将传感器、武器、作战人员、指挥控制系统各平台和指挥员集成为一个一体化作战网络的体系结构。NMT的另外一个特点就是舰载间的传输信号强度小，留下的“踪迹”不易被探测。
NMT 是雷声(Raytheon)公司研制的3 种AEHF 终端中的一种，目前已经在生产并成功与AEHF 卫星实现交互，系统使用扩展数据速率（XDR）波形，可为用户提供更大的带宽和更高的传输速率。2012 年6 月，雷声公司从美国海军获得两份合同，一份价值7900 万美元，为其提供数十部NMT 终端；另一份价值1900 万美元，将把NMT 与空军增强型极轨卫星（EPS）链接，这种链接将使得美国海军和空军作战人员在遥远的极地地区的通信缝隙得到填补。依据合同，雷声公司已经开始对安装配备在舰船、潜艇上以及岸上的NMT 终端进行软件和工程修正工作，以使其与EPS 系统实现通信链接。2.先进超视距终端系列（FAB-T）
美国“先进超视距终端系列（FAB-T）”计划，旨在研制一系列适用于各种平台的宽带保密卫星通信终端，2002年9月，美空军授予波音公司领导的承包小组一项价值2.732亿美元的合同。FAB-T是一个以网络为中心的终端系列，打破了美国空军以前“烟囱”式的能力，将为联合部队提供可编程的、支持多任务的系列卫星通信终端，在设计时使其通用部分实现最大化，使其实现与不同的卫星接口，实现与地面、空中和空间平台的信息交换。AEHF是FAB-T能力的核心，可为核心任务提供有保障的通信。为了确保体系结构在其服役期内始终保持相关，FAB-T能够兼容未来波形，软件和硬件也都采用了通用性标准。对软件而言，FAB-T是软件定义的，采用联合战术无线电系统的软件通信体系结构。FAB-T设计的核心是两个“调制解调器处理器组盒”，它们被做成四方的X型以满足B-2的尺寸要求。同时，操作界面组件（OIG）采用了通用原则，使用一致的操作员面板和数据集管理设备。
FAB-T是空军一项渐进螺旋式的采购计划，分成4个阶段。阶段1将向B-
2、B-
52、RC-135、E-6B和E-4B飞机提供受安全的、抗毁性强的EHF通信；阶段2将在此基础上进行扩展，在终端上增加一些附加能力，如双向Ku/Ka频段卫星通信能力、274MbpsKa频段通信转发能力和安装在高空续航平台的“全球鹰”无人机上。阶段3将与陆军、海军共同开发“可编程目标加密技术”计划，提供吉比特加密；阶段4初步规划为提升可拓展能力。
FAB-T 也是AEHF 终端，由波音公司研发，如图3所示。2012 年4 月，波音公司与美国空军共同完成了FAB-T项目初步设计评审和关键设计评审，标志着FAB-T项目取得重大进展。这两项设计评审主要验证了为美国总统与国家、军队高层领导之间安全通信而设计的“总统级和国家级语音会议”（PNVC）方案的可行性。2012 年6月，FAB-T 首次完成了与在轨AEHF 卫星的XDR、低数据率（LDR）通信试验。其后还将开发抗核加固能力，并完善功能，使其能够使用多种波形与AEHF、Milstar 星座通信。按照计划，FAB-T 未来将安装在固定或陆基（空基）移动平台上。
图3 波音公司研制的FAB-T 终端
四、及时将成熟卫星应用装备部署部队，以求快速生成作战能力
为了达到全球部署联合任务部队的需求，美军需要不断提高其应急作战的能力，这就要求作战人员能够基于高效的通信能力在战场上快速、灵活地机动，具备移动中通信的能力，美国陆军、空军、海军以及驻海外部队的卫星应用设备都得到了重新配备或改进。
1.空军B-2 轰炸机配备卫星通信终端高速处理子系统
2012 年9 月，美国空军授予诺格公司一份总金额达1.08 亿美元的EHF 卫星通信终端高速处理子系统初始小批量生产合同。2012 年7 月底，高速处理子系统涉及的硬件和软件已由美国空军成功完成了一系列作战试验。
合同签订后，诺格公司开始为美国空军B-2装配高速处理子系统，以升级机载UHF 卫星通信终端。该高速处理子系统包括新的硬件和软件，硬件部分由1 台综合处理单元、1 个高容量磁盘驱动器和1 套光纤网络组成。综合处理单元将取代目前B-2上12 台独立的航电计算机；磁盘驱动器能支持B-2向外部传送和接收EHF 数据；光纤网络将支持B-2 之间和内部设备之间的高速数据传输。该高速处理子系统能够使B-2 的计算处理能力和数据处理容量得到极大增长，使其能够以目前所配终端传输速度的100 倍发送和接收战场信息，从而具备了更强的通信能力和执行武器投放任务的能力。
2.空军C-130J 运输机配备新型Block8.1卫星通信组件
洛·马公司近期授权丹麦Thrane 公司为美国空军的C-130J 超级大力神运输机配备新型Block 8.1卫星通信组件。需要更新的飞机有200 多架，合同截止期限为2018 年，预计费用将超过2477 万美元（1.5亿丹麦克朗）。Thrane 公司将采用经DO178B 认证的、符合目前国际移动卫星公司关于安全驾驶标准规定的航空700D（AVIATOR 700D）产品进行改装，产品支持SwiftBroadbandIP 数据和语音功能，如图4所示。
图4 AVIATOR 700D 海事卫星航空通信终端
3.特种作战部队配备VSAT卫星通信移动终端 2012年7月，美国特种作战部队与美国L-3 通信公司签署了价值高达5 亿美元、为期5 年的合同，通过名为“特种部作战队可部署节点系列终端”（Special Operations Forces DeployableNode-Family of Terminals，SDN-Lite FOT）的项目采购公司的VSAT 卫星终端。
在SDN-LiteFOT 项目中，美国特种作战司令部计划采购L-3 公司的直径为1.2m 的三频段“鹰眼（”Hawkeye ™）III Lite 终端（如图5所示）和直径为2.0m 的四频段“鹰眼”III VSAT 终端。“鹰眼”III Lite 1.2m 终端具有轻质、模块化设计等特点，装备有iConnexe800调制解调器，能够自动获取Ku、X 和Ka 频段的信号，其通用交互式的设计可以使其在三个频段间任意切换。同时它拥有4 个LAN 接口，并兼容DVB-S2/ACM 设备。与“鹰眼”III 1.2M 终端相比，“鹰眼”III 2.0M 终端不仅能够自动获取Ku、X 和Ka 频段信号，还能够在C 频段进行信号的自动获取。首批“鹰眼”III Lite 1.2m和“鹰眼”III2.0m VSAT 终端已于2012年底交付给美国特种作战部队。
图5 鹰眼-III 终端
4.美驻韩部队配备“移动全球主动分发网络”系统
近日，ITTExelis 公司与美国陆军签订了一项装备快速配备（Rapid EquippingForce）合同，向驻韩第二步兵师配备用于“移动任务指挥”(MCOTM)的通信系统。此次配发的是改进型“移动全球主动分发网络”（GNOMAD）系统，如图6所示。
图6 装甲指挥车上的“移动全球主动分发网络”终端
GNOMAD 可提供移动宽带卫星连接服务，采用商用现货产品研发，是一种经过实战考验的模块化通信系统，其网络可以连接到战场上最基层的作战单位。GNOMAD可帮助第二步兵师在移动中保持态势感知并执行命令。改进型GNOMAD 设备减小了尺寸、重量，可配备在多种美国陆军地面作战平台上，如“防地雷反伏击车”等。老型号的GNOMAD 还曾配备给2011年被派往伊拉克的第四步兵师使用。
五、结束语
在现阶段越来越强调战场联合作战的背景下，军事通信系统的互操作性无疑是系统研制时必须重点考虑的要素，美军现阶段种类繁多、数量庞大的卫通终端设备则是美军卫星通信系统确保互操作性必须克服的挑战。美军现阶段的军事战略越来越强调部队的远程作战能力，因而对卫星通信的需求还将继续增加，美军目前开展的卫通终端研究无论能否按照计划部署取得成功，都值得我们继续跟踪和关注。
点击咨询 