文献综述（或调研报告）：
1.干扰识别技术的研究现状和发展趋势
干扰识别技术是指对干扰信号进行分类识别、确定干扰信号类型的技术。干扰识别的思路一般是将干扰信号数据或从信号中提取到的特征，输入到设计好的分类器中，由分类器完成对干扰信号的分类。因此，设计分类器是干扰识别技术研究的重要内容。干扰识别的过程一般分为两步，首先将一部分带有类别标签的数据用于训练分类器，待分类器训练完成后，将剩下的数据用于测试分类器的识别精确度。待分类器的识别精确度达到预定要求时，分类器就可以完成对未知干扰信号的分类。
将机器学习中的分类算法应用于干扰分类中，是目前干扰识别技术发展的主流趋势。机器学习着眼于使计算机模拟人类的学习方式，不断改进自己的知识架构，从而获取新的知识技能，提高自己的性能。不少机器学习的分类算法在干扰识别领域被实践，并取得了一定的效果。支持向量机技术（SVM）在干扰识别领域就得到了广泛研究，这是一种二元分类的监督学习方式。如文献[1]基于原子分解理论，提取了时延和频偏匹配的特征，利用支持向量机最干扰信号进行了分类识别。文献[2]使用遗传免疫粒子群优化SVM算法，避免了常规SVM算法中人工选取参数的弊端。文献[3]采用量子粒子群算法对支持向量机参数进行优化，以进行干扰识别。但是，支持向量机技术在处理多分类问题中优势不足，但干扰源种类多种多样，因此，对多分类算法应用于干扰识别领域的需求日益增长。决策树算法就是一种多分类算法。决策树算法也在干扰识别中取得了很好的效果。如文献[4]在对接收到的干扰信号提取时频域特征后，通过决策树算法对干扰信号进行了识别。而文献[5]则是通过分析不同干扰信号在不同信噪比下的特征区间分布实现了决策树算法。但是，决策树算法在实现时既有可能出现过拟合的现象，导致分类效果不好。此外，随着人工神经网络的发展，将人工神经网络应用于干扰识别分类领域，成为这一领域发展的又一趋势。例如，BP神经网络对于实现干扰信号分类也有一定的优势，文献[6]发现使用BP神经网络进行干扰信号分类时，识别率更高，但是该实验所用样本较少。
2.干扰定位技术的研究现状和发展趋势
到达方向（DOA）估计是阵列信号处理中的重要问题，在通信，雷达和声纳领域中具有广泛的应用[7]。传统的波束成形（CBF）方法，也称为Bartlett波束成形方法[8]，是已知的最早的基于阵列的空间频谱估计算法。 CBF将时域的基于傅立叶的频谱估计方法扩展到空间域，并且CBF的角分辨率受到“瑞利极限”的限制。为了提高分辨率性能，已经提出了基于时域非线性估计方法的方法，例如最大熵方法（MEM）[9]和最小方差方法（MVM）[10]。此外，在[11]中提出了基于子空间的方法来提高DOA估计性能，包括多信号分类（MUSIC）方法[12]，Root-MUSIC方法[13]，以及通过旋转估计信号参数。不变技术（ESPRIT）方法[14]。
压缩感测（CS）理论[15]断言，与传统方法相比，可以从少得多的样本中恢复某些信号，这意味着可以以奈奎斯特速率或更高的速率对信号进行均匀采样。 压缩感知的理论[20]主要包括三个方面：信号的稀疏表示，观测矩阵的设计和重构算法。 观测矩阵的设计是确保信号采样质量的关键。 观测矩阵主要分为两类，一类是随机观测矩阵，而局部傅立叶观测矩阵是典型的随机矩阵，可以很好地重构原始信号。
稀疏表示提供了DOA估计的新视角，并引起了很多兴趣[16]。稀疏贝叶斯学习（SBL）[17]和相关向量机（RVM）[18]便是通过利用空域中目标的稀疏性来估计DOA的算法。 SBL方法无需附加参数即可实现稀疏解决方案。但是，SBL方法的高计算复杂度意味着其实际应用存在局限性。基于压缩感知理论，一种迭代自适应方法（IAA）[19]可以实现更高的分辨率。文献[20]使用的正交匹配追踪方法（OMP），利用观察矩阵重建稀疏信号，取得了很好的干扰定位效果，成为干扰信号定位的经典算法之一。一些基于OMP方法的干扰源定位算法也被提出，例如多重正交匹配追踪（MOMP）[21]和优化的正交匹配追踪（OOMP）[22]。OMP方法大大降低了计算复杂度，提高了估计性能。
一般而言，阵列的空间频率是DOA的传统表示形式。 如[15]中的CS理论所示，在不知道网格的任何位置和增益的情况下，在频率分布在离散网格上的情况下，可以通过使用凸优化方法来精确地恢复信号。 但是，在大多数情况下，稀疏信号是连续的，并且通过对离散网格应用该方法会引入离网误差。 当使用更密集的网格来拟合连续特性并解决DOA估计问题时，相邻操纵向量（或原子）之间的相关性会变得更高，这将进一步降低稀疏信号恢复的性能[23]。这一矛盾特征也被成为DOA的基不匹配问题。
OMP算法固然定位性能很好，但是它利用了空域中目标的稀疏性，引入了基不匹配问题。为了避免通过离散空间域来描述DOA问题，研究人员提出了将DOA估计问题转换为凸优化方法的另一个通用框架，该框架出现在[24]中，它是基于原子范数的方法。在[25]中，应用原子范数来解决在时域中连续样本数量较少的情况下频谱稀疏信号恢复的问题。此外，被称为重加权原子范数最小化的非凸稀疏方法在[26]中提出。在没有模型顺序确认的情况下，文献[26]提出了一种基于结构化矩阵完成的增强矩阵完成（EMaC）方法。文献[27]为基于原子范数的单采样信号的半定程序（SDP）开发了toeplitz矩阵约束。
