该文提出一种通用的时间数字转换器(TDC)码密度校准信号产生方法，该方法基于相干采样理论，通过合理设置TDC主时钟和校准信号之间的频率差，结合输出信号保持电路，产生校准用的随机信号，在码密度校准过程中，随机信号均匀分布在TDC的延时路径上，实现对TDC的bin-by-bin校准。基于Xilinx公司的28 nm工艺的Kintex-7 现场可编程门阵列(FPGA)内部的进位链实现一种plain TDC，利用该方法校准plain TDC的码宽(抽头延迟时间)，研究校准了2抽头方式下的TDC的性能参数，时间分辨率(对应TDC的最低有效位，Least Significant Bit, LSB)为24.9 ps，微分非线性为(–0.84～3.1)LSB，积分非线性为(–5.0～2.2)LSB。文中所述的校准方法采用时钟逻辑资源实现，多次测试考核结果表明，单个延时单元的标准差优于0.5 ps。该校准方法采用时钟逻辑资源代替组合逻辑资源，重复性、稳定性较好，实现了对plain TDC的高精度自动校准。该方法同样适用于其他类型的TDC的码密度校准。

为了解决虚拟光网络映射中带宽阻塞率较高以及底层资源消耗不均匀问题，论文提出一种基于时间域-频谱域碎片感知的虚拟网络映射(FA-VNM)算法。该文综合考虑频隙在时间域和频谱域上的碎片问题，设计时频联合碎片公式最小化分配过程中的频谱碎片。进一步，为了均衡网络中的资源消耗，在FA-VNM算法基础上提出基于节点度数的负载均衡感知虚拟网络映射(LB-VNM)算法，设计物理节点平均资源承载能力的公式，优先映射物理节点平均资源承载能力大的节点；为了均衡路径上资源使用，考虑路径权重值，并根据每条路径的权重值对虚拟链路进行映射，从而降低阻塞率。仿真结果表明，所提算法能有效降低阻塞率，提高资源利用率。

参数估计对雷达的目标检测和识别有着重要的意义。该文提出了一种基于期望最大化(EM)算法的捷变频联合正交频分复用(FA-OFDM)雷达高速多目标参数估计方法。首先，将窄带正交频分复用(OFDM)信号与传统捷变频雷达相结合，在每个脉冲宽度内同时发射多个载频随机跳变的子载波。然后，对单个脉冲内所有子载波的回波进行脉冲压缩和稀疏重构处理，得到1维高分辨距离。进一步地，将多个目标在不同脉冲时刻的高分辨距离信息构成观测数据，建立混合高斯模型。采用EM算法对模型参数和多个目标的距离、速度进行估计，并同时拟合多条时间-距离直线。直线斜率对应目标速度，直线纵轴截距对应目标初始距离。最终，分别分析了信噪比(SNR)对检测概率以及目标速度对相对估计误差的影响。仿真实验验证了所提算法的有效性。

在现代雷达电子战场中，目标检测与其参数估计有着非常重要的意义。因此，该文提出了一种基于随机抽样一致算法(Ransac)的捷变频联合正交频分复用(FA-OFDM)雷达高速多目标参数估计的方法。首先，在传统捷变频雷达的每个脉冲内同时发射多个频率随机跳变的窄带OFDM子载波。将单个脉冲内所有子载波的回波信号进行脉冲压缩后，采用迭代自适应谱估计(IAA)算法合成目标的高分辨距离。然后，分别对各个脉冲的回波进行脉冲压缩和迭代自适应谱估计，得到不同脉冲时刻的高分辨距离，构成观测数据集。再根据Ransac算法估计信号参数模型的步骤，拟合多条时间-距离直线，进而对高速运动的多个目标同时进行参数估计。最后，分别分析了信噪比(SNR)对检测概率以及目标自身速度对其相对估计误差的影响。仿真实验验证了所提算法的有效性。

保证无线异构网络端到端QoS需求，同时兼容现有网络业务和未来需求，是下一代网络的一个研究热点。QoS映射是保证异构网络端到端QoS的有效方法。该文提出一种基于聚集流的QoS映射方法(QoS Mapping Technology based on Flow Aggregate, QMT-FA)，该方法在现有物理网络上建立虚拟的流处理层，在流处理层，原网络中的QoS参数被映射执行器透明封装，映射执行器根据网络情况决定是原样转发还是解聚集。通过建立基于高维的聚集流映射空间，屏蔽了多级网络间映射累积误差影响终端网络QoS指标，保证了异构网络端到端QoS；基于聚集流的QoS映射方法具有较好的可扩展性和伸缩性，能应用于现有的各种异构网络系统和应用业务。最后，通过数值和仿真分析验证了该方法的有效性。