分子通信是一种利用微小粒子编码、传输和接收信息的通信范式，具有生物兼容性好、尺寸小等特点，是用来构建纳米网络的非常有潜力的通信方案之一.分子通信的概念一经提出就吸引了广泛关注，众多学者的参与使其迅猛发展.目前，分子通信理论已经被广泛研究，相关实验也有了进展.尽管如此，构建实际的分子通信系统还有大量问题亟须解决.为促进分子通信领域更好发展，对分子通信的理论基础和当前研究进展进行系统性的总结是必要的.因此，本文对基于扩散的分子通信的基本概念和研究进展进行了阐述，包括信道模型、信号的编码调制机制以及接收机制；此外，还介绍了分子通信系统的同步机制、移动分子通信系统，以及分子通信实验系统的最新研究进展，并对分子通信未来的研究方向进行了展望.

随着大规模集成电路器件复杂度与容量的不断提升，现场可编程门阵列（Field Programmable Gate Array, FPGA）以高度的并行、可定制和可重构的特性得到了广泛的关注与应用. 在制约FPGA发展的众多因素中，最为关键的便是电子设计自动化（Electronic Design Automation, EDA）技术，作为FPGA EDA流程中的关键环节，布局和布线技术的研究对于FPGA的重要性不言而喻. 本文综述了面向FPGA的布局和布线技术，包括基于划分的布局、基于启发式的布局、基于解析式的布局、FPGA串行布线和FPGA并行布线等技术，分析对比了不同技术方法的优缺点，在此基础上，本文还展望了未来FPGA布局和布线技术的发展趋势，将为FPGA未来健康可持续的发展提供有力支撑.

行人轨迹预测是视频监控的重要组成部分，因现有方法未充分利用场景特征信息造成其预测轨迹不符合生活常识，导致行人轨迹预测精度较低出现明显偏离真实轨迹的情况.针对上述不足本文提出一种基于Transformer动态场景信息生成对抗网络（Generative Adversarial Network，GAN）的行人轨迹预测方法.该方法利用动态场景特征提取模块的卷积神经网络（Convolutional Neural Networks，CNN）模型对目标行人的动态场景信息进行特征提取，同时生成器网络中的编码器利用Transformer对行人的社会交互信息特征以及轨迹信息特征进行建模.在ETH和UCY数据集上的实验结果表明，与Social GAN模型相比，本文方法在多个场景下的平均位移误差准确率提高了25.61%，最终位移误差准确率提高了38.44%.

图像超分辨率重建是计算机视觉中的基本图像处理技术之一，不仅可以提高图像分辨率改善图像质量，还可以辅助其他计算机视觉任务. 近年来，随着人工智能浪潮的兴起，基于深度学习的图像超分辨率重建也取得了显著进展. 本文在简述图像超分辨率重建方法的基础上，全面综述了基于深度学习的单帧图像超分辨率重建的技术架构及研究历程，包括数据集构建方式、网络模型基本框架以及用于图像质量评估的主、客观评价指标，重点介绍了根据网络结构及图像重建效果划分的基于卷积神经网络的方法、基于生成对抗网络的方法以及基于Transformer的方法，并对相关网络模型加以评述和对比，最后依据网络模型和超分辨率重建挑战赛相关内容，展望了图像超分辨率重建未来的发展趋势.

海量电子病历（Electronic Medical Record，EMR）数据是支撑医疗智能化研究的重要原料，然而电子病历文本数据的半结构化甚至无结构化特点，造成后续对其分析利用的极大困难.虽然近年来基于深度学习的命名实体识别（Named Entity Recognition，NER）成为对电子病历进行自动化信息抽取的核心技术，但鉴于中文电子病历（Chinese Electronic Medical Record，CEMR）具有包括病历文本的非规范性与专业性、医疗实体的独特性和标注语料的稀缺性在内的独特文本数据特征，该研究目前仍存在诸多挑战.本文对中文电子病历命名实体识别的研究与进展进行了综述，系统梳理了命名实体识别的概念、相关理论模型以及制约中文电子病历命名实体识别准确率和识别效率的主要原因；从技术发展角度详细分析了中文电子病历命名实体识别方法的变革历程；并对中文电子病历命名实体识别效果做了实验验证与深入分析，指出了现有模型的不足与改进方向.鉴于国内近年来与中文信息学处理相关的测评会议CCKS持续关注中文电子病历命名实体识别，本文特别对CCKS在该领域五年来的全部代表性测评论文做了纵横对比分析，并通过在主流模型上的深入实验与研究，为后续该领域的继续推进寻求了思路.

有源相控阵雷达作为支撑国家战略安全的核心装备，承担着国家战略反导、超视距探测、反隐身侦查、远程引导打击等重大任务，维护着我国的国土安全，更是我国大国地位的战略支柱.有源相控阵技术诞生于20世纪60年代的战火之中，军事上的迫切需要使其一经问世就引起了世界的轰动，它的出现甚至影响了世界军事的变革.相比于传统的单脉冲、脉冲多普勒等技术，它使雷达迈入了一个新时代，对雷达发展产生了深远和广泛的影响.有源相控阵雷达中每个天线单元都连接有对应的发射/接收组件，通过控制移相器改变天线孔径上的相位分布，实现天线不做机械转动而天线波束在空间进行快速电扫描.因此，相比于传统机械扫描雷达扫描惯性大、数据率有限、信息通道数少、不易满足自适应和多功能需求等缺点，有源相控阵雷达具备微秒时间内灵活且无惯性扫描、功能多、可靠性高、数据率大、雷达反射截面积低、自适应能力强、不易受到干扰等无可比拟的优势.随着现代国防的重大需求，雷达装备向着超视距、精准探测、极度隐身等方向持续发展，有源相控阵天线向着高频段、高增益、高指向精度、低副瓣电平等方向不断迈进，天线的高电磁指标对结构的刚度、轻量化、高效散热等设计参数提出了严苛的要求，天线内部各参数呈现高维度多场耦合关系，更容易受到战场恶劣环境的干扰而恶化天线的电性能，降低雷达的探测威力、制导精度与战场生存能力等.有源相控阵天线被誉为“三军之眼”，是涉及多学科交叉的典型装备，其结构、热、电磁之间存在的相互影响、相互制约的耦合关系定义为有源相控阵天线的机电热耦合问题.主要耦合问题有四点.其一，馈电误差影响天线电磁性能：有源相控阵天线馈电网络误差、辐射单元失效、热敏电子元器件（如发射/接收组件中的移相器）性能温漂、天线单元互耦等都会引起馈电电流的幅相误差，导致天线电磁性能恶化.其二，结构误差影响天线电磁性能：有源相控阵天线制造、装配存在随机误差，服役中振动、冲击、热功耗等导致阵面变形，最终引起辐射单元位置偏移，天线阵面电磁幅相分布发生变化，导致发射波束变化，最终使天线电性能受到严重影响.其三，热影响天线电磁性能：有源相控阵天线阵面上安装有成千上万的发射/接收组件，热功耗巨大，一方面会导致天线阵面的结构热变形，另一方面也会引起器件的性能下降，最终导致天线电磁性能的恶化.其四，结构、热与电磁性能耦合：三者中任一个变化，都会引起其他两个的变化.有源相控阵雷达在不同占空比工作模式下，其天线阵面电磁幅相会做出相应分布，导致热功耗随之变化，从而引起温度分布发生变化，进而影响天线阵面的结构热变形.因此有源相控阵天线的机电热耦合问题已成为制约其稳健发展，进一步提升性能的瓶颈问题.本文梳理了陆基、舰载、机载、弹载、星载不同平台上有源相控阵天线的发展动态，分析了各武器平台上有源相控阵天线的结构特点，归纳了“陆、海、空、天”不同战场环境的服役载荷对有源相控阵天线的影响，然后总结了天线结构误差、天线罩高温烧蚀、T/R组件馈电误差、天线单元失效等多重因素影响下有源相控阵天线机电热耦合机理分析与建模方法，机电热耦合技术在有源相控阵天线制造精度、高效散热以及轻量化综合优化、稀疏阵设计等领域的应用，以及服役环境下有源相控阵天线状态监测、位移场重构、电性能补偿等关键保障技术，最后探讨了机电热耦合技术的未来研究方向以及在不同研究领域的应用前景.

近年来，以机器学习算法为代表的人工智能技术在计算机视觉、自然语言处理、语音识别等领域取得了广泛的应用，各式各样的机器学习模型为人们的生活带来了巨大的便利.机器学习模型的工作流程可以分为三个阶段.首先，模型接收人工收集或算法生成的原始数据作为输入，并通过预处理算法（如数据增强和特征提取）对数据进行预处理.随后，模型定义神经元或层的架构，并通过运算符（例如卷积和池）构建计算图.最后，模型调用机器学习框架的函数功能实现计算图并执行计算，根据模型神经元的权重计算输入数据的预测结果.在这个过程中，模型中单个神经元输出的轻微波动可能会导致完全不同的模型输出，从而带来巨大的安全风险.然而，由于对机器学习模型的固有脆弱性及其黑箱特征行为的理解不足，研究人员很难提前识别或定位这些潜在的安全风险，这为个人生命财产安全乃至国家安全带来了诸多风险和隐患.研究机器学习模型安全的相关测试与修复方法，对深刻理解模型内部风险与脆弱性、全面保障机器学习系统安全性以及促进人工智能技术的广泛应用有着重要意义.本文从不同安全测试属性出发，详细介绍了现有的机器学习模型安全测试和修复技术，总结和分析了现有研究中的不足，探讨针对机器学习模型安全的测试与修复的技术进展和未来挑战，为模型的安全应用提供了指导和参考.本文首先介绍了机器学习模型的结构组成和主要安全测试属性，随后从机器学习模型的三个组成部分即数据、算法和实现，六种模型安全相关测试属性即正确性、鲁棒性、公平性、效率、可解释性和隐私性，分析、归纳和总结了相关的测试与修复方法及技术，并探讨了现有方法的局限.最后本文讨论和展望了机器学习模型安全的测试与修复方法的主要技术挑战和发展趋势.

实体关系抽取是信息抽取领域的核心任务.从文本中抽取的实体关系三元组是构建大规模知识图谱的基础.传统的流水线方法将实体关系抽取分解为独立的命名实体识别和关系抽取两个子任务.首先，构建一个高效的命名实体识别器，从大规模非结构化文本语句中识别实体边界和类型.然后，将该命名实体识别器识别的实体与类型作为关系抽取任务中所用数据的标注.最后，通过关系抽取器得到两个实体之间的关系类别，进而组合成为结构化的实体关系三元组.命名实体识别任务存在的误差会影响后续的关系抽取任务的性能，这使得流水线方法具有错误累积问题.这是因为关系抽取任务中使用的标注数据来自于前面的命名实体识别任务，这会有一定的误差，进而影响关系抽取的结果质量.此外，流水线方法减弱了两个子任务之间的特征关联，这会出现冗余实体的问题.命名实体识别任务和关系抽取任务独立进行学习训练，导致这两个子任务间缺乏交互，使得文本信息没有得到充分利用，限制了流水线方法的性能瓶颈.由于非结构化文本信息没有得到充分利用，流水线方法在抽取实体间长依赖关系时具有一定局限性，很难达到联合抽取模型的性能指标.实际应用中，实体间往往存在多种关系，流水线方法无法充分使用全局文本信息，且命名实体识别会产生冗余实体，在抽取多元重叠关系时，该方法具有一定的局限性.因此，在构建高准确率实体关系抽取模型时，流水线方法具有欠缺之处.本文对实体关系联合抽取的研究发展全景进行了综述，简要阐明整数线性规划、卡片金字塔解析模型、概率图模型和结构化预测模型这四类基于特征工程的联合模型的共同缺点.本文聚焦基于深度学习的实体关系联合抽取技术，根据近年来实体关系联合抽取前沿研究成果，总结了实体关系联合抽取模型的主流构建方法.按照建模思想的特点总结为三种建模方法：多模块-多步骤、多模块-单步骤以及单模块-单步骤.多模块-多步骤建模方法主要包含实体域映射关系域、关系域映射实体域和头实体域映射关系-尾实体域这三种类别.这三类模型的共同特点都是将三元组的提取过程分为多个模块，通过共享参数的方式整合各个模块，逐步迭代得到三元组.这种方法推动联合模型性能提升，初步解决了流水线方法存在的问题.但每个步骤使用独立的解码算法，导致解码误差累积问题.且共享参数整合各个模块的冗余误差会互相影响预测性能，从而产生级联冗余问题.多模块-单步骤建模方法旨在构建一个最优化的联合解码算法，并对其求取最优解进而得到最优超参数.这种方法设计了简单精确的联合解码算法，并加强了多个子模块间的交互性，减弱了因为逐步迭代导致的解码误差和级联冗余对联合模型性能的影响.然而，模块的分离依然会产生冗余错误，具有一定局限性.单模块-单步骤建模方法可以直接从文本语句中抽取三元组，有效缓解了多模块-多步骤和多模块-单步骤建模方法的级联错误和实体冗余等问题.本文以前沿文献中具有代表性的联合模型为例，详细分析了这些模型的建模思路，剖析了各个模型的优缺点，将多个具有共同建模思路的经典模型进行归类，以阐述实体关系联合抽取模型的发展趋势.本文将单模块-单步骤建模方法的代表模型在公开基准数据集上的模型性能与多模块-多步骤和多模块-单步骤的代表模型性能进行对比分析，阐明实体关系联合抽取模型的建模思路正在从基于多模块-多步骤和多模块-单步骤的复杂建模方法，逐渐向单模块-单步骤的高效建模方法转变的客观趋势.最后，本文对三个实体关系联合抽取的研究方向进行了展望.当下主流的联合模型聚焦于限定域的实体关系抽取任务，对于开放域问题研究得不够.开放域实体关系联合抽取任务是未来的研究人员亟待解决的问题之一.在实际工业应用中，文本语料包含多元信息，如时序信息.而当前的实体关系联合抽取模型大多依据单一文本上下文信息进行特征抽取，从而忽略了时序信息.若融入像时序信息这样的多元信息或能进一步提升联合模型性能，这是未来一项具有重大意义的课题.此外，对于跨文本的实体关系联合抽取模型研究较少，这也是该领域未来的一个研究趋势.本文旨在建立一个完整的基于深度学习的实体关系联合抽取领域研究视图，以对相关领域研究者有所帮助.

光场相机利用二维影像同时记录空间中光线的位置和方向信息，能够恢复相机内部的光场，为三维重建提供了新的解决思路.围绕光场相机的三维重建问题，本文综述了光场数据获取手段，梳理和讨论了针对光场相机的标定算法，总结和分析了基于光场影像的三维深度信息恢复方法.在此基础上，介绍了当前主要的公开光场数据和算法.最后，展望了未来的研究方向，以期为后续研究者提供参考.

5G技术不仅在以蜂窝网络为代表的移动互联网中占据主要角色，还正在积极地为工业场景提供技术变革的契机.目前，国内外已经开展了大量和5G抗干扰技术相关的工作，但仍缺乏对5G在授权和非授权频谱下抗干扰技术的系统性综述.本文分析了5G无线干扰的主要来源，指出了抗干扰研究的技术难点，并以授权频段5G蜂窝网络干扰与非授权频段异构系统间干扰两个关键问题为例，对现有的无线抗干扰方案进行了具体分析和归纳对比，最后对5G技术在授权频段和非授权频段抗干扰技术的未来研究方向进行了展望.

相机和激光雷达多模态融合的3D目标检测可以综合利用两种传感器的优点，提高目标检测的准确度和鲁棒性.然而，由于环境复杂性以及多模态数据间固有的差异性，3D目标检测仍面临着诸多挑战.本文提出了双融合框架的多模态3D目标检测算法.设计体素级和网格级的双融合框架，有效缓解融合时不同模态数据之间的语义差异；提出ABFF（Adaptive Bird-eye-view Features Fusion）模块，增强算法对小目标特征感知能力；通过体素级全局融合信息指导网格级局部融合，提出基于Transformer的多模态网格特征编码器，充分提取3D检测场景中更丰富的上下文信息，并提升算法运行效率.在KITTI标准数据集上的实验结果表明，提出的3D目标检测算法平均检测精度达78.79%，具有更好的3D目标检测性能.

基于深度学习的生物医学图像分割由于其精度的提高，可以更好地辅助医生做精确的诊断.目前主流的基于U-Net的分割模型通过多层卷积进行局部特征的提取，缺失了全局信息，使分割过于局部化而产生误差.本文通过自注意力机制和分解卷积策略对U-Net模型进行改进，提出一种新的深度分割网络SAU-Net，使用自注意力模块增加全局信息，将原U-Net中的级联结构改为逐像素相加，减小维度，降低计算量；提出一种快速简洁的分解卷积方法，将传统卷积分解为两路一维卷积，并加入残差连接强化上下文信息.在BRATS和Kaggle两个脑肿瘤数据集上进行的实验结果表明，SAU-Net在参数量和Dice系数上都有更优的性能.

微波谐振式传感器具有低成本、高灵敏度、实时、无损检测等特点，在生物、医疗、环境等领域都有着广阔的应用前景.一般来说，微波谐振式传感器通过传输线激励谐振单元，通过谐振频率偏移等特征变化获得待测量.本文对微波谐振式传感器现有研究成果进行了详细的综述.首先简要介绍了微波谐振式传感器分类、基本工作原理及关键性能指标，其次以位移传感器、介质传感器及液体传感器这3种类型总结当前微波谐振式传感器国内外研究进展，之后着重探讨了群智能算法、机器学习等优化算法在微波谐振式传感器优化设计方面的应用，最后展望了微波谐振式传感器的发展前景以及存在的挑战.

联邦学习能够促进多方参与者之间的数据共享和协同计算，其已经成为一种流行的分布式机器学习范式.联邦学习目前的研究主要集中在性能提升和隐私保护方面.近年来，随着可信人工智能研究的深入，可信联邦学习的研究也受到越来越多的关注.其中，保证联邦学习的公平性是面临的关键问题之一.提升联邦学习的公平性能够保证客户端参与的积极性和联邦学习训练的可持续性.然而，由于联邦学习中通常存在着数据异构性和设备异构性，传统的联邦学习方法会导致客户端之间具有很大的差异，无法保证所有参与者之间的公平，这会极大地影响用户参与联邦学习的动力.基于此，对近年来联邦学习公平性的研究方法进行全面归纳梳理与深度探讨分析.首先对当前联邦学习公平性研究的主要方向进行划分，并对每个方向的公平性定义与评价标准进行了解释及对比.随后详细探讨了联邦学习公平性不同方向面临的挑战和主要解决方案.最后对联邦学习公平性研究中常用的数据集、实验场景设置和公平评价指标进行了归纳梳理，并对未来研究方向与发展趋势进行探讨和展望.

基于深度学习的表情动作单元识别是计算机视觉与情感计算领域的热点课题.每个动作单元描述了一种人脸局部表情动作，其组合可定量地表示任意表情.当前动作单元识别主要面临标签稀缺、特征难捕捉和标签不均衡3个挑战因素.基于此，本文将已有的研究分为基于迁移学习、基于区域学习和基于关联学习的方法，对各类代表性方法进行评述和总结.最后，本文对不同方法进行了比较和分析，并在此基础上探讨了未来动作单元识别的研究方向.

可视图是将时间序列转换成复杂网络的重要方法之一，也是连接非线性信号分析和复杂网络之间的全新视角，在经济金融、生物医学、工业工程等领域均应用广泛.可视图的拓扑结构继承了原始时间序列的重要性质，稳定且易于实现，通过可视图网络的相关统计特性，可区分特定时间序列数据下的特定行为.首先本文介绍了可视图方法在时间序列复杂网络分析中的相关研究，并通过必要性与可行性分析，充分说明可视图方法的优势所在.然后本文阐述了经典可视图和水平可视图方法的具体步骤及主要性质，从算法的过程改进、效率提升和可视图应用几个方面对现阶段可视图相关研究进行综述，介绍了众多可视图方法的基本过程，分析了可视图算法的识别抗噪能力和建网效率，并归纳整理了这些可视图方法的主要特性与适用范围.另外，本文复现了目前几种主流可视图算法，并公开相关的算法代码以供参考使用.通过对可视图相关研究的综述分析，可了解现阶段可视图的主要研究方向，为未来相关研究提供思路，并为时间序列复杂网络分析奠定基础.

为了提高氮化镓半桥结构的抗dv/dt特性，提出了一种适用于氮化镓半桥结构的高可靠性差分电流补偿新颖电平移位电路.该电路在自举电容作用下，将0V~5V输入电压转换为35V~40V输出电压，并且在浮点电压快速变化过程中，输出的驱动电压均保持稳定.电路采用电流镜结构传输信号，能够实现电平信号的快速传递,有效地减小传输延迟.对于浮点电压的快速变化导致移位电平器输出变化的问题，采用新颖的差分电流结构进行电流补偿,提高电路的抗dv/dt特性，获得高可靠性的输出电压.本电路基于标准0.35μm BCD工艺40 V的LDMOS耐压器件，对该电平移位电路在1MHz频率下进行验证.结果表明上升沿响应延迟为587.184ps，下降沿响应延迟为832.144ps，抗正的dv/dt变化为116V/ns以及对负dv/dt变化不敏感，该电路具有高速,高可靠性优点.

知识库问答（Knowledge Base Question Answering，KBQA）借助知识库中精度高、关联性强的结构化知识，为给定的复杂事实型问句提供准确、简短的答案.语义解析是知识库问答的主流方法之一，该类方法在给定的问句语义表征形式下，将非结构化的问句映射为结构化的语义表征，再将其改写为知识库查询获取答案.目前，面向知识库问答的语义解析方法主要面临三个挑战：首先是如何选择合适的语义表征形式以表达问句的语义，然后是如何解析问句的复杂语义并输出相应的语义表征，最后是如何应对特定领域中数据标注成本高昂、高质量数据匮乏的问题.本文从上述挑战出发，分析了知识库问答中常用的语义表征的特点与不足，然后梳理现有方法并总结分析其如何应对问句的复杂语义，接着介绍了当前方法在标注数据匮乏的低资源场景下的尝试，最后展望并讨论了面向知识库问答的语义解析的未来发展方向.

为广大科研人员了解国家自然科学基金“电子科学与技术”领域基础研究队伍、主要研究方向和发展趋势，针对2022年度信息一处受理的人才和探索两大系列部分类型的项目，从申请代码、申请人年龄和性别、依托单位分布以及按科学问题属性分类评审等不同角度分析了各类项目申请与资助情况，介绍了2022年度“负责任、讲信誉、计贡献”评审机制试点工作情况，最后展望了“十四五”期间领域重点发展方向.

现有的图像压缩感知（Image Compressive Sensing， ICS）优化启发网络沿用了传统算法的像素域优化思想，构建了像素域的图像信息流动通道，而没有充分利用卷积神经网络所提取的图像特征中的信息.对此，本文提出了在特征域构建信息流的思想，并设计了一种特征域优化启发ICS网络（Feature-Space Optimization-Inspired Network， FSOINet）以实现该思想.考虑到卷积操作感受野较小，本文通过将自注意力模块引入FSOINet以更高效地利用图像非局部自相似性，进一步提高重构质量，我们将其命名为FSOINet⁺.此外，本文还提出把迁移学习策略应用于不同采样率图像压缩感知重构网络训练中，提高网络学习效率与重构质量.仿真实验表明，本文所提出的网络在峰值信噪比（Peak Signal to Noise Ratio， PSNR）、结构相似性（Structural Similarity Index Measure， SSIM）与视觉效果上都优于现有的最优ICS重构方法，FSOINet与FSOINet⁺在Set11数据集上与OPINENet⁺相比重构图像PSNR分别平均提升了1.04dB和1.27dB.

非合作目标识别常常面临少量不完备的训练样本、训练样本与测试样本信噪比不一致等现象，本文为此提出了一种基于测地线流式核的雷达目标高分辨距离像鲁棒识别方法.该方法沿格拉斯曼流形中测地线积分提取不变特征，且通过核函数映射可获得解析特征提取表达式.该方法还可作为预处理手段对数据降噪，进一步提高其他算法的识别准确率.实验结果表明，对于信噪比失配和少量不完备样本等问题，该方法都具有鲁棒目标识别能力，并且满足实时性要求.

城市空气污染因空间扩散特性呈现出区域内的浓度高关联性.因此如何通过多个空气污染监测站的时空数据预测特定目标地点的污染情况，以解决站点分布不匀的问题，是一个重要的研究工作.本文结合空气污染物因素特性和气象因素的多维度影响，提出了一个利用区域内多站点空间监测数据实现特定目标站点的空气污染物浓度预测模型.该模型通过多层卷积神经网络（Convolutional Neural Network，CNN）实现城市多站点污染物浓度与气象数据之间的维度关联特征及空间关联特征学习，进而利用基于多层长短期记忆网络（Long Short-Term Memory，LSTM）的自编码网络实现多站点浓度的时序关联特征分析.实验通过真实数据集验证，所提出的预测模型获得了高于传统机器学习污染物浓度预测模型的预测准确度，且在多个城市数据集上验证了模型的泛化能力.

时间序列具有非线性和不稳定性等特点，当前时间序列预测研究面临模型训练参数多、泛化能力差等挑战，其预测精度无法保证.基于此，本文提出一种基于全局最优的麻雀搜索算法（Globally Optimal Sparrow Search Algorithm，GOSSA）和隐马尔可夫模型（Hidden Markov Model， HMM）相融合的时间序列预测模型（GOSSA-HMM）.根据隐马尔可夫模型在模式识别和分类上的优势，对原始数据做差值处理并划分类别属性，以此作为隐马尔可夫模型的输入.采用全局最优的麻雀搜索算法对隐马尔可夫模型的参数进行训练，以解决参数训练过程中存在的收敛速度慢，对初始值设置敏感的问题.将赋予类别属性的差值数据进行分段，利用改进之后的隐马尔可夫模型测算每段序列走势的概率，从与当前数据走势相匹配的过去数据集中定位相同的模型实现预测.通过对山东半岛15个海洋牧场的溶解氧数据进行预测分析，结果表明与当前主要时间序列预测算法相比，GOSSA-HMM训练的参数较少，计算成本较低，具有更好的预测精度和泛化能力.

以深度学习为代表的人工智能技术是解决电磁目标识别问题的一种有效方法.然而，在识别多模式电磁目标时，目标内部不同模式间数据的差异可能掩盖目标个体间的差异，当某种模式训练样本缺失或稀少时，该模式下的目标识别性能会显著下降.为此，提出一种基于孪生网络的电磁目标跨模式识别算法，在度量学习框架下通过优化设计网络结构和损失函数，引导网络在分类学习过程中拉近同一目标各模式数据间的距离，拉远不同目标数据间的距离，并结合邻近判决准则实现多模式电磁目标在非均衡数据集上的跨模式识别.基于实际数据的测试结果表明，在相同数据集和网络规模条件下，所提方法的跨模式识别率较经典卷积神经网络方法和数据增强方法提升20%.

挖矿恶意软件是近年来出现的一种新型恶意软件，其加密运算模式给受害用户带来巨大损失.通过研究挖矿恶意软件的静态特征，本文提出一种基于威胁情报层次特征集成的挖矿恶意软件检测方法.从挖矿恶意软件威胁情报的角度，本文分别使用字节特征层、PE（Portable Executable）结构特征层和挖矿操作执行特征层训练挖矿恶意软件分类器，利用不同恶意软件特征对恶意软件的检测偏好，使用集成方法在层次特征的基础上组建挖矿恶意软件检测器.在实验评估中，本文使用模拟实验室环境数据集和模拟真实世界数据集进行模型性能测试.实验结果表明，本文所设计的层次特征集成的挖矿恶意软件检测方法在模拟真实世界数据集上取得了97.01%的准确率，相对挖矿恶意软件检测基线方法获取了6.13%的准确率提升.

在认知电子战中，对多功能雷达工作模式的识别是至关重要的一个环节.在实际中，由于多功能雷达工作模式的多样性、隐藏性，能侦收到的不同工作模式脉冲样本数可能较少.因此，如何在少量样本条件下，准确识别多功能雷达的工作模式，对雷达对抗具有重要意义.针对此问题，本文提出了一种将模式先验知识与原型网络相融合的识别方法.该方法的核心是将雷达工作模式先验知识进行编码映射，并融入原型网络训练，实现知识在网络模型中的内嵌，以在少量训练样本条件下获得更好的识别性能.仿真结果表明，融入了先验知识的原型网络与不使用先验知识的原型网络、SVM分类器相比，识别准确率分别提升了2.9%和10.5%.

群组行为识别目前是计算机视觉领域的一个研究热点，在智能安防监控、社会角色理解和体育运动视频分析等方面具有广泛的应用价值.本文主要针对基于深度学习框架下的群组行为识别算法进行综述.首先，依据群组行为识别方法中“是否包含组群成员交互关系建模”这一核心技术环节，将现有算法划分为“无交互关系建模的群组行为识别”和“基于交互关系描述的群组行为识别”两大类.其次，鉴于“无交互关系建模的群组行为识别方法”主要是聚焦于如何对“群组行为时序过程的整体时空特征的计算和提纯”进行设计的，故本文从“多流时空特征计算融合”“个人/群体多层级时空特征计算合并”“基于注意力机制的群组行为时空特征提纯”3类典型算法进行概述.再次，对于“基于交互关系建模的群组行为识别”，依据对交互关系描述方法的不同，将其归纳为“基于组群成员全局交互关系建模”“基于组群分组下的交互关系建模”和“基于关键人物为主的核心成员间交互关系建模”3种类别分别概述.然后，对群组行为识别相关的数据集进行介绍，并对不同识别方法在各个数据集的测试性能进行了对比和总结.最后，分别从群组行为类别定义的二元性、交互关系建模的难点与不足、群组行为数据集弱监督标注和自学习、视角变化以及场景信息综合利用等方面概述了几个具有挑战性的问题和未来研究的方向.

针对伺服级共享控制决策中权衡安全性、干预度与驾驶体验的问题，提出基于高斯隐马尔可夫模型（Gaussian Hidden Markov Model，GHMM）的人机共享控制区域化决策算法.此算法利用高斯分布函数表征驾驶人的实时相对驾驶能力；利用区域化的高斯矢量环境风险场量化模型表征不同环境区域的环境风险值以及其模糊风险等级；最后综合驾驶人绝对能力、驾驶状态以及环境风险实现人机共享控制中控制权的高可靠、合理分配.实验表明，本文提出的人机共享区域化决策模型能够在考虑驾驶人相对能力及环境风险源所在方位的基础上给予较为合理的控制权柔性分配方案，有效降低风险至智能驾驶模型可控范围内.

散热天线是一种兼具电磁辐射特性和散热性能的新型结构，可以实现天线和散热器的功能一体化，提高系统的集成度.本文针对无线通信集成系统的散热天线发展历史和技术现状进行了综述，分别分析了散热单天线和毫米波散热天线阵列的典型结构以及电热协同设计方法的特点，最后对散热天线技术的发展方向进行了展望.本文认为多性能的协同设计理论以及与先进制冷方式的巧妙融合等，在5G无线通信领域将具有广泛的应用前景.

在正确地规划合理路径方面，行人轨迹预测具有重要的意义.大多数现有轨迹预测方法在考虑周围行人的影响时，都是简单地将周围行人全部考虑在内，这必然带来的冗余信息.本文提出了一种基于多模式时空交互的行人轨迹预测模型，该模型通过多模式行人空间交互模块对不同行人在不同情况下给予不同的权重，使得模型可以有效减小冗余信息带来的影响.并且本文的模型针对于输入轨迹信息的不同重要程度，设计了加权信息融合模块在原轨迹信息的基础上融合了赋予不同权重的历史轨迹信息，使得模型的轨迹信息更加有效.此外，该模型采用了时间卷积网络模块来捕获行人的时间交互.实验结果表明，在公开数据集ETH和UCY上，相比于Social-STGCNN平均位移误差(Average Displacement Error, ADE)和终点位移误差(Final Displacement Error, FDE)分别降低了15%和14%.

微波成像技术在雷达、制导、引信、安防、医疗等领域有极大的应用需求，本文研究了基于透镜成像原理的微波阵列快速成像技术，通过分析透镜成像系统的成像特性以及成像算法，提出了一种适用于阵列成像的快速算法，该方法仅需要执行一次IFFT(Inverse Fast Fourier Transform)运算即可获得目标的像. 所提出的新方法降低了算法复杂度，具有较快的运算速度. 最后进行了成像验证，采用微波暗室测试散射源近场数据，通过快速成像算法计算目标的像，实验结果证明新算法具有较好的成像效果.

量子生成对抗网络是量子机器学习算法领域研究热点之一，但其生成过程具有较大的随机性，不太适用于现实场景.为了解决该问题，提出了一种生成过程可控的量子条件生成对抗网络（Quantum Conditional Generative Adversarial Network，QCGAN）算法，其中条件信息采用one-hot形式进行多粒子W态编码，并通过向生成器和判别器输入条件信息达到稳定模型生成过程的目的.性能评估表明，与经典GAN、CGAN相比，本算法可生成离散数据，且将时间复杂度从O(N^{\mathrm{2}})降为O(N)；与带条件约束的量子生成对抗网络QuGAN相比，QCGAN消耗更少的量子资源.最后，以BAS（3，3）数据集和量子混合态生成为例，选用PennyLane平台进行仿真实验，结果表明QCGAN算法经过训练可有效收敛到Nash均衡点，进而验证了算法的实验可行性.

为有效利用运动想象脑电信号(Motor Imagery Electroencephalogram，MI-EEG)的频域信息并精确反映脑电极之间的非线性因果交互作用，本文提出一种基于连续小波变换和符号传递熵的脑功能网络构建方法.首先，对每导MI-EEG进行连续小波变换，求得其时-频-能量矩阵；然后，将与运动想象密切相关的频带内各频率所对应的时间-能量序列依次拼接，得到各导联的一维时频能量序列；最后，基于任意两电极时频能量序列间的符号传递熵计算连接矩阵，构建脑功能网络.实验结果表明，以电极时频能量序列间的符号传递熵构建的脑功能网络，能够有效反映MI-EEG的时频特征和非线性特征信息传递，相比于传统脑网络构建方法，更有利于增强不同运动想象任务的可分性.

GeTe相变射频（Radio Frequency，RF）开关作为一门新兴的射频开关技术，一经提出便迅速成为研究热点.该开关利用GeTe相变材料热致相变特性，实现晶态低电阻和非晶态高电阻之间的相互转换，具有低插损、高截止频率、低功耗、非易失、易集成等特点，在5G、毫米波以及未来的6G无线通信中具有巨大的应用价值.本文系统阐述了GeTe相变射频开关的工作原理、结构与工艺的进展、重要性能指标的优化以及应用现状，指出了其在未来的发展方向和应用前景，以期对后续GeTe相变射频开关的研究提供有益的参考.

现有视频压缩感知神经网络重构算法采用的光流对齐和可变形卷积对齐的运动补偿方式存在误差积聚、信息感知范围有限等问题，极大地限制了其有效性和实用性.为了在不引入额外参数的条件下自适应提取参考帧的全局信息，本文提出了利用注意力机制实现视频压缩感知重构过程中运动估计/运动补偿的创新思想，并设计了时域注意力特征对齐网络（Temporal-Attention Feature Alignment Network， TAFA-Net）进行实现.在此基础上，提出了联合深度重构网络（Joint Deep Reconstruction Network Based on TAFA-Net， JDR-TAFA-Net），实现非关键帧的高性能重构.先利用本文所提的TAFA-Net获得参考帧到当前帧的对齐帧；然后，利用基于自编码器架构的融合网络充分提取已有帧信息，增强非关键帧的重构质量.仿真结果表明，与最优的迭代优化算法SSIM-InterF-GSR相比，所提算法重构帧的峰值信噪比（Peak Signal to Noise Ratio， PSNR）最高提升了4.74dB；与最优的深度学习算法STM-Net相比，所提算法重构帧的PSNR最高提升了0.64dB.