水下机器人的自主快速精确定位是完成海洋资源勘探、目标探测定位与追踪等水下作业任务的前提.论文研究基于相对测量的水下机器人主动定位方法，解决存在大的初始定位偏差情况下多水下机器人的快速定位问题.论文提出包括测量、估计和控制三个模块的多水下机器人快速主动定位框架，降低相对测量误差、初始偏差带来的定位不确定性，同时使多机器人定位具有良好的可扩展性.提出的主动接近信标策略优势在于：被定位机器人与信标的相对几何位置收敛过程中，机器人的定位估计快速指数收敛.利用受噪声干扰的相对测距信息，论文采用强化学习方法实现提出的主动接近信标机动策略.开展的数值仿真实验结果表明：相对于基于圆形轨迹、梳状形轨迹机动策略的定位方法，论文所提方法使得水下机器人定位过程具有更好的快速性和鲁棒性.
针对已有的异常检测模型在高维、样本多样(类内多样)的数据背景下无法获得合理的潜在表示分布，不平衡数据较多(正常数据远大于异常数据)时特征提取准确性低，以及分类器超参数敏感等问题，本文提出一种基于深度对抗学习潜在表示分布的异常检测模型. 基于正则化约束改进自编码器，将数据的原始特征空间映射到潜在特征空间形成低维的潜在表示，使其保持合理的空间分布；配以基于多判别器的生成对抗网络，在有效避免重构特征循环不一致和训练不稳定的基础上，来精确估计潜在表示的概率分布；以获得的潜在表示概率分布为单类分类器的输入，解决单类分类器超参数敏感问题，从而有效提高异常检测的整体性能.实验结果表明，相比于最新的基于机器学习和深度学习的异常检测模型，本文模型可在高维、样本多样、不平衡数据较多的应用背景下获得更合理的潜在表示空间分布并有效估计其概率分布，对单类分类器的超参数不敏感，并有效提高模型的检测性能.
针对现有的轨迹隐私保护模型大多难以抵御复杂背景知识攻击的问题，本文提出了一种基于差分隐私的轨迹隐私保护方法.首先结合地理不可区分机制对原始轨迹数据添加半径受限的拉普拉斯噪音；其次构造数据映射模型将原始数据和噪音数据映射到新的发布位置，使攻击者无法获取真实轨迹数据；接着应用最优数据映射函数发布最优的轨迹位置以提高发布数据的可用性；最后利用差分隐私抵御非敏感信息推理攻击，进一步保护用户隐私.实验结果表明，本文算法既能有效保护轨迹数据中用户的隐私，也能保证数据的可用性.
现有的WEBee系统可通过模拟接收器的标准时域波形在物理层面实现WiFi到ZigBee的跨网通信，但该系统存在单次传输帧接收率不高，符号错误率较大等局限.针对该局限，本文提出了一种基于循环前缀前的编码拆分优化方案，主要思想是对ZigBee前导码中的同步码序列进行编码拆分，可有效降低循环前缀操作时出现的错误，提高帧接收率.结果表明该方案优化系统单次传输的帧接收率可达65.2%，相比原系统提高了8.1%，且单次传输的符号错误率从2.7%降低至1.8%.
为提高瞬态干扰处理的稳健性，超视距雷达可采用先识别后抑制的思路.本文研究基于距离-多普勒（Range?Doppler, RD）图的瞬态干扰自动识别方法，将RD图转化为灰度图，提取其纹理特征，再基于机器学习设计分类算法.首先，提出新的瞬态干扰模型，仿真产生干扰数据，避免训练依赖实测数据；其次，建立RD灰度图图库，分强干扰、弱干扰和无干扰三类情况；然后，提取局部二值模式（Local Binary Pattern, LBP）纹理特征，基于支持向量机设计二分类器，结合纠错输出编码设计三分类器.最后，通过实测数据和文献RD图，验证本文所提识别方法的准确性，并比较分析不同图像特征及参数的影响.
传统方法在视觉策略网络中只关注实体，不能够推理出实体和属性之间的联系，在语言策略网络存在暴露偏差和误差累计问题.为此，提出了一个基于强化学习的多层级视觉融合网络模型.在视觉策略网络中通过多层级神经网络模块将视觉特征转化为视觉知识的特征集.融合网络生成使描述语句更加流畅的虚词，用于视觉策略网络和语言策略网络的互动.在语言策略网络中使用基于强化学习的自批评策略梯度算法对视觉融合网络实现端到端的优化.实验结果表明，该模型在MS?COCO数据集取得不错效果，将Karpathy分割测试中的CIDEr值从120.1提高到124.3.
本文提出了一种基于对数似然比（LLR）检测算法的广义零填充三模正交频分复用（OFDM）索引调制（GZTM?OFDM?IM）系统，目的在于提高传统ZTM?OFDM?IM系统的频谱效率（SE）.在提出的系统发送端，更多的OFDM子载波激活样式有效提高了系统的SE，并且一种新的双模信号星座图被采用.为了降低接收端检测过程的复杂度，设计了基于LLR算法的三级检测器.仿真结果表明：利用设计的低复杂度检测器，GZTM?OFDM?IM在实现了高SE的同时，系统的误比特率（BER）性能在高信噪比（SNR）范围与传统ZTM?OFDM?IM相比没有降低，且BER性能与理论差错性能上边界非常接近.
针对现有基于矩阵分解的混合预编码算法信道容量有损和算法复杂度高的问题，本文提出了一种基于两阶段的低复杂度混合预编码算法.该算法分为获取最优全数字预编码器和求解混合预编码器两部分.首先，本文联合奇异值分解（Singular Value Decomposition, SVD）与注水算法以容量无损的要求设计最优全数字预编码矩阵.其次，为了降低搜索超完备矩阵列的复杂度，提出两阶段混合预编码（Two?Stage Hybrid Precoding, TS?HP）算法求解混合预编码矩阵.第一阶段，根据天线阵列响应矩阵的相关性获取模拟预编码矩阵备选集；第二阶段，利用贪婪搜索对备选集进行搜索构建混合预编码矩阵.仿真结果表明，所提算法能够有效改善系统性能，降低复杂度.
针对自然语言处理中查询主题漂移和词不匹配问题，提出基于CSC(Copulas-based Support and Confidence)框架的关联模式挖掘与规则扩展算法，并将基于统计学分析的关联模式与具有上下文语义信息的词向量融合，提出关联模式挖掘与词向量学习融合的伪相关反馈查询扩展模型.该模型对伪相关反馈文档集挖掘规则扩展词，对初检文档集进行词嵌入学习训练得到词向量，计算规则扩展词与原查询的向量相似度，提取向量相似度不低于阈值的规则扩展词作为最终扩展词.实验结果表明，所提扩展模型能有效地减少查询主题漂移和词不匹配问题，提高检索性能，与现有基于关联模式的和基于词向量的查询扩展方法比较，MAP（Mean Average Precision）平均增幅最大可达17.52%，对短查询更有效.所提挖掘方法可用于其他文本挖掘任务和推荐系统，以提高其性能.
广义签密可以灵活地工作在签密、签名和加密三种模式，具有很强的实用性.本文结合基于格的签名方案和密钥交换协议，构造了一个无陷门的广义签密方案.方案构造中引入了区分函数，根据输入的发送方与接收方密钥情况来自动识别加密、签名和签密三种模式，保障了算法在这三种工作模式下的优美对称性.基于环上判定性LWE问题，并借鉴FO13的方法，证明了该方案满足自适用抗选择密文攻击不可区分性安全性(IND-CCA2)和自适用抗选择消息攻击强不可伪造性安全性(SUF-CMA).该方案是基于Fiat-Shamir的中止(abort)框架，没有用到复杂的原像抽样和陷门生成算法，具有较高的计算效率.
为了模拟长程的一维离散时间量子行走的演化过程以及降低计算复杂性，提出一种路径分析方法.首先分析系统到达某个位置的路径分块和路径数，将系统移位到某个位置演化算子进行分解，表示成二阶矩阵线性空间的一组基的线性组合；然后用超几何级数进行化简，给出概率分布的计算方法；最后分析产生对称式概率分布的充分条件，表明对称性只与量子初态有关.实验结果表明，该方法能够有效模拟系统的长时间演化过程.相关结果可以推广到更一般类型的离散时间量子行走.
针对智慧照明可靠性要求高、通信数据量小的特点,本设计提出一种基于导通角调制的电力线通信技术. 利用斩波技术调制工频波形的导通角,并将调制后的工频波形在电力线上传输. 本设计的编码方式是将完整工频波形设为信号“0”,斩波波形设为信号“1”,一帧数据包含24位信号. 为满足电网电能质量要求,减少畸变的影响,导通角调制区间定义为0.91π~π之间. 经验证测试,该设计可实现调光控制,总谐波畸变率小于5%,电压闪变幅度小于4%,功率因数大于0.90. 该设计可广泛应用在智慧照明领域.
冲击损伤监测是结构健康监测的主要研究内容之一. 本文提出了一种基于十字型传感器布置方法的二维波束聚焦概率成像定位算法，采用十字阵列型的传感器布置方法减小了系统盲区，通过二维波束聚焦概率成像方法提高了冲击定位的精度. 在二维波束聚焦算法中，波速的准确性是影响结构冲击损伤定位的主要因素，本文通过统计分析得到波速的概率分布函数，带入二维波束聚焦概率成像定位算法中对冲击损伤进行监测，分别得到横向阵列与纵向阵列的概率分布图，对两者进行融合成像可以得到更为精确、科学且直观的冲击损伤定位结果. 通过实验研究验证了该方法的有效性与实用性.
为了解决闪烁噪声统计特性未知情况下的多目标跟踪问题，提出一种鲁棒广义标签多伯努利（Generalized Labeled Multi?Bernoulli, GLMB）滤波器.该滤波器采用均值未知且时变的多维Student’s t分布对统计特性未知的闪烁噪声进行建模.它放宽了闪烁噪声均值为零的限制性假设，可以自适应地处理闪烁噪声均值未知且时变条件下的多目标跟踪问题.本文在GLMB滤波框架下，利用变分贝叶斯方法对增广状态中的参数进行变分迭代，并通过最小化Kullback?Leibler散度得到边缘似然函数的近似解.仿真结果表明，在闪烁噪声统计特性未知的情况下，所提滤波器能有效地对多目标进行跟踪.
实际收发设备的非理想硬件(RHI, Residual Hardware Impairment)特性会对协作非正交多址接入(NOMA, Non?Orthogonal Multiple Access)系统性能产生重要影响.因此，本文提出了基于RHI的下行链路单窃听多中继协作NOMA系统模型，推导了联合考虑合法链路和窃听链路使目标信噪比最大化(M?LaE?SNR, Maximized SNR for Legitimate and Eavesdropping link)中继传输方案下的安全中断概率闭合表达式和渐近表达式.分析和仿真结果表明，所提M?LaE?SNR方案相比其他方案可有效提高用户的安全中断性能，且中继数越多所提方案性能优势越明显；同时RHI使得系统安全传输性能降低，且RHI对性能的影响程度主要与主链路信噪比以及协作中继个数有关；且不同节点处的RHI对系统安全性能造成的影响程度不同.研究结果还证明了用户的安全分集阶数等于中继数量K.
目前基于视觉的动态头势识别算法泛化能力弱、识别率低,头戴式传感器的方法经济性、便携性差.针对以上问题,提出了一种无需头戴设备的动态头势识别算法.这种基于双流融合3D卷积神经网络的方法用头部动作生成稠密光流,并将原始数据和光流数据并行输入构建的动作特征提取器,最后进行特征融合.结果表明所提算法比人工特征提取方法和C3D模型有更高的准确率、更好的泛化能力,在无需头戴传感器的情况下有近似头戴式传感器的识别率.
区域聚焦照射（regional focusing irradiation）能将信号能量准确投送至指定区域，但阵列的超稀疏性使得副瓣区域能量较高，在实施精确电子战时极大增加了干扰系统遭受打击的风险，因此副瓣区域能量抑制问题必须加以解决.本文提出一种基于L∞范数评估栅瓣区域能量的方法，将其作为正则项引入区域聚焦照射模型以抑制副瓣区域最大能量，并建立了多目标优化模型.采用交替方向乘子（alternating direction method of multipliers）框架将原问题分解为两个子问题：对于恒模约束下二次规划子问题I，采用贪婪算法给出其闭式解；对于无约束L2?L∞范数的子问题II，将L∞范数做近似光滑化处理，并通过梯度下降法求解.交替求解两个子问题至收敛，以求解发射信号.仿真实验表明，本文模型在副瓣区域能量抑制上较基于L1范数的区域聚焦照射模型具有更优性能，且本文算法实用性更强.
动态视觉传感器（Dynamic Vision Sensor，DVS）相比于传统彩色相机有更高的时间分辨率、动态范围，且功耗更低、带宽更低，在自动驾驶领域有很好的应用前景，因此吸引了越来越多研究者的注意.然而由于事件驱动的数据是异步的且缺少一种统一的表示形式，在复杂的交通场景下，以车道检测为代表的基于事件驱动数据的交通场景分割任务难以应用传统的语义分割算法.针对以上问题，本文提出了一种三通道的事件数据编码方式，综合考虑事件数据的时空特征，将其作为卷积神经网络的输入；提出了一种基于编解码模型的事件数据车道检测算法，在基于事件驱动的车道线检测数据集DET上，本文方法的mIoU（mean Intersection over Union）达到了58.76%，比基准方法提高了4.4%.
在软件测试领域,利用遗传算法生成测试用例是一个研究热点.传统方法在利用遗传算法生成测试用例时,需要计算每个个体的适应度.为了降低适应度计算的时间消耗并重用测试用例,提出一种融入支持向量机回归模型的测试用例生成与重用的方法.在使用遗传算法生成测试用例的过程中,利用一定数量的个体及其适应度作为样本训练支持向量机回归模型.在之后的种群进化中,根据回归模型计算个体适应度,同时利用回归模型查找适应度较高的个体并重用到新种群的进化中.在某大型程序实验中,该方法与同类经典方法相比,覆盖率提高了3%,平均进化代数也有所降低,其降低百分比达85.97%.
D2D通信是5G/B5G网络的关键技术之一，同时小小区的中心化部署形成了以父点为中心的簇.因此，文章构建了一个基于泊松点和泊松簇过程的网络模型，提出了一种基于簇的用户设备(User Equipment, UE)分类方案，并设计了联合正交与共享的频谱资源分配方案.基于簇的UEs分类方案将UEs分为不同类型的簇中心和簇边缘UEs；联合频谱分配方案，将可获得的频带分为正交的两个子带，不同类型的UEs (BSs)共享子带.对此设计，建立了D2D接收机的干扰模型，给出了干扰分布，并分析了簇中心和簇边缘D2D接收机的覆盖概率.仿真和数值结果表明D2D网络覆盖概率随着微微BS (Pico BS, PBS)发射功率的减小而增加.同时，也给出了PBS 覆盖半径和D2D发射机覆盖半径对D2D网络覆盖概率的影响.
为了有效降低室内基于广义空移键控(Generalized Space Shift Keying，GSSK)调制技术的可见光通信(Visible Light Communications，VLC)系统LED选择算法的复杂度，提高系统的LED选择速度，提出了一种基于支持向量机(Support Vector Machine，SVM)的机器学习低复杂度高效率LED选择算法.通过将室内GSSK?VLC系统的LED选择等价建模为多分类的机器学习问题，利用核SVM构建LED选择的最优化问题，通过对偶理论，获得原问题的二次凸规划对偶问题，从而高效的获取SVM的最优分类参数.最后，通过学习训练获得的最优分类参数实现对任意给定用户信道信息的在线天线选择.通过计算机仿真和复杂度分析，与传统的LED选择算法相比，本文提出的算法能够在实现在线LED选择的同时保持低误码率(Bit Error Ratio，BER)性能，表明了该算法的有效性.
植入式医疗电子设备向着微型化、网络化、智能化方向快速发展，其涉及的科学技术也不断更新迭代.本文回顾植入式医疗电子设备及其核心关键技术的发展历程，探讨从体内生理信息精准传感、经体无线可靠传输到体外大数据高效处理的各项技术，呈现相关科学研究的最新动态和发展方向，并提出可智能实时监测支架植入术后“再狭窄”与“内漏”的新一代智能血管支架，为未来血管支架的发展提供全新理念及方向，推动我国植入式医疗电子设备朝着高端化、智能化道路发展.
显著性目标检测旨在对图像中最显著的对象进行检测和分割，是计算机视觉任务中重要的预处理步骤之一，且在信息检索、公共安全等领域均有广泛的应用.本文对近期基于深度学习的显著性目标检测模型进行了系统综述，从检测粒度的角度出发，综述了将深度学习引入显著性目标检测领域之后的研究成果.首先，从三个方面对显著性目标检测方法进行了论述：稀疏检测方法，密集检测方法以及弱监督学习下的显著性目标检测方法.然后，简要介绍了用于显著性目标检测研究的主流数据集和常用性能评价指标，并对各类主流模型在三个使用最广泛的数据集上进行了性能比较分析.最后，本文分析了显著性目标检测领域目前存在的问题，并对今后可能的研究趋势进行了展望.
目标检测是计算机视觉领域中最基础且最重要的任务之一，是行为识别与人机交互等高层视觉任务的基础.随着深度学习技术的发展，目标检测模型的准确率和效率得到了大幅提升.与传统的目标检测算法相比，深度学习利用强大的分层特征提取和学习能力使得目标检测算法性能取得了突破性进展.与此同时，大规模数据集的出现及显卡计算能力的极大提高也促成了这一领域的蓬勃发展.本文对基于深度学习的目标检测现有研究成果进行了详细综述.首先回顾传统目标检测算法及其存在的问题，其次总结深度学习下区域提案和单阶段基准检测模型.之后从特征图、上下文模型、边框优化、区域提案、类别不平衡处理、训练策略、弱监督学习和无监督学习这八个角度分类总结当前主流的目标检测模型，最后对目标检测算法中待解决的问题和未来研究方向做出展望.
属性约简是粗糙集中的一个重要研究方向.本文从8个方面对基于粗糙集的属性约简算法进行归纳，即：不完备决策信息表，不相容决策信息表，连续型属性决策信息表，动态决策信息表，有序型属性决策信息表，基于粗糙扩展模型的属性约简，基于属性重要度的属性约简，结合智能优化算法的属性约简，这对进一步深入研究粗糙集的属性约简算法具有积极意义.
为解决5G协作通信中基于软消息转发协作(Soft?Message?Forward, SMF)物理层网络编码存在的噪声放大等问题，提出一种基于选择软消息转发(Selective Soft?Message?Forward, SSMF)协作的物理层网络编码及其门限判决译码算法.根据迫零检测后噪声最小的叠加信号可靠性最高原理，从中继节点接收信号集中选择可靠性最高的信号，映射为对数似然比形式，来提升误码率(Bit Error Ratio, BER)性能，并降低复杂度.仿真表明：采用二进制相移键控调制，且各信道为准静态瑞利衰落信道时，所提SSMF协作编码性能相对更优.当BER为10-3时，相对去噪转发分集、SMF及译码转发协作方案，所提协作可分别获得约0.7dB、1.1dB与2.3dB的性能增益.
