本文研究了一种适用于随机混合业务的传输方案，其可以对随机到达的不同业务实现不等差错保护，从而满足不同业务对于传输质量的不同需求.该方案的主要优势是，利用一套编译码器满足不同业务基本的质量要求；而对于要求较高的业务，则采用级联外码的技术.另一个有别于传统方法的创新点是，该方案采用叠加的方式实现业务类型标识比特的传输，既不消耗额外的带宽，也不消耗额外的传输能量.仿真结果表明，本文所提出的编译码方案能高效准确地对业务类型进行识别，从而有效地实现随机混合业务的不等保护.
为了进一步提升当前主流太赫兹系统的通信容量，本文基于光子辅助太赫兹生成技术、波分复用（Wavelength Division Multiplexing，WDM）、多输入多输出技术（Multiple-Input Multiple-Output，MIMO）以及先进的数字信号处理，提出一种
智能机器人不同于工业流水线上固定任务的机器人，它们往往需要面对背景、目标物体形状、位置、姿态、尺寸的多种不确定性，这就要求机器人能够像人一样具有极好的手眼协调能力，能基于动态反馈临机调整自己的动作.本文采用基于RGB-D相机的三维深度信息采集手段，构建了一个用于无标定可变场景机器人手眼协调方法，它能够利用几何关系理解三维场景，实时跟踪并准确分割机械臂末端执行器和待抓取的物体，在没有3D模型的条件下计算末端执行器的姿态，通过计算夹持器的姿态以及夹持器和目标对象在相机坐标系中的相对位移向量之后，将该相对位移矢量从相机坐标系转换到夹持器坐标系，估计夹持器位姿变换矩阵，并将齐次变换矩阵输入到机械手逆运动学程序中，求解出机械臂对应的各关节扭角，从而驱动夹持器指向或移动到物体.这一方法硬件资源需求量少、计算速度快、实时性好.
基于骨架结构元（骨元）技术，提出一种灵活高效的电磁散射宽角度扫描算法.与已有骨元扫角算法不同，本文提出的算法对扫描角度抽样没有任何限制.算法将所有角度抽样对应的右端项向量空间用一组骨元向量来表达，通过求解一个超定方程得到任意角度抽样对应的右端项向量.对超定方程的求解进行了分析，研究了超定方程的求解精度与开销问题.讨论了超定方程引入对骨元扫角的影响.通过超低散射目标和电大复杂目标的雷达散射截面数值仿真结果，验证了所提算法的精确性和高效性.
近年来，基于深度卷积神经网络的图像超分辨率技术取得了突出进展，并主导了当前的超分辨率技术的研究.但是，性能的改进，往往以参数量的急剧增加为代价，这限制了超分辨率方法的实际应用.本文设计了一个轻量级单图像超分辨率深度卷积网络，主要贡献包括：提出了一个多尺度的特征融合模块，使用不同感受野的卷积核，提取多种尺度的特征；提出了一个通道搅乱注意力模块，促进特征通道之间的信息流动，并增强特征选择能力；提出了一个全局特征融合连接模块，提高浅层特征的利用率.实验证明，本文方法与当前代表性的方法MSRN（Multi-Scale Residual Network）相比，参数量减少了3/4，重建的高分辨率图像的主观和客观质量均显著更好.
在现有的规则推理机制下，大量的传感器数据导致的过大规则匹配期间的实时特征计算量降低了推理实时性，同时边缘设备受限的内存资源难以应对如此庞大的数据量.为此，本文设计了数据预部署方案（Data Pre-Deployment Scheme，DPDS）.利用规则解析与预处理模块解析规则集得到的规则网络和轻量级特征表（Light-weight Characteristic Table，LCT），该方案无需进行实时特征计算，使推理效率和实时性得到显著提高，并大大降低了规则匹配期间的内存占用量.实验表明，即使在规则、数据规模很大的情况下，DPDS仍然具有较高的时间效率和空间效率.
近年来，随着推荐系统研究的不断深入，推荐系统的公平性受到越来越多关注. 流行度偏差也即流行的物品比非流行的物品更容易被推荐，是影响其公平性的重要因素之一. 流行度偏差对推荐系统的各利益相关者都有严重的影响，引起研究者的广泛关注. 相关研究主要通过推荐结果重排或学习过程中融合正则化项提升非流行物品的曝光率，而非流行物品的交互数据极度稀疏成为研究的瓶颈. 针对此问题，本文提出基于自监督学习的去流行度偏差推荐方法，解决两个难点：（1）准确学习交互数据极度稀疏的非流行物品的表征；（2）提升非流行物品曝光率的同时，兼顾不同用户对流行和非流行物品的偏好. 具体地，从用户的角度，提出流行物品和非流行物品双视图的用户偏好学习方法，准确学习用户对流行和非流行物品的真实偏好；从物品的角度，采用自监督学习，利用互信息最大化捕获非流行物品与流行物品间的潜在关系，辅助提升非流行物品嵌入学习的准确性. 最后，设计用户流行度偏好一致性、资格公平性等指标，并通过三个公开数据集的大量实验说明了本文方法在提升推荐性能的同时，能有效缓解流行度偏差问题并具有较强的通用性.
片上网络（Network-on-Chip，NoC）是众核处理器中核间通信的重要载体.光片上网络（Optical NoC，ONoC）采用光互连的方式实现IP核间通信，具有带宽密度高、通信时延低、系统功耗低等优势，能有效解决众核处理器带宽和能效瓶颈.由于硅光器件及光信号的传输特性，ONoC性能的提升受到串扰噪声、插入损耗等众多因素制约，如何设计高可靠、低功耗的光片上网络IP 核映射优化方案是ONoC的关键问题之一.本文提出了一种基于NSGA-II算法的多目标IP核映射方法，通过建立串扰噪声、插入损耗多目标联合优化的光片上网络IP核映射模型，设计求解多目标优化的进化算法NSGA-II，以实现高可靠、低功耗的光片上网络IP 核映射优化.实验结果表明，本文的IP核映射方法相比串扰噪声单目标优化平均降低了插入损耗15.5%，相比插入损耗单目标优化平均降低了串扰噪声82.7%.
激光注入技术是评估安全芯片抗故障攻击能力的重要手段之一.本文详细分析了激光故障注入的原理及激光诱发现场可编程门阵列（Field Programmable Gate Array，FPGA）触发器结构故障的机制，提出了一种FPGA激光注入评测方法.分别采用随机和定点故障注入的方法，对基于FPGA实现的SM2算法的基点等数据进行了篡改，验证了防护设计的有效性.针对28 nm工艺的FPGA，激光能够实现指定字节的单比特故障注入，同时也能实现快速的高覆盖率随机故障注入，是一种精确和高效的安全芯片评测手段.
卷积神经网络（Convolutional Neural Networks，CNN）已被广泛应用于图像处理领域.基于CNN的目标检测模型，如YOLO，已被证明在许多应用中是最先进的.CNN对计算能力和内存带宽要求极高，通常需要部署到专用硬件平台，FPGA因其高性能、低功耗和可重配置性成为CNN的有效硬件加速器.以往的基于FPGA的目标检测加速器主要采用传统卷积算法，然而，传统卷积算法的高运算复杂度限制了加速器的性能.基于此，本文设计了一种基于Winograd算法的目标检测加速器.考虑到各模块间的联系，采用模块融合策略融合卷积层和池化层模块，降低数据移动次数，减少片外存储器访问次数，提高加速器整体性能.以YOLO2模型为例，对数据访问模式、池化内核、参数重排序、数据通路优化进行分析设计，并部署在U280板卡上.实验结果表明，量化后mAP降低了0.96%，性能达249.65 GOP/s，是Xilinx官网所给数据的4.4倍.
网络剪枝是一种有效的卷积神经网络压缩方法.多数现有压缩方法因迭代剪枝了“不重要”的网络结构，一方面破坏了网络结构的信息整体性，另一方面其迭代操作耗费了大量的计算资源与时间.为了解决上述问题，论文从网络结构全局考虑，提出基于自适应层信息熵的卷积神经网络压缩方法.首先，在获取压缩网络结构的过程中，本文设计了一种端到端的结构化网络剪枝方案，将卷积层看作一个整体，利用层信息熵之间的关联性直接确定各卷积层过滤器的保留率，避免迭代剪枝训练造成的信息损失.其次，对剪裁后的网络进行重训练时，综合考虑压缩过程中使用的层信息熵指标，通过对卷积层与批归一化（Batch Normalization，BN）层进行自适应联合嫁接，让网络学习到更多的信息，提升网络性能.针对3种主流网络在不同的数据集上进行了实验，验证了所提方法的有效性与优越性.例如在CIFAR-10上，针对ResNet-56，相比于基线网络，在计算量压缩36.2%的情况下，本文方法准确率提升了1%；针对ResNet-110，在计算量压缩52.4%的情况下，本文方法准确率提升了1.42%；针对轻量型网络MobileNetV2，在计算量压缩55.2%的情况下，本文方法准确率提升了1.29%.
在无线传感网中，无线链路数据传输不是独立的，而是存在较强的相关性.在链路相关性条件下，无线链路传输质量往往依靠直接测量法获取结果，但是直接测量的结果不够精确，存在较大误差，而路由算法总是依据链路传输质量选择最优的传输路径，因此直接导致路由选择算法的结果错误.本文基于无线链路数据相关性传输提出改进架构，该架构利用贝努利采样理论，确保对无线链路传输质量的精确估计，使得链路质量估计能够达到高精度的要求.在此基础上，本文提出了路由选择优化算法，该算法依据无线链路的传输质量，找出从所有的感知节点到sink的最优数据传输路径，确保无线链路的数据传输所消耗的能量达到最小值.实验结果表明，本文提出的架构在精确度和能量消耗等方面，都要优于已有的优化算法.
面向心脏疾病计算机辅助诊断，本文提出一种基于一维卷积神经网络和循环神经网络混合深度学习结构的心音分析方法.本结构首先利用卷积神经网络学习心脏病症在心音信号上的表征，然后通过循环神经网络处理心音信号中的时序信息进行分类，在提升心音分类正确率的同时，大幅度降低了网络参数.为验证本深度学习结构所学特征的有效性，除已有的成人心音数据集外，本文还专门构建了一个面向婴幼儿先天性心脏病的心音数据集，并通过端到端的类别响应图证明了本方法在室缺诊断时学习到的心音信号特征符合临床医师的心音听诊经验.实验结果表明，本文方法能在3 153例成人心音数据分类上达到92.56%的正确率，在528例婴幼儿心音数据分类上达到97.48%正确率，模型参数仅有0.05 M.
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.
针对节点随机部署的静态无线传感器网络覆盖率低、能耗高和时延长等问题，提出基于三角剖分的无线传感器网络元胞感知覆盖算法.该算法通过改进的Delaunay三角剖分实现网络区域的唯一性划分；采用元胞思想确认节点间邻域关系，并通过设置节点感知半径完成网络拓扑控制；将节点剩余能量、时间延迟和历史转发概率作为机器学习感知器的输入数据进行训练，进而找到最优的数据转发通信路径.仿真结果表明，本文提出的算法将网络覆盖与数据传输相结合，相较于其他算法，覆盖率提高13%~34%，节点能量消耗减少了2.25~2.50 J，网络生命周期延长了25%，网络时延下降了0.25~1.18 s.
时序行为边界框生成任务的目的是定位未剪辑视频中行为的开始和结束时间.现有的生成行为边界框的方法存在两个缺点： 所使用的特征不具有足够的时间全局信息，导致了边界框的不准确； 特征提取和边界框生成的过程是分开的，导致生成的特征不完全适合边界框生成任务.为了解决上述问题，本文提出了时间全局相关网络（Temporal Global Correlation Network,TGCNet），利用时间全局相关（Temporal Global Correlation,TGC）模块获取全局信息.TGC模块主要包含动态相关结构和静态相关结构，分别编码动态和静态全局信息.TGCNet网络可以以端到端的方式训练，使得所学习到的特征更适合时序行为边界框生成任务.本文在两个具有挑战性的数据集THUMOS14和ActivityNet1.3上进行了实验，结果表明，所提出的TGCNet网络在这两个数据集上均达到了最好的时序行为边界框生成性能.
针对短波通信中的同频干扰问题，本文通过短波信号建模和计算时差样本点构建空间频移算子，从而进行时域信号的离散空间变换，大幅度抑制了多径和噪声分量的干扰.提出了信号的空间域稀疏化方法并利用聚类算法实现多发射源的直接定位.仿真结果表明，该算法性能在信噪比和信干比都较低的情况下优于现有的到达时间差（Time Difference Of Arrival，TDOA）定位算法，实测结果表明所提算法定位相对误差小于3%.
本文分析了两站和三站时差分选的性能和运行效率，提出了一种基于云模型的辐射源信号多站分选方法.该方法首先利用两站时差分选方法完成脉冲配对与粗分选；然后运用云模型计算各配对成功脉冲集合在时差、脉宽和载频参数维度上的隶属度，合并来自同一辐射源的脉冲集合，实现细分选；最后利用另一个云模型计算配对失败脉冲与细分选后的集合在脉宽、载频和带宽参数维度上的隶属度，归类配对失败脉冲.仿真结果表明，与现有多站时差方法相比，本文通过引入云模型合并时差粗分选结果中来自同一辐射源的脉冲集合，降低了虚警率，同时实现了配对失败脉冲的准确归类，提高了方法的鲁棒性.
本文研究了超声多角度平面波（Multi-angle Plane Wave，MPW）相干复合血流速度剖面（Blood Flow Velocity Profile，BFVP）检测的关键参数.基于Field II超声仿真平台开展仿真实验，分别建立水平、倾斜颈总动脉（Common Carotid Artery，CCA）平面波超声仿真模型.使用3~11个角度、间隔0.25°~16°的MPW扫描水平CCA生成复合图像，基于散斑跟踪法（Speckle Tracking，ST）测量BFVP；使用3个角度、间隔0.25°~20°的MPW扫描倾斜CCA生成复合回波信号，基于多普勒测速法（Doppler Velocimetry，DV）估计BFVP.对比预设理论速度剖面，ST法与DV法的最优参数分别为11个间隔1.0°、3个间隔3.0°的平面波.基于造影增强的兔髂动脉开展体内实验，验证了最优参数的有效性.综上所述，本文研究为MPW相干复合检测BFVP的参数设置提供参考，有助于获得准确的临床诊断信息.
随着移动终端的大规模普及，群智感知技术以其高效且成本低廉的优势逐渐取代现有的静态传感器，成为一种新兴的数据收集方式.如何在保证质量、降低成本的前提下，把感知任务分配给最佳执行用户以实现用户任务完成数量的最大化，是数量敏感任务分配问题研究的重点.基于此，提出一种结合非线性递减收敛因子、最优局部抖动以及动态位置更新三种操作的改进鲸鱼优化算法（Improved Whale Optimization Algorithm，IWOA），并将其用于求解所提出的任务分配问题.对数量敏感的任务分配问题进行建模，根据用户与任务间的适应程度，定义空间匹配度与技能匹配度.在用户执行任务的过程中考虑到用户的学习能力，引入技能更新机制对用户已有技能进行及时更新，以此提高任务分配的效率.综合考虑预算、用户在线时长以及感知任务完成质量，对最大化任务完成数量的任务分配问题进行合理定义，并从为任务选择最佳执行用户的角度出发，设计一种基于优先级的用户选择策略，以实现在保证感知任务基本完成质量的前提下，降低任务分配的成本.在最优任务分配方案的求解过程中，利用改进算法对每次迭代初始的任务序列进行不断优化，经过有限次迭代即可得到最终结果.将改进算法与其他优化算法在相同环境下进行对比实验，结果表明改进算法在求解任务分配问题时具有更高的性能.
针对无透镜成像系统分辨率低和单线阵扫描成像中由于细胞流速不准确造成的图像重构畸变问题，本文提出了一种基于双线阵图像传感器的超分辨率扫描成像方法.通过引入第二个线阵，利用双线阵的时间空间关系，实现了细胞流动速度的实时测量，为扫描图像的重构提供了精准参数.综合考虑了光源、衍射光路、细胞样品瞬态流速、图像传感器像素尺寸、倾斜角度和帧频等系统特性，建立了线阵扫描成像系统的成像模型，深入分析了影响双线阵成像质量的因素，建立了基于坐标变换、扫描图像插值计算的双线阵扫描成像系统的图像重构模型.综合两种模型，以条形图案为仿真对象，分析了该方法的成像特性，并从理论上验证了双线阵扫描成像系统的可行性和有效性.仿真结果表明，双线阵扫描成像系统的空间分辨率相比面阵系统至少提升了2.8倍，并且结构相似性和峰值信噪比均有5%~15%的提升.在此基础上，搭建了双线阵扫描成像系统，并以微球、红细胞和白细胞作为测试对象，对系统进行了实际测试.结果表明，双线阵扫描成像系统解决了单线阵扫描成像图像重构畸变的问题，同时相比面阵成像系统，20 μm微球的直径均值误差为2.04%，红细胞和白细胞的特征更多、更明显.
针对伪负采样算法（Pseudo-Negative Sampling，PNS）存在的类内子聚集和类别重叠问题，提出一种融合簇边界负样本移动策略（Cluster Boundary Negative Movement Strategy，CBNMS）与自适应正样本合成技术（Adaptive Positive Synthesis Technology，ADPST）的改进混合采样算法（Improved Cluster Boundary Negative Movement Strategy，ICBNMS），以提升非均衡数据的整体分类性能和正类识别精度.CBNMS策略采用凝聚层次聚类对正负类样本进行划分，并通过各局部样本间相似关系识别潜在负类中且与正类相关性较大的簇边界负样本，提高采样的局部精确性和时效性.为进一步加强CBNMS策略对正样本重叠区域的识别性能，ICBNMS算法在簇边界负样本移动均衡化基础上，引入ADPST技术，利用稀疏度与距离复合因子组合加权以自适应确定最优样本生成区域，从而有效削弱样本的重叠性且丰富样本的多样性.实验结果表明，相比其他采样算法，ICBNMS算法在10个非均衡数据集的多组实验中G-mean和F-measure等指标获得最优值，且时间效率比CDSMOTE和PNS算法分别提升了32.27%和27.88%，凸显出更优越的鲁棒性和泛化性.
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.
云存储的外包特性使得数据的所有权与管理权/持有权分离，导致数据安全成为用户关注的焦点之一.作为云存储中数据安全的一个组成部分和数据生命周期的最后一个阶段，外包数据确定性删除研究的是如何证实留存于云服务提供商、数据使用者和网络中的数据是失效、不可恢复的，从而防止数据滥用和隐私泄漏等安全隐患.其主要研究思路是利用密码学相关理论和技术将数据删除问题转换为密钥的安全管控和删除问题，即在假定加密算法是安全的情况下，安全管控和删除密钥将使得外包的密文数据不能被解密和访问，从而实现数据在计算上的删除.本文首先介绍了外包数据确定性删除的研究背景及其主要研究思路，并阐述了作者对于该问题的思考，包括该问题的模型及其蕴含的关键科学问题；之后，分类梳理了国内外研究现状，分析了每类方法的特点和发展趋势；接着，通过几个有着众多用户的应用案例展示了外包数据确定性删除所预想的部分功能；最后，探讨了该领域未来的研究方向.
