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%.
针对传统的数据压缩实现方法处理性能较低，难以满足高速网络高负载、低能耗要求，本文提出了基于FPGA（Field-Programmable Gate Array）的高性能数据压缩方法.在数据计算方面，定制化一种专用并行数据匹配方法，并对压缩算法进行子任务划分，设计细粒度的串/并混合结构实现数据压缩和数据编码；在数据存储方面，设计了面向硬件的专用高效字典处理，并采用多级缓存机制优化访存结构；基于FPGA的资源面积，设计了多通道、可扩展数据压缩结构，并采用轮询策略实现多通道的数据分配和回收；在优化过程中，采用RTL（Register Transfer Level）实现数据压缩算法.实验结果表明优化后的压缩算法与CPU相比达到了1.634的加速比，吞吐量为4.33 Gb/s.
将目标分割技术引入跟踪领域是当前的研究热点.目前，基于分割的跟踪算法往往根据分割结果计算最小外接矩形，以此作为跟踪框，但复杂的目标运动使得跟踪框内包含较多背景，从而导致精度下降.针对该问题，本文提出了一种基于前景优化的视觉目标跟踪算法，将跟踪框的尺度和角度优化统一于前景优化框架中.首先评估跟踪框内的前景比例，若小于设定阈值，则对跟踪框分别进行尺度和角度优化；在尺度优化模块中，结合回归框计算跟踪框的条件概率，根据条件概率的结果分情形进行尺度优化；角度优化模块中，针对跟踪框设定多个偏移角度，利用前景IoU（Intersection over Union）极大策略选择最优跟踪框角度.结果证明，将本文方法应用于SiamMask算法，精度在VOT2016，VOT2018和VOT2019数据集分别提升约3.2%，3.7%和3.6%，而EAO分别提升约1.8%，1.9%和1.6%.另外，本文的方法针对基于分割的跟踪算法具有一定的普适性.
针对由于水下声速变化及障碍物干扰引起的定位误差较大的问题，本文提出了一种抛物模型定位算法.首先基于到达角度提出了适用于弯曲声线的抛物模型测距法.然后基于到达时间提出了非理想路径测距识别方法和理想路径测距修正方法.最后利用投影法结合最小二乘法完成定位.仿真实验表明，该算法在弯曲声线、路径识别、测距优化三个方面均能有效地降低误差.
为进一步提高深度图像先验（Deep Image Prior，DIP）降噪模型的降噪效果和执行效率，从网络结构、网络输入和Loss函数三个方面对其进行改进从而获得了一种改进的深度图像先验（Improved Deep Image Prior，IDIP）降噪模型.具体地，在网络结构方面，通过新增非线性特征传递路径的方法将原DIP模型编码器-解码器（encoder-decoder）架构中相同尺度特征层之间所采用的简单连接改进为复杂连接，有利于特征信息调制与传递从而提高神经网络的非线性映射能力；在网络输入方面，用已具有较高图像质量的初步降噪图像替换随机张量作为网络输入向网络模型提供更为丰富的信息，有利于加快网络收敛速度进而提高执行效率；在Loss函数方面，在原噪声图像的基础上新增初步降噪图像作为第二目标图像，有利于提高Loss函数的导向能力从而提高降噪效果.实验结果表明：所提出的IDIP降噪模型在各噪声水平值下的降噪性能和执行效率均显著优于原DIP模型；与现有的主流降噪方法相比，IDIP降噪模型也具有更好的降噪效果.
基于骨架的动作识别越来越受到重视.针对现有算法推理速度慢、数据模式单一等问题，本文提出了一种轻量且高效的方法.该网络在简单循环单元（Simple Recurrent Unit，SRU）中嵌入图卷积算子构建图卷积SRU（GC-SRU）模型，来捕获数据的时空域信息.同时，为了加强节点间的区分，采用空间注意力网络和多流数据融合方式，将GC-SRU拓展成多流空间注意力图卷积SRU（MSAGC-SRU）.最后，在公开数据集上进行实验分析.结果表明，本文方法在Northwestern-UCLA上的分类准确率达到了93.1%，模型FLOPs为4.4G；NTU RGB+D上的分类准确率在CV、CS评估协议下分别达到92.7%和87.3%，模型FLOPs为21.3G，达到了计算效率和分类精度的良好平衡.
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
同时多线程（Simultaneous Multi-Threading，SMT）技术是提升线程级并行度的重要微架构优化技术之一，以SMoTherSpectre为代表的利用SMT环境下共享分支预测器和执行端口的时间侧信道攻击表明SMT技术在提升性能的同时也存在显著的安全隐患.基于记录分支预测错误刷新及调整执行端口资源使用策略，提出了一种SMT环境下执行端口时间信道攻击防护方法.该方法实现了分支过滤和动态资源使用策略修改组件，在防护有效性上可以达到关闭SMT技术的防护效果，性能开销仅为关闭SMT技术的22%，硬件开销可控.
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.
街景图像的分割在工业运用中具有十分重要的作用，但是街景图像具有种类繁多、光照多变等特点，此外，街景分割任务在追求准确性的同时要兼顾实时性，以上特点使得该任务具有很大的挑战性.本文针对这一挑战性任务提出了一个由空间路径和细节路径组成的双路径网络（Dual-path Fusion Network，DFNet），其中细节路径利用高分辨率的输入得到丰富的边界信息，空间路径利用细节路径产生的高质量特征图获得足够多的语义信息；网络的开始嵌入了一个可训练的图像预处理模块（Image Preprocessing Module，IPM），该模块可以使光照不同的图像进入网络正式训练之前在RGB通道上具有方差和均值的一致性；经过预处理模块之后的特征图会分别输入到细节路径和空间路径；本文提出了一个条状注意力细化模块（Attention Refinement Module，ARM），并将其放到空间路径的最后，可以将通道级信息和局部条状信息有效结合起来；在网络的最后，利用图像融合模块（Feature Fusion Module，FFM）对两条路径的特征信息进行融合，得到最后的分割结果.同时，本文还提出了一种基于小目标重组的“复制粘贴”数据增强方法，减弱了小目标样本数据不均衡的问题，同时扩充了数据集，该算法可以提升单个网络近2%的平均交并比（mIoU）.本文利用所提算法在CityScapes和CamVid数据集上进行了实验验证，对于CityScapes数据集来说，输入大小为1 024×2 048，其每秒处理帧数（FPS）和mIoU分别达到了98和70.1%；对于CamVid数据集来说，输入大小为720×960，其FPS和mIoU分别达到了208和65.7%.与已有算法相比，本文算法的推理速度要优于最先进的实时街景语义分割算法，同时保持了较高的分割结果准确性，本文算法在街景图像语义分割速度和分割性能之间取得了良好的平衡.
针对供应链中一类广泛存在的带多行程批量配送的多工厂集成调度问题（Multi-Factory Integrated Scheduling Problem with Multi-Trip Batch Delivery，MFISP_MTBD），建立其数学模型并提出基于贝叶斯统计推断的混合帝国竞争算法（Hybrid Bayesian statistical inference-based Imperialist Competitive Algorithm，HBICA）进行求解.根据MFISP_MTBD问题特性，结合多行程标签机制设计新型编解码策略，并基于该策略构造新型启发式规则以提高初始解的质量.为有效保留优质解的模式信息，采用贝叶斯概率模型学习机制替换标准帝国竞争算法中的同化机制.为更加明确地引导搜索方向，算法每代均利用各帝国中的精英国家（即精英解或个体）重构贝叶斯概率模型，进而对其采样生成新种群.利用9种有效邻域操作动态构造各帝国中每个国家的局部搜索，并对由各帝国内部相邻国家间竞争所确定的强势国家（即获胜国）执行其局部搜索，进而对各帝国中的殖民国家（即该帝国内的最强国家）依次执行所有弱势国家的局部搜索.仿真实验和算法比较验证了所提算法可有效求解MFISP_MTBD.
针对多模态数据在传输过程中丢失、受到无线信道噪声污染而严重影响跨模态通信质量的问题，提出了一种面向跨模态通信的信息恢复技术，通过充分利用接收端已有数据，采用同模态一对一检索、跨模态一对一检索、跨模态一对多检索等方式，在接收端进行信息恢复.所提方法在公共数据集以及实际跨模态通信平台上进行验证，实验表明，该方法可以实现精准的信息恢复，有效提升了跨模态通信质量.
随着数据特征维数的增加，如何在少量有标签和大量无标签高维样本的情况下选择相关的特征子集已成为特征选择领域的热点问题.针对现有半监督特征选择算法直接忽略特征选择与局部结构学习之间的相互作用，从而难以有效获取样本分布结构的问题，本文提出了一种基于自适应图学习的半监督特征选择（Semi-supervised Feature Selection with Adaptive Graph learning，SFSAG）算法.利用标签传播将特征空间的稀疏投影学习和近邻图的构建有效地结合起来，实现在选择相关特征的同时还能学习样本的局部结构；自适应地利用样本在投影特征空间中的相似性信息构建可靠的近邻图，从而有效降低噪声特征的干扰并选择更具判别性的特征子集.多种数据集上的实验验证了SFSAG的有效性及其相对于现有半监督特征选择算法的优越性.
网络应用，如网络状态跟踪、服务等级协议保障和网络故障定位等，依赖于完整准确的吞吐量测量数据.由于测量代价大，网络监控系统通常难以获得全网吞吐量测量数据.稀疏网络测量技术基于采样的方式降低测量代价，通过张量填充等算法挖掘数据内部的时空相关性，从部分网络测量数据恢复缺失数据.然而，现有研究仅考虑了单个性能指标，忽略了多个指标之间的关联信息，导致恢复精度受限且整体测量代价依然很大.本文提出了一个面向大规模网络测量的数据恢复算法——基于关联学习的张量填充（Association Learning based Tensor Completion，ALTC）.为了捕获网络性能指标之间的复杂关系，设计了一个关联学习模型，使用低测量开销的往返时延推测高测量开销的吞吐量，降低网络测量代价.在此基础上设计了一个张量填充模型，同时学习吞吐量测量数据内部的时空相关性和来自往返时延的外部辅助关联信息，最终以更高的恢复精度获取全网吞吐量数据.实验表明，在相同的吞吐量测量代价下，本文所提算法的恢复误差比目前主流方法的恢复误差降低了13%，达到了更好的恢复效果.
尺度在量子启发谐振子优化算法中起着重要作用，反映了解空间中搜索探针的分辨率.当前研究中以固定速度调整尺度并未合理利用尺度资源.此外，候选解可能会因高斯采样的聚集效应而陷入边界.本文提出了一种在一定程度上反映了适应度利用效率的指标，称为适应度进化利用率.在此基础上，本文提出了一种具有尺度动态调速机制和边界映射反弹策略的量子启发式优化方法.该算法通过与尺度调整因子相关的适应度进化利用率动态调节尺度调整速度，通过2种不同的边界映射反弹策略增加可行解的多样性.将本算法与多种流行优化算法在基准测试函数集上进行对比实验，采用了一种带有动态可接受误差的成功率评估机制保证公平性，实验结果表明该算法具有较强的竞争性.
为改善无片外电容LDO（Capacitor-Less Low-DropOut regulator，CL-LDO）的电源抑制比（Power Supply Rejection，PSR），本文提出一种低静态电流PSR自适应优化方案.采用push-pull放大器，避免复杂的频率补偿电路与片外大电容，缩小了面积.为优化中频段PSR，在功率管栅极注入一个与频率相关的补偿电流.采用低静态电流的补偿电流动态调整方案，减小压差和负载电流变化对PSR优化效果的影响.该LDO基于0.11 μm CMOS工艺，芯片面积为0.026 mm2.测试结果表明，在0.1~80 mA负载电流下，静态电流最大值为55
为了提高高分辨率图像中小目标的检测精度，解决高分辨率图像在下采样和局部裁切时由于细节和背景信息丢失造成的漏检和误检问题，本文提出了一种基于特征融合和自学习锚框的小目标检测算法.算法采用多路分支网络对高分辨率图像的全局语义和细节特征平滑后逐层融合，以同时增强特征图上小目标的细节和背景特征.针对训练样本尺寸差异造成不同分支网络上特征表达不一致的问题，本文引入自学习锚框使融合后的特征图能够适应锚框的位置和形状.使用本文算法与目前先进的目标检测算法对下采样图像和切块检测，大量实验结果验证了本文算法对高分辨率图像小目标检测的准确性和有效性.
在回归测试过程中，用例重用是一项很重要的工作，其充分利用软件升级变更前的已有资源，提高测试的效率.从已有研究来看，回归测试的研究大部分侧重于用例优化方面，少部分提到利用程序升级变更前后的相似性来重用测试用例以提高用例生成效率.针对回归测试用例重用问题，提出一种重用变更前相似程序的测试信息，并通过设计的适应度函数为变更后程序进化生成新用例的方法.该方法利用构建的函数调用图进行程序相似部分的检测，并根据函数影响力设计适应度函数来调整个体的适应度值，保留适应度值高的优秀个体；再通过重用变更前相似部分的用例，以及进化生成的变更后的部分用例，来构成回归测试中新程序的用例.实验结果表明，在目标路径覆盖率上，对于中小规模和大规模工业程序，本文方法比经典方法分别可提高8%和17%.
针对暗通道先验存在的边缘去雾不彻底及细节信息丢失等问题，提出了一种景深引导网络（Depth Guided Network，DGN）与环境光优化的图像去雾方法.首先，通过DGN中的图像去模糊分支与景深先验信息将有雾图像复原为初始清晰图像，同时提取图像中的景深信息，根据DGN中的景深细调网络恢复出景深图的边界与结构；然后，为了使细调后景深信息转化为图像特征，利用空间特征变换（Spatial Feature Transform，SFT）层将图像进行迭代变换，同时结合缩放及平移与初始清晰图像进行特征融合，根据景深引导将初始清晰图像进行优化；最后，为了进一步使复原图像具有适宜色彩与较高对比度，将动态环境光细化后用于图像去雾，进一步优化图像细节信息.实验表明：从主观对比来看，得到的复原图像平滑性较好，动态环境光可以增强图像的细节信息，得到对比度较高的图像；从客观对比分析来看，本文方法对合成有雾图像处理后的结构相似性与峰值信噪比的均值分别为88.78%和22.98 dB，对真实有雾图像处理后的细节强度与色彩还原度的均值分别为0.436 8和0.794.综合对比其他去雾方法，本文方法在性能指标最优的同时运行时间最短，能够适用于复杂环境场景的实时性去雾，且具有较好的鲁棒性.
对于粒子滤波检测前跟踪算法，在被动声纳观测量满足指数分布的情况下，本文提出一种按照系统要求的虚警概率设置检测门限的方法.首先，利用贝叶斯定理推导了后验概率比表达式；然后，设置对数后验概率比为检验统计量，通过积分运算离散化处理和Jacobian定理对其进行简化；最后，在不存在目标的情况下分析检验统计量的概率分布特性，得到一定虚警概率要求下检测门限的解析表达式，利用有目标和没有目标情况下观测单元的统计特性差异，证明了在控制虚警概率的同时可以实现对目标的检测.蒙特卡洛仿真结果表明，利用所提的门限设置方法得到的虚警概率与系统要求的虚警概率之间偏差小于0.01，检测概率大于0.95.
针对密集杂波背景中雷达微弱海面目标检测问题，提出一种基于修正Hough变换的检测前跟踪（Track Before Detect，TBD）新方法.在传统两级检测器的基础上增加点迹筛选环节，提出一种基于单帧观测数据的修正单帧Hough变换（Modified Single Hough Transform，MSHT）算法，在MSHT空间引入连续多帧共线和速度约束条件，实现对密集杂波点迹的有效抑制；针对海面多目标同时检测需要，改进传统批处理Hough变换算法，使观测空间原点自适应筛选后点迹数据，得到数据匹配Hough变换算法（Data-Matched Hough Transform，DMHT），以提升参数空间多目标分辨与检测能力.基于游程分布理论推导得到新检测器检测性能解析表达式.仿真和实测数据处理结果验证了本文方法的有效性，表明本文方法在密集杂波背景下具有良好检测性能.
信源导航在应急救援、工业巡检及其他危险作业中具有重要应用意义.在实际应用中，环境的状态信息往往是难以完全观测的，即部分可观测环境.如何利用观测到的部分环境信息做出实时决策，并基于历史序列信息对系统未来状态进行有效的预测，成为信源导航相关研究所面临的挑战性问题.本文提出一种基于深度序列蒙特卡洛树搜索（Deep Sequential Monte-Carlo Tree Search，DS-MCTS）的信源导航算法和系统框架，基于序列动作预测（Sequential Action Prediction，SAP）网络为MCTS决策提供先验知识，构建奖励分配预测（Reward Allocation Prediction，RAP）网络提高奖励分配精度，最终实现系统的最优化决策.仿真实验表明，DS-MCTS方法提供了一种端到端的信源导航解决方案，可以实现智能体动作的有效预测，实现高效、鲁棒的路径规划.
图像超分辨率重建作为一个典型的非适定问题一直受到重视，尽管近年来出现了许多行之有效的卷积神经网络超分辨率重建模型，但如何全面挖掘图像先验信息，用以提高重建图像的细节清晰度仍有待深入研究.本文提出一种基于非抽取Wavelet变换的边缘学习深度残差网络单幅图像超分辨重建模型NDW-EDRN（Non-Decimated Wavelet Edge learning using Deep Residual Networks），在图像经非抽取Wavelet变换后获得多冗余信息、平滑及梯度值较小的低频区域和边缘及梯度值较大的高频区域的基础上，将整体网络框架设计为采用不同结构的CNN（Convolutional Neural Networks）模型来对低频子带与高频子带分别进行学习的策略：对低频子带采用稠密跳跃连接的方式整体性学习低频子带间的映射关系；对高频子带采用一种新型的U-net模型，将图像退化过程中所丢失的边缘作为网络的期望输出，通过基于块的跳跃连接来使网络更精细地学习缺失性边缘，从而更加充分、有效地获取图像在退化过程中所丢失的边缘细节信息.大量实验结果表明，该网络模型能够有效提高重建图像的质量，特别在恢复低分辨率图像的边缘信息方面具有一定的优势，在一定程度上弥补了传统CNN网络模型捕捉图像细节信息的不足.
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.
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.
