为了能够更好地利用频率资源，全球导航卫星系统的多种信号使用了二进制偏移载波（Binary Offset Carrier，BOC）调制.传统基于匹配滤波的BOC信号捕获算法为了防止相关峰中的零点降低检测概率，需要采用较小的码相位搜索间隔，这会大幅提升相关处理的计算复杂度.针对该问题，本文提出了基于多相分解的BOC信号高效捕获算法.该算法对捕获中的相关累加进行多相分解，通过基带数据重采样和选择特定码相位搜索间隔，实现了不同搜索相位下相关值的高效复用.对于北斗系统所采用的BOC（1，1）和BOC（14，2）调制，为了达到相同的检测性能，本文所提算法的计算复杂度仅约为传统算法的1/4和1/2，这对卫星导航终端的小型化和低功耗设计具有重要意义.
形式概念分析是数据处理和知识发现的有力工具，然而仅利用形式概念分析中的传统方法已不能满足大数据环境的需求，这是因为大量数据不仅包括对象-属性信息，还有对象与对象之间的结构信息，因此扩展形式概念分析进行数据处理与知识发现是一个重要的研究课题.基于此，本文定义了带对象结构信息形式背景，并在形式概念的基础上引入连通性提出全局结构信息形式概念和局部结构信息形式概念（统称为结构信息形式概念），进而讨论基于结构信息形式概念的知识发现问题；由于现实中数据的动态变化及信息的传播与扩散是不可避免的，又进一步探讨了当带对象结构信息形式背景对象结构矩阵或连接矩阵发生变化时结构信息形式概念的演化规律，根据不同情况分别给出了对应的算法并对它们的时间复杂度进行分析；此外，通过实验表明了结构信息形式概念动态更新方法的可行性与有效性.
认知诊断模型从学习者的认知结构出发，建模学习者与试题之间的潜在关系，结合智能算法并根据试题作答结果可评估学习者的知识水平.大多数认知诊断模型是将学习者的高阶能力特征视为单维，忽视了后天努力的影响.为此，本文提出了一种考虑能力特征与努力特征相互补偿的具有二维高阶特征的新认知诊断模型——认知反应模型（Cognitive and Response Model，C&RM）.该模型通过设置能力特征与努力特征相互补偿机制来融合两高阶特征参数以精准建模学习者的知识水平.同时，还构建了知识点弱项特征参数，以综合考虑学习者的知识水平与不同知识点对作答试题的影响，进一步提高模型的解释性和预测精度.采用自建的HNU_SYS数据集和Math1，Math2，FrcSub公共数据集，通过实验对比分析了C&RM模型、最新的认知诊断模型和经典诊断模型.当数据训练集为70%最佳比例时，C&RM在4个数据集上分别比次优方法提升了6.3%，4.3%，3.3%，5.2%，其预测性能最佳，验证了本文模型的可行性和有效性.
针对城市交通场景多目标检测算法检测速度慢，检测精度低等问题，本文提出多阶段提议稀疏区域卷积网络算法（Multi-stage Proposal Sparse Region-based Convolutional Neural Network，MPS R-CNN）.算法主要有以下特点：提出了一种多阶段提议框过滤更新机制，提高算法检测精度；提出了一种双向并联特征金字塔网络（Bidirectional Parallel Feature Pyramid Network，BPFPN），增强了模型的特征融合能力；针对城市交通场景目标检测问题引入了Copy-Paste数据增强方法和CIoU损失函数.实验结果显示，MPS R-CNN算法在Urban Object Dataset数据集上mAP达到了77%，算法检测速度保持在37fps，优于目前其他城市交通场景目标检测算法.
基于有限域上的二次乘法特征构造了两类线性码，精确计算出了它们的参数和重量分布.结果表明，第一类线性码是射影三重码，且对偶码关于球填充界几乎最优；第二类线性码是射影二重码，且对偶码关于球填充界几乎最优.此外，本文还得到了一些自正交码和极小码，它们可分别用于构造量子码和安全高效访问结构上的密钥共享方案.
雷达模拟和差天线技术通过射频功率合成器形成和差波束，在目标角度测量中应用广泛，然而运动平台雷达经过空时自适应处理（Space-Time Adaptive Processing，STAP）后难以还原鉴角曲线，即自适应处理后的等效鉴角曲线与静态鉴角曲线发生偏离.针对此问题，本文提出和差天线体制雷达空时自适应测角方法.该方法通过和差STAP算法抑制杂波后实现角度估计，并且通过理论推导建立了角度估计与和通道输出信噪比、差通道剩余杂噪比之间的关系，重点分析了杂波剩余对角度估计的非一致性影响.仿真实验验证了本文方法的有效性.
准确估计电池荷电状态（State Of Charge，SOC）是延长电动汽车电池使用寿命，确保电动汽车行驶安全的重要基础.传统的深度学习估计方法存在并行化计算效率不高、训练时间长的问题.为此，利用基于自注意力机制的Informer模型来估计电池SOC.其降低了传统自注意力机制的时间复杂度、提高了硬件使用率、降低了训练时长，与其他深度学习方法相比估计更准确.然而Informer模型仍然存在体量大及参数冗余的问题，故提出稀疏优化方法.利用基于彩票假设的幅值迭代剪枝方法对Informer进行稀疏化处理，突出主导注意力特征，实现了在降低参数冗余的同时提升模型估计精度.在室温下，提出的稀疏化Informer模型估计电池SOC的平均绝对误差和均方根误差分别达到0.285 8%和0.383 0%，相比于Informer模型在平均绝对误差指标上估计精度提升了25%.并验证了其具备估计不同类型锂电池SOC的泛化能力.与循环神经网络、卷积神经网络这类传统的深度学习模型相比，本模型进行电池SOC估计时训练速度更快，估计准确性和稳定性更高.
随着恶意代码对抗技术的发展，恶意攻击者通过加壳、代码混淆等技术繁衍大量恶意代码变种，而传统恶意代码检测方法难以对其进行有效检测.基于恶意代码可视化的恶意代码检测方法被证明是一种能够有效识别恶意代码及其变种的新方法.针对目前研究仅着眼于提升模型分类准确率而忽略了恶意代码检测的时效性，本文提出了一种基于特征融合的恶意代码快速检测方法.该方法以深度神经网络为框架，采取模块化设计思想，将多尺度恶意代码特征融合与通道注意力机制结合，增强关键特征表达，并使用数据增强技术改善数据集类别不平衡问题.通过实验证明本文方法分类准确率高且参数量小、检测时效性高，优于目前的恶意代码检测技术.
论文提出了一种基于分数基音延迟动态搜索的语音隐写算法.该算法可根据隐藏容量（x比特/子帧）的需要将分数基音延迟候选值集合划分为2 x 个子集，每个子集代表不同的x比特信息.在闭环基音搜索过程中，可为每个子帧选择既能表示待嵌入隐秘信息且内插后的归一化相关系数最大的分数基音延迟候选值，从而有效降低隐写操作对于原始载体的影响.以目前IP语音系统中广泛使用的自适应多速率语音编码为例，对该算法从隐藏容量、不可感知性及抗检测性三方面进行了性能评估并与相关工作进行了对比分析.实验结果表明，本文提出的隐写算法较之现有基于基音延迟的隐写算法可在确保较高隐写容量的同时达到更好隐写安全性（即更好抗检测能力和不可感知性）.
针对最小方差无失真响应（Minimum Variance Distortionless Response,MVDR）波束形成器对导向矢量失配较敏感的问题，本文提出了一种有效的干扰声源抑制方法.该方法首先将语音信号的频带划分为多个子带，通过聚焦信号子空间方法估计各子带的声源到达方向（Direction of Arrival,DOA），并采用统计直方图估计各声源的初始DOA；其次，为了减小导向矢量失配，利用声源的空间稀疏性，通过Capon功率构建目标声源导向矢量估计的代价函数，约束目标声源导向矢量远离干扰声源空间；最后，根据估计的导向矢量，估计干扰声源加噪声协方差矩阵，以获得MVDR波束形成器的权重.基于TIMIT语料库的实验结果证明，提出的干扰声源抑制方法的输出信干噪比（SINR）及语音质量感知评价（PESQ）优于参考方法，具有更佳的抗导向矢量失配性能.
安全多方计算作为密码学的重要分支，长期以来主要致力于解决两方或多方参与者隐私数据的联合计算.集合交集元素和的隐私计算作为安全多方计算中的科学计算问题，在保密计算广告转化率中具有重要作用.我们利用保密替换和加密选择求集合的交集，结合Lifted ElGamal加密算法，研究了不同限制下（数据范围较小和数据范围较大）集合交集元素和多方保密计算.本文方案解决两方计算时，Bob只需从Alice发送的数据中选择数据，避免了复杂的模指数运算，且双方不需多次交互，降低了计算成本和通信次数.多方参与计算时，根据加密选择和保密替换的性质，得到集合交集的密文，然后在密文上计算得到集合交集元素的和.通过理论分析和实验证明，本文协议是高效的.最后利用模拟范例证明本文协议是安全的.
完全个性化的新闻推荐工作通常只基于用户兴趣，可能会导致推荐结果与点击过的内容过于相似甚至重复.事实上即使一些热点新闻并不完全符合用户兴趣，用户也可能希望点击类似的新闻.目前基于热点的新闻推荐方法不能很好挖掘潜在新闻的热点特征、灵活平衡用户兴趣和热点特征.本文提出一种新颖的注意力增强的热点感知新闻推荐模型（Hotspot-aware Attention enhaNced model，HAN），充分利用注意力网络和自注意力网络等深度神经网络的优势，在个性化推荐中将个性化兴趣与新闻热点性进行更好平衡与利用.该模型包括新闻编码器、热点特征提取器、用户兴趣提取器和点击预测器四个组件.提出一个热点特征提取器，使用注意力网络动态聚合热点新闻学习热点表示以更好挖掘热点特征；提出一个新颖的点击预测器来灵活融合热点特征、用户兴趣和候选新闻，以提升候选新闻的点击预测准确率.真实数据集上的实验表明HAN模型在AUC（Area Under the Curve of ROC）和F1两项指标上分别提升了7.51%和8.63%，且能够有效缓解用户冷启动问题.
近年来，目标跟踪中目标的状态表示已由粗糙的矩形框转化为精细的目标掩膜.然而，现有方法利用区域分割得到目标掩膜，速度慢并且掩膜精度受限于目标跟踪框.针对以上问题，本文提出基于空间加权对数似然比相关滤波与Deep Snake的目标轮廓跟踪方法.该方法包括三个阶段：在第一阶段，利用提出的空间加权对数似然比相关滤波器估计目标的初始矩形框；在第二阶段，通过Deep Snake将初始矩形框变形为目标轮廓；在第三阶段，根据目标轮廓拟合出跟踪结果.对提出的方法在OTB（Object Tracking Benchmark）-2015和VOT（Visual Object Tracking）-2018数据集上进行了实验验证，结果表明：与现有先进的目标跟踪方法相比，本文提出的跟踪方法具有较优的性能.
为充分挖掘转辙机振动信号的有效故障信息，提高故障诊断准确率，提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）、改进时域多尺度散布熵（Improved Time-domain Multiscale Dispersion Entropy，TMDE）与粒子群优化算法（Particle Swarm Optimization algorithm，PSO）优化支持向量机（Support Vector Machine，SVM）的故障诊断方法.首先，通过EEMD方法将不同故障类型的振动信号分解成若干个模态函数（Intrinsic Mode Functions，IMFs）；其次，采用相关系数与峭度的混合筛选准则筛选IMFs并重构信号；再次，应用所提ITMDE算法提取重构信号的多尺度故障特征；最后将得到的特征向量输入经PSO搜索最优参数后的SVM进行训练和测试.实验分类准确率为100%，分析表明所提方法优于传统的多尺度排列熵、多尺度散布熵的故障诊断方法，能精确地识别转辙机故障类型.
消费级深度相机拍摄的深度图像具有分辨率较低的问题，深度图像超分辨率重建是解决该问题的有效方法.为了提高重建性能，提出一种基于深监督跨尺度注意力网络的深度图像超分辨率重建算法.网络逐级放大，在损失函数中对每一级的输出都进行约束，实现深监督的目的.采用高阶跨尺度注意力模块，将多尺度特征尺度内及跨尺度相关性与注意力机制结合起来，实现多尺度特征的自适应调整.采用内层为宽激活残差、外层为基本残差的双层残差块作为网络基本构成元素，以提高网络对复杂非线性关系的学习能力.实验结果表明，本文算法在主观视觉效果和客观质量评价指标方面都优于当前主流的深度图像超分辨率重建算法.
文物的数字化保护与分类识别是当前图像处理研究的热点之一.针对常规超分辨率算法不能充分描述现实世界中文物图像复杂纹理结构的问题，本文提出一种基于回归环金字塔型生成对抗网络的文物图像超分辨率算法（Closed-loop Pyramid Information Generative Adversarial Network，CPIGAN）.考虑文物图像的噪声等不定因素，本文采用不同的降采样方式构建了两种文物数据集且探索了一种改进信息块提取策略，提高了原始高分辨率文物图像中高频信息的利用率.本文进一步设计了一种金字塔型生成对抗网络并融入回归环结构，增强了网络从低分辨率图像到高分辨率图像映射的能力.基于自建文物图像数据集，本文算法与多种算法进行了实验对比分析，多个客观指标均有所提升且重建图像主观上更符合人类视觉标准.
本文针对暗通道先验去雾算法在天空等明亮区域存在明显的噪声放大和色彩失真的问题，从大气散射模型和暗通道先验理论出发修正大气光值和非暗通道区域透射率，提出了基于超像素图像分割的暗通道先验去雾改进算法.本文算法基于大气散射模型和暗通道先验理论建立雾天成像模型；通过超像素阈值分割算法将图像分为暗通道区域和非暗通道区域，暗通道区域（Dark Channel Region，DCR）即图像中符合暗通道先验理论的部分，非暗通道区域（Non-Dark Channel Region，NDCR）即图像中不符合暗通道先验理论的部分；再分别通过非暗通道区域和暗通道区域的超像素，估计全局大气光值，修正非暗通道区域透射率；最终根据大气散射模型恢复无雾图像.本文算法提高了全局大气光值的准确性，有效抑制了天空等非暗通道区域的失真，复原图像更加清晰自然，增强了视觉效果.主观和客观评价的实验表明，本文算法能够取得比传统算法更优的去雾效果.
雾图像结构信息弱化、边缘细节信息丢失，严重影响其在高水平视觉任务的使用.现有大部分去雾方法对图像细节信息的恢复并不理想，影响了图像去雾的整体效果.为此，本文提出一种双注意力引导的细节和结构信息融合去雾网络.该网络主要由空间-通道双注意力联合模块、细节和结构信息融合模块以及多尺度特征重建模块组成.其中，空间-通道双注意力联合模块通过联合空间和通道两个维度的注意力进行特征提取，实现雾图像中细节和结构信息的增强；细节和结构信息融合模块将结构信息和边缘细节信息融合为注意力权重和逆向注意力权重，以进一步增强这两种信息；多尺度特征重建模块将提取到的特征重建为清晰图像.实验结果表明，本文方法的去雾效果在定量评价和视觉效果上均优于对比方法.
受环境干扰以及反射光影响，室外采集的多线激光光条图像含有光斑和断裂缺陷.为了准确地分割图像缺陷，本文提出了一个轻量的UT（U-shape Target，U代表U型编解码网络结构，T代表靶形视野）分割模型，模型由3×3卷积和靶形卷积堆叠而成.靶形卷积是针对激光光条图像特点提出的多视野卷积模块，模块中四个卷积分支构成靶形卷积视野，能够提取激光光条图像几何结构特征、局部细节特征以及环绕纹理特征.实验表明，UT模型在多线激光光条图像上的缺陷分割精度高于主流分割模型，而且实现了分割精度和参数量的平衡.
针对深度卷积神经网络难以部署到资源受限的端侧设备这一问题，本文提出一种高效精简的轻量化卷积神经网络Mobile_BLNet，在模型规模、计算量和性能之间取得了良好的平衡.该网络引入深度可分离卷积和倒残差结构，通过合理分配不同分支的运算量缩减模型规模并节省大量计算资源；采用通道剪枝操作压缩网络模型，基于占总和比值方法裁剪对模型贡献度低的卷积通道，在相同压缩效果情况下提升了分类准确率；基于通道裁剪情况重构网络，进一步降低模型所需计算资源.实验结果表明，Mobile_BLNet结构精简、性能优异，在CIFAR-10/CIFAR-100数据集上以0.1 M/0.3 M参数量、9.6 M/12.7 M浮点计算量获得91.2%/71.5%分类准确率；在Food101/ImageNet数据集上以1.0 M/2.1 M参数量、203.0 M/249.6 M浮点计算量获得82.8%/70.9%分类准确率，满足轻量化卷积神经网络的端侧硬件高能效部署需求.
从单帧RGB图像中获取目标物体的6D位姿信息在机器人抓取、虚拟现实、自动驾驶等领域应用广泛.本文针对低纹理物体位姿估计精度不足的问题，提出一种基于伪孪生神经网络的位姿估计方法.首先，通过渲染CAD模型的方式，获取不同观察角度下的RGB图作为训练样本，解决了深度学习中数据集获取与标注较为繁琐的问题.其次，利用伪孪生神经网络结构学习二维图像特征和物体的三维网格模型特征之间的相似性，即分别采用全卷积网络和三维点云语义分割网络构成伪孪生神经网络，提取二维图像和三维模型的高维深层特征，使用网络推断密集的二维-三维对应关系.最后，通过PnP-RANSAC方法恢复物体的位姿.仿真数据集的实验结果表明，本文提出的方法具有较高的准确性和鲁棒性.
新型冠状病毒肺炎（COVID-19）已经在世界范围内造成了严重影响，在防控疫情方面学者们进行了大量研究.利用咳嗽声判断病变部位来诊断新冠肺炎具有非接触、成本低、易获取等优点，但是此类研究在国内较为匮乏.梅尔倒谱系数（Mel Frequency Cepstral Coefficients，MFCC）特征仅能够表示声音的静态特征，而一阶差分MFCC特征还能反应声音的动态特征.为了更好地防治新冠肺炎，本文提出了基于动静态特征双输入神经网络的咳嗽声诊断新冠肺炎算法，通过咳嗽声诊断新冠肺炎.在Coswara数据集基础上，对咳嗽声的音频进行裁剪，提取MFCC和一阶差分MFCC特征训练了一个动静态特征双输入神经网络模型.本文模型采用统计池化层，可以输入不同长度的MFCC特征.实验结果表明，与现有模型相比较，本文算法明显提升了识别准确率、召回率、特异性和F1值.
已有形态偏序由于忽略了图像像素的局部相关性导致运算结果产生噪声叠加、拓扑失真等问题，本文在矩阵Frobenius范数的基础上定义了一种新的偏序关系，从理论上证明了该序满足的自反性、传递性和反对称性.在此基础上，本文提出了基于新序的形态学膨胀、腐蚀算子和相关的梯度运算算子.为验证新序和算子的有效性，与已有的算法进行对比实验，结果表明，新序和相应的算子在保证颜色分量相关性的同时，利用矩阵运算保证了像素的局部相关性，在抑制噪声和边缘保持方面均优于现有的算法.同时，通过结果对比和理论分析发现，新的形态算子对结构元素尺寸的包容性强，克服了形态算子在应用时难以选择合适结构元素大小的问题.这种新序是多通道图像处理的基础，可以扩宽形态学理论的应用范围.
本文介绍了工作频率为400 MHz和2 GHz氮化铝Lamb波谐振器的结构设计、微纳制造及测试表征，研究了锚点损耗和声子间相互作用损耗对Lamb波谐振器品质因数（
户外视觉系统极易受到雾霾等恶劣天气影响，采集到的图像/视频质量严重下降，这不仅影响人眼的主观感受，也给后续的智能化分析带来严峻挑战.近年来，学者们将深度学习应用于图像去雾领域，取得了诸多的研究成果.但是雾霾图像场景复杂多变、降质因素众多，这对去雾算法的泛化能力提出了很高的要求.本文主要总结了近年来基于深度学习的单幅图像去雾技术研究进展.从先验知识和物理模型、映射关系建模、数据样本、知识迁移学习等角度出发，介绍了现有算法的研究思路、具体特点、优势与不足.尤其侧重于近两年来新出现的训练策略和网络结构，如元学习、小样本学习、域自适应、Transformer等.另外，本文在公共数据集上对比了各种代表性去雾算法的主客观性能、模型复杂度等，尤其是分析了去雾后的图像对于后续目标检测任务的影响，更全面地评价了现有算法性能的优劣，并探讨了未来可能的研究方向.
CPU性能基准测试旨在给出可对比、定量的指标数据，为产品选型提供依据，它已成为引领计算产业发展的风向标之一.CPU技术发展迅速，性能基准测试也在不断演进.本文对包含SPEC CPU在内的主流基准测试进行了研究，从测试目标、测试方法等角度，综述主流CPU基准测试的演进过程、最新研究成果，以及通用CPU性能指标和基准测试需求，分析了通用CPU性能基准测试所面临的挑战，并对今后可能的研究趋势进行了展望.
