智能超表面（Reconfigurable Intelligent Surface，RIS）作为第六代（Sixth Generation，6G）移动通信中的潜在关键技术之一，具有低成本、低能耗和易于部署等特点.通过给电磁单元上的可调元件施加控制信号，可以实现对入射信号的幅度、相位、极化等调控，从而构造智能化的通信环境，为终端高能效无线通信提供了契机.本文首先基于无人机通信技术发展现状，阐明了将RIS技术引入无人机通信系统的必要性；然后，分析了RIS使能无人机高能效通信信道的传输机理，归纳了信道建模关键技术；最后针对RIS使能无人机高能效通信信道建模，总结和展望了未来的技术挑战与研究方向.
太赫兹波段处于微波、毫米波与光波段之间，其相关技术对下一代高速通信、高分辨成像、智能感通一体等多个信息领域的发展具有重要的意义.发展太赫兹应用技术需要对太赫兹波束进行操控和信息加载.动态超表面作为一种新型的实现结构和器件，是实现该功能的重要途径之一.本文将以太赫兹动态超表面的调控功能作为分类依据，从相辅相成的材料、结构、机理及其最终表现的应用演示对幅度调控、相位调控、极化调控、波束调控、高阶非线性调控太赫兹动态超表面5个方面进行了概述，介绍了不同类型动态超表面的相似性与独特性，并对部分工作进行了指标对比.最后，展望了太赫兹动态超表面的发展趋势.本文希望更多学者可以了解太赫兹动态超表面，并促进此领域的发展.
本文综述了基于人工微结构的太赫兹超表面透镜的最新研究进展，通过仿真分析了人工微结构单元与太赫兹波的相互作用，阐述了共振相位、几何相位和传输相位3种主要的相位调控机理及相应的相位调制效果.根据透镜相位的空间分布规律，通过合理的人工微结构布局实现对入射太赫兹波波前的调控，从而实现太赫兹超表面透镜的聚焦和成像功能.太赫兹超表面透镜具有设计灵活、厚度超薄、功能多样等诸多优势，在太赫兹波无损检测、高速通信和公共安全等领域具有广阔的应用前景.本文根据太赫兹波聚焦效率这一重要技术指标，介绍了基于单层结构、多层结构、全介质结构以及可调谐太赫兹超表面透镜的研究成果，并对太赫兹超表面透镜的未来发展前景进行了展望.
超材料是具有特殊性质的人工电磁材料，可以调控电磁波的频率、幅度、相位和极化等基本的物理特征，在太赫兹波段具有重要的理论研究和应用价值.由于超材料结构设计过程复杂和仿真模拟计算时间的限制，超材料结构设计面临着巨大的挑战.鉴于太赫兹超材料器件已在生物医学、宽带通信、安全筛查等领域取得一定的成果，本文从传统设计方法入手简述了太赫兹超材料常用器件的研究进展及设计过程存在的问题；详细地梳理和综述了编码超材料的研究成果，特别是编码超表面和可编程超表面；总结了深度学习算法在太赫兹超材料结构设计中的应用；最后，探讨了智能化方法在太赫兹超材料结构设计中面临的挑战和开放性的研究方向.该研究将为人们充分掌握简易、快捷和智能化的设计方法提供参考，同时也为智能化设计方法在太赫兹超材料中的发展和应用提供新的想法和思路.
在微波频段，应用在可重构超表面单元上的开关往往具有良好的通断性能，可以在单元层面实现低损耗、180°相位差的1-比特相位量化特性.随着频率提升到毫米波甚至太赫兹频段，开关性能会因为寄生效应而下降，引起可重构超表面单元的设计困难.在本工作中，将可重构超表面单元的等效为一个微波二端口网络模型，通过分析网络的阻抗参数和散射参数，指出了单元反射系数与开关反射系数的传递关系.所提的关系式，经过不同频段的不同开关与单元结构的仿真验证.本工作可以根据任意开关参数，给出1-bit的单元的性能上限，所提的设计流程可以指导太赫兹可重构超表面单元的设计与优化.
本文提出了一种工作在太赫兹频段的双频圆极化手性吸波和异常反射手性超表面，通过合理组合两种手性结构，实现在两个频段相互独立的圆极化手性吸收和异常角度的圆极化转换功能.该双频太赫兹手性超表面在2.53 THz处对左旋圆极化波的吸收率为96.3%，对右旋圆极化波实现同极化的反射；在3.43 THz处对右旋圆极化波的吸收率为90.9%，而对左旋圆极化波表现为同极化反射功能.本文进一步通过连续旋转单元图案引入几何相位，实现了2π反射相位全覆盖.组阵后的手性超表面在两个工作频点各自吸收特定旋向的圆极化波，而对正交极化的圆极化波分别发生约±20°的保手性异常反射.这种基于手性超表面的双频太赫兹多功能器件有望应用于电磁能量收集、极化转换器、手性传感等领域.
本文提出了一种基于石墨烯和二氧化钒（VO2）的伞状结构可重构太赫兹超宽带吸波器，极大地拓展了太赫兹吸波器的吸收带宽，具有功能可重构、调制深度大等优点.该吸波器由伞状VO2贴片、聚乙烯环烯烃共聚物（Topas）介电层、石墨烯层以及金属反射层组成.当VO2处于绝缘态、石墨烯的费米能级为0 eV时，该吸波器在整个太赫兹波段内表现为全反射特性.当VO2处于金属态、石墨烯的费米能级为0.75 eV时，该吸波器在3.57~10 THz频率范围内实现了超宽带吸收，平均吸收率达到了94%以上，吸收带宽高达6.43 THz.同时调节VO2的电导率和石墨烯的费米能级，可在两个完美吸收点处实现最大分别为97.9%（4.3 THz处）、96.8%（8.25 THz处）的调制深度，具有良好的开关特性.此外，该吸波器还具有极化不敏感和广角吸收特性，在 的入射角范围内，该吸波器在3.57~10 THz带宽范围内均保持着90%以上的吸收率.该可重构太赫兹超宽带吸波器在可调宽带吸收器件、隐身器件、热探测、太赫兹开关等领域具有潜在的应用价值.
本文基于0.18 μm CMOS工艺提出了一种新型微波人工表面等离激元（Spoof Surface Plasmon Polariton，SSPP）耦合式滤波器结构并进行加工和测量，同时设计了一种太赫兹SSPP四边形滤波器并进行了全波仿真.新型微波SSPP耦合式滤波器通带为11~12.3 GHz（S 11<-10 dB，S 21>-3.5 dB），结构紧凑，电尺寸仅为0.018 4 λ g × 0.008 4 λ g，远小于其他基于集成电路工艺设计的无源滤波器.通过优化与调整，可以将新型微波SSPP耦合式滤波器的性能进一步优化到要求范围内.太赫兹SSPP四边形滤波器通带为210.8~241.3 GHz（S 11<-10 dB，S 21>-4.7 dB），带内插入损耗仅为2.7 dB，带外抑制良好.两种SSPP滤波器均采用非接触式电磁耦合的新型能量传递方式，结构设计新颖，并且微波段SSPP耦合式滤波器小型化优势明显，电尺寸仅为0.019 λ g × 0.009 λ g，易于芯片集成.本文提出的两种SSPP滤波器经过等比例缩放，可工作在微波、毫米波以及太赫兹频段，为新型片上无源滤波器的研究设计提供参考和借鉴.
本文针对智能反射面辅助的太赫兹卫星通信系统，提出一种基于用户非完美信道状态信息的鲁棒安全波束成形算法，以提升系统的物理层安全性能.首先，在智能反射面辅助的太赫兹卫星系统采用多播传输技术向多个合法用户发送信号，并且在其覆盖区域内存在多个窃听者的场景下，建立以卫星发射功率最小化为目标函数，合法用户的可达速率和可达安全速率满足要求为约束的联合优化问题.其次，考虑到非完美信道状态信息导致可达速率和可达安全速率均为非凸的概率约束，提出采用二阶泰勒展开和S程序方法对其进行转化，并进一步通过半正定规划完成智能反射面的相移矩阵和卫星发射功率的联合优化设计.最后，计算机仿真验证了所提算法的有效性和优越性.
本文对太赫兹功率放大单片封装技术进行研究，主要包括波导-微带垂直过渡和模块内的模式谐振抑制技术.不同于常规的矩形探针平面过渡，本文提出了一种基于分叉探针的垂直过渡结构，适用于多层电路排布的系统/模块封装，并在WR-4波导频段（170~260 GHz）进行了背靠背结构的实验验证，在整个波导频带内，回波损耗优于16 dB，单个过渡的插入损耗约0.42 dB，这包括了波导模块接触不良造成的额外的损耗.为进一步降低过渡损耗，提出了一种开口谐振环结构，用来抑制不良接触导致的电磁泄漏，使过渡损耗降低为原来的一半.此外，为避免功率放大模块内部发生模式谐振，提出将电磁带隙结构设置在平面传输线的上腔来抑制高次模的激励、传输和谐振.应用上述技术对工作于210~230 GHz的功率放大单片进行封装及测试.在210 GHz，小信号增益达到最大值20.75 dB，单端封装损耗约0.8 dB；在217 GHz达到最大输出功率15.6 dBm，与芯片手册数据吻合较好.
本文设计了一种基于双层金属亚波长光栅的太赫兹偏振器，其可以实现高透过率和良好消光比的特性.该偏振器是通过微加工技术在薄石英衬底的上下表面上制备而成的.实验和模拟结果均表明，双层金属光栅具有与单层金属光栅相近的透过率、更高的偏振度和更高的消光比.在0.3~2.0 THz的频率范围内，测量的透过率在83.4%到62.7%之间，偏振度大于99.7%，消光比大于29 dB.此外，设计的两种双层金属光栅偏振器件成功地应用于太赫兹时域光谱（TeraHertz Time Domain Spectroscopy，THz-TDS）系统中，获得了超过96.2%的偏振度和超过17.1 dB的消光比.通过调整金属亚波长光栅的参数（例如间距、线宽和金属膜厚度），可以进一步提高透过率、偏振度和消光比等特性.
本文基于慢波半模基片集成波导（Slow-Wave Half-Mode Substrate Integrated Waveguide，SW-HMSIW）结构，设计了一款紧凑型平衡滤波器.该滤波器由金属盲孔阵列加载的SW-HMSIW多模谐振腔、两对间距 的差分馈电线（ 为滤波器中心频率处的波长）组成.该平衡滤波器由于利用了HMSIW多模谐振腔的不同模式， 和 两个模式工作在共模（Common Mode，CM）状态，而 ， ， 这3个模式工作在差模（Differential Mode，DM）状态，；因此该滤波器相较于已发表文献中的SIW平衡滤波器，具有更宽的工作带宽.进一步，慢波结构的引入实现了对HMSIW多模谐振腔不同模式谐振频率的调控，明显降低了谐振腔的纵向及横向尺寸，实现了滤波器的紧凑化设计.本文提出的滤波器，其总尺寸为 ， dB DM工作相对带宽可达32%， dB CM抑制相对带宽可达23%.与同类HMSIW平衡滤波器相比，本文提出的SW-HMSIW平衡滤波器的电路面积减小了约42%.
针对基片集成波导移相器小型化、高性能的需求，本文提出了基于慢波半模基片集成波导（Slow-Wave Half-Mode Substrate Integrated Waveguide，SW-HMSIW）的等长等宽小型化移相器.该SW-HMSIW上层金属表面由微带折线单元周期性加载构成，提高了SW-HMSIW的等效介电常数和磁导率，从而降低了SW-HMSIW的截止频率和相速度，实现了慢波效应并获得尺寸的减小.此外，可以通过调节微带折线单元横向和纵向的尺寸，灵活调节SW-HMSIW的相速度和截止频率.基于这一原则，本文设计实现了SW-HMSIW等长等宽小型化移相器，同时它具有较宽的工作带宽.测试结果表明，所设计的移相器在8.7~14.2 GHz内实现了 的相移量，相对带宽为48%，回波损耗优于12 dB，具有良好的传输性能和移相效果，并且具有小型化和等长等宽结构特点，适用于在大规模阵列天线的应用.
在机载通信领域，迫切需要一种具有垂直极化全向辐射模式的低剖面小型化天线，尤其是在甚高频（Very High Frequency，VHF）频段和特高频（Ultra High Frequency，UHF）频段的低频段.针对这一需求，本文提出了一种有着低剖面、电小尺寸的圆柱腔天线.通过在圆柱腔内部引入短路柱和导电柱分别激励起TM01和TM02模，能够获得良好的垂直极化全向辐射模式.引入锥形套筒在改善输入阻抗的同时，有效降低TM01和TM02模的谐振频率，使两个模式的谐振频率工作在目标频段.另外，设计了4个状态的宽带匹配网络来进一步改善天线的阻抗匹配.本文提出的圆柱腔天线尺寸为 （ 是最低频率处的自由空间波长）.仿真和实测结果之间有着良好的一致性.实测结果表明，本文提出的圆柱腔天线在低频段和高频段分别获得了47.3%（105~170 MHz）和52.3%（207~355 MHz）的阻抗带宽（ ），并在宽频带内获得了稳定的垂直极化全向辐射模式.
本文研究了采用混合精度数模转换器（Digital-to-Analog Converter，DAC）架构的下行去蜂窝大规模多输入多输出无线携能（Multiple-Input Multiple-Output Wireless Power Transfer，MIMO-WPT）系统.该系统中的用户（User Equipment，UE）收集接入点（Access Point，AP）发射的无线射频信号能量，基于加性量化噪声模型对量化后的能量信号建模，并引入混合DAC功耗模型，推导出UE收集到的能量（Harvested Energy，HE）和系统能量效率（Energy Efficiency，EE）闭式表达式.分析关键参数，如DAC精度、高精度DAC占比、AP/UE数目和AP发射功率等对下行WPT性能的影响.设计基于加速投影梯度（Accelerated Projected Gradient，APG）的EE最大化功率控制算法.该算法是一阶优化方法，且能求解出最优功率控制系数的闭式解，因此时间复杂度低，运行耗时短.仿真结果表明，与全低精度DAC结构相比，混合精度DAC结构可以同时改善HE和EE；对于不同高精度DAC占比的混合精度DAC结构，当除高精度DAC外的其余DAC的分辨率设置为5 bit时，在保证实现高HE的同时也可获得最优的EE；在中、低信噪比场景下，可以通过增大AP发射功率来改善系统EE；在UE数目较多的去蜂窝大规模MIMO-WPT系统中，所提的基于APG的功率优化算法不仅使等功率分配方案下的EE提升了约19.5%，而且同基于内点法的功率优化算法相比，运行耗时也大幅降低.
本文针对3D堆叠磁随机存储器（Magnetic Random Access Memory，MRAM）的热学分析问题，在有限元法和热阻网络法的基础上，提出了一种局部等效法，可高精度并且快速地分析3D堆叠MRAM的热学分布.与有限元法相比，该方法使用直观方便，克服了有限元法建模与求解复杂耗时的问题；与热阻网络法相比，局部等效法具有保持较高精度的特点，解决了热阻网络法针对带夹层和硅通孔（Through Silicon Via，TSV）的复杂封装问题时存在较大误差的问题.对比结果表明，使用本文提出的方法得出的各叠层的上表面温度误差均小于0.05 °C，精度与有限元法一致，并且更便捷高效.同时对应的建模结构简单，避免了热阻网络法将含铜柱的夹层和含铜柱的硅层分开考虑的不准确性.本文的研究可为未来多层3D堆叠MRAM热学特性相关的设计与分析提供指导.
建立了板级BGA（Ball Grid Array）焊点有限元分析模型，选取芯片高度、焊点直径、焊点高度、焊点间距作为设计变量，以焊点应力作为响应目标，分别采用田口正交及曲面响应法设计了25组不同水平组合的焊点模型并进行仿真计算，通过数理统计分析及回归分析对焊点结构参数进行了优化，获得了焊点应力最小结构参数最优水平组合.结果表明：在相同条件下，曲面响应优化的结果优于田口正交的结果；应力最小的焊点水平组合为焊点直径0.32 mm，焊点高度0.20 mm，焊点间距0.36 mm；最优水平组合等效应力值为0.3915 MPa，降低了0.65 MPa，实现了BGA焊点结构参数的优化.
本文提出了一种基于有限脉冲响应（Finite Impulse Response，FIR）滤波器的时钟倍频与抖动消除电路.相比传统时钟倍频器所采用的锁相环（Phase Locked Loop，PLL）或延迟锁定环（Delay-Locked Loop，DLL）技术，本文所设计的倍频电路通过FIR滤波器原理来产生高精度的时钟相位，并利用新型过零检测电路来产生输出时钟脉冲，在明显降低时钟抖动的同时还实现了倍频器的快速锁定，且在功耗及面积成本上也更为经济.本设计采用SMIC 0.18 µm CMOS工艺实现后，设置输入时钟频率为32 MHz时，在锁定时间小于1.5个时钟周期的情况下实现了5倍频输出，输入时钟抖动也从43.6 ps RMS降低至24.6 ps RMS，由此验证了设计的合理性和实用性.
金融交易风险防控是金融风控平台最重要的能力之一.近年来，随着金融风控平台智能化需求的不断升级，对其中相关应用算法的性能要求也水涨船高.目前业界已完成了两代针对金融交易行为的表征学习框架的迭代升级.第一代框架引入了金融交易活动参与者自身的历史行为序列，利用序列模型学习其历史行为特征.第二代框架通过一套实时大数据系统对资金流图进行建模，根据业务专家预定义的业务规则计算出需要的实时特征，并将其输入到后续的判别模型中.相比第一代，第二代框架引入了更多实时动态资金流图上的交互信息，因而取得了不错的性能提升.然而，第二代框架在精细化、智能化和时序建模方面仍存在较大不足.为了解决这些问题，本文针对性地设计了第三代框架，该框架通过动态图表征学习算法，从实时资金流图的原始数据中直接进行表征学习，以此规避了第二代框架中的诸多问题.总的来说，本文在时序信息建模和动态图框架层面均进行了创新性设计.在时序信息建模层面，利用了C2GAT模块（连续时间和上下文感知的图注意力神经网络），在动态多变的资金流图上快速地捕捉了高阶的结构化时序状态与信息.在动态图框架层面，开发了一套联合实时动态图表征框架——RULF，该框架可以实时刻画出金融场景中多用户资金行为中存在的特定模式.将金融场景中多角色联合行为和单角色独立行为进行了显式地解耦，并将多个子图模块联合起来学习，通过学习到更精准的行为表征，从而更进一步地提高下游判别模型的性能.本文将以花呗套现交易识别—一个典型的金融交易风控场景为例，介绍该框架在实际业务场景中的设计思想和实现细节.
现有基于自注意力网络Transformer的单图像去雨算法尽管在合成雨图上在取得良好效果，但却造成巨大的计算负担，且无法有效处理真实雨图.对此，本文提出一种频率引导的双稀疏自注意力单图像去雨算法（Frequency-guided Dual Sparse self-Attention TransFormer，FDSATFormer）.首先，该算法利用空间稀疏因子和通道降维因子在提取准确全局信息的同时减少计算量，进而提出双稀疏自注意力特征学习网络（Dual Sparse self-attention Feature Leraning， DSFL）以解决Transformer在高分辨率雨图上难以表征自注意力的问题.其次，该算法通过探究图像去雨前后的频谱变化，提出频率引导的特征增强模块（Frequency-guided Feature Enhancer，FFE），其利用频域的全局信息指导特征编码阶段对空域特征的学习.此外，现有去雨网络的编解码结构采用相近的设计，这导致网络的整体计算负担倍增.对此，本文提出层级特征解码重建网络（Hierarchical Feature Decoding and Reconstructing network，HFDR），其利用无参的空间邻域移位操作（Spatial Neighborhood Shift，SNS）构建特征解码网络，在取得良好效果的同时进一步减少整体的计算负担.实验表明，相比表现优秀的Uformer和Restormer，本文算法所得结果的平均峰值信噪比分别提升3.13 dB和0.12 dB，平均结构相似性分别提升1.39%和1.07%.
由于在低照度场景下获取的图像具有亮度弱、对比度低、噪声多和细节丢失等特点，使用现有的检测模型对低照度图像进行目标检测会出现定位不准确和分类错误，从而导致最终的检测精度偏低.针对以上现象，本文提出了一种基于Night-YOLOX的低照度目标检测方法.该方法首先设计了一个低级特征聚集模块（Low-level Feature Gathering Module，LFGM）与主干网络合并.在低照度场景下捕获更多有效的低级特征有利于定位目标，该模块通过聚集浅层特征图中具有判别性的低级特征并送入高级特征图和深层卷积阶段中，以补偿在对低照度图像进行特征提取过程中边缘、轮廓和纹理等低级特征的缺失.然后，设计了一种注意力引导块（Attention Guidance Block，AGB）嵌入检测模型的颈部结构，从而减少低照度图像中噪声干扰的影响，引导检测模型推断出特征图中完整的对象区域范围并提取更多有用的对象特征信息，以提高目标分类的准确性.最后，在真实低照度图像数据集ExDark上进行实验，结果表明所提出的Night-YOLOX相比于其它主流的目标检测方法，在低照度场景下具有更好的检测性能.
为了提升无蜂窝毫米波大规模MIMO （Cell-Free millimeter-Wave massive MIMO，CF mmWave mMIMO）系统总能量效率，本文研究时变信道环境中接入点（Access Point，AP）睡眠节能机制.将AP开关切换（AP Switch ON-OFF，ASO）策略看作一个马尔可夫决策过程，使用深度强化学习（Deep Reinforcement Learning，DRL）工具解决AP开关问题.引入干扰感知技术和局部敏感哈希检索方法减少代理与复杂环境的交互以及样本偏差，构造了一个新的效用函数，在严格用户服务质量（Quality of Service，QoS）约束下更好地权衡总能效和可达速率性能.通过对效用函数离散化分级处理，将状态空间映射为更小的分级状态空间，以加快决斗深度Q网络（Dueling Deep Q-Network，Dueling DQN）的收敛速度.仿真结果证明了该方案的稳定性、收敛性和严格QoS约束下的总能效性能优势.
在多用户毫米波大规模多入多出（Multiple Input Multiple Output，MIMO）系统中，针对现有基于信漏噪比（Signal-to-Leakage-plus-Noise Ratio，SLNR）准则的混合预编码算法未考虑用户信道质量不同和信道矩阵具有病态性的问题，本文提出了一种联合SLNR与矢量扰动（Vector Perturbation，VP）的双层混合预编码算法.该算法分两层设计预编码矩阵.第一层，考虑用户信道质量不同，提出了基于SLNR准则的匹配加权算法.该算法充分考虑信道系数、预编码矢量和组合矢量的影响设计信道加权因子，利用加权因子对SLNR算法进行改进，从而设计更优的混合预编码器，消除用户间干扰.第二层，根据第一层获取到的等效基带信道，利用迫零（Zero Force，ZF）消除用户天线间干扰.考虑到信道矩阵具有病态性，采用VP算法进一步处理.通过在发射信号上添加扰动矢量减小发射端功率增强的影响.仿真结果表明，相较于同类混合预编码算法，所提算法可以获取更好的误码率（Bit Error Rate，BER）性能和频谱效率.
超宽带室内定位精度受非视距传播（Non-Line Of Sight，NLOS）、多径效应、基站布设等因素影响，而这些因素均与基站的布设阵型有关.因此，本文提出一种基于位置精度稀释因子（Positioning Dilution Of Precision， PDOP）、到达时间差（Time Difference Of Arrival， TDOA）测量误差和克拉美劳界的基站布设优化数学模型，可用遗传算法和萤火虫算法等智能算法求解.理论推导和仿真测试表明优化后的基站布设阵型相较于传统的立方体8基站阵型具有更好的平均误差和方差.14.5 m × 7.6 m × 3 m展厅的实测实验结果表明，经过优化后的基站布设阵型定位精度提高了0.713 2 cm，且方差减小了50.649 6 cm2具有较高的稳定性.
研究影响癌症性状的hub基因时存在如下问题：仅关注强相关性基因进行基因信息处理，缺少对弱相关性基因和不同基因模块间共表达性的研究；仅采用度中心性判断hub基因进行分析基因网络，对蕴含数据挖掘不够全面.本文提出基因模块标签信息游走的图嵌入算法Gene2vec.选取合适软阈值，保留更多弱相关性的基因信息.联合不同种类但与性状高度正相关性的基因模块，构成基因模块共表达网络.针对传统加权基因共表达网络分析方法与图嵌入方法挖掘基因模块网络信息存在的问题，利用标签参数与其他参数调节基因模块网络中的随机游走过程，分析游走生成的节点序列以挖掘基因网络的信息.实验表明，Gene2vec在hub基因的检出率上优于其他算法，得到的hub基因在癌症性状中的基因表达量高于常用生物学方法得到的hub基因.
基于脑电信号完成对不同驾驶过程的解码分析，并就驾驶意图做出预测，是基于脑机接口的人机协同智能驾驶控制中的核心问题.为了实现对直线、左弯道和右弯道驾驶过程的识别，本文提出了基于脑电功能性脑网络和熵值特征的驾驶行为特征检测方法，并结合支持向量机和高斯混合模型等算法完成对不同线型驾驶过程的分类识别.模拟驾驶实验结果表明，本文提出的方法可有效实现对不同线型驾驶过程的识别，针对16名被试对直线和弯道驾驶过程的识别准确率均高于82%，最高达到86.66%，对左弯道和右弯道驾驶过程的识别准确率均高于75%，最高达到77.95%.对主要脑区间相互依赖关系的分析结果表明，弯道驾驶过程表现出明显的大脑对侧性特征，且左弯道驾驶相比右弯道需要更多的脑区间交互活动，而直线驾驶过程中左脑区的活动稍强于右脑区.本文研究结果对理解弯道驾驶过程中驾驶员脑认知特性，以及开展不同线型道路下驾驶行为检测和驾驶状态研究，具有一定的参考价值.
语符不平衡是神经机器翻译（Neural Machine Translation，NMT）语料库中普遍存在的现象.评估NMT语料库的语符不平衡度对提升语料库质量和翻译效果具有重要意义.针对现有的语符不平衡度测评研究在算法和分词范围上的缺陷与不足，本文提出语符分布离散度算法（Dispersion of Token Distribution，DTD），用以计算语符不平衡度，并扩大分词范围，从字符、子词和词3种粒度对语料库进行评估.实验结果表明，该算法在准确度、有效性和鲁棒性方面较以往研究有较大提升；语料库在不同分词粒度下的语符不平衡度差异很大，其中字符粒度的语符不平衡度最大，子词粒度次之，词粒度最小.
针对轨迹差分隐私保护存在的预测精度差、隐私预算分配效用低的问题，本文提出自适应连续时间序列下的群智感知轨迹预测方案.首先在任务分配阶段，为参与者分配轨迹路线；其次引入隐马尔可夫模型（Hidden Markov Model，HMM），对轨迹进行预测；然后使用预分配和自适应分配相结合的综合隐私预算分配方法，降低隐私预算；最后利用拉普拉斯机制，进行位置扰动.实验结果表明，与相关工作相比，所提方法兼顾预测性和低预算性，对群智感知中参与者在轨迹隐私安全保护上具有良好的保护效果.
行人重识别旨在从不同的摄像头中识别目标行人的图像.由于不同场景之间存在域偏差，在一个场景中训练好的重识别模型无法直接应用在另一个场景中.为克服该问题，现有的无监督行人重识别方法倾向通过使用聚类算法获得伪标签，再利用伪标签训练重识别模型.但是，由于聚类结果是不准确的，这类方法会引入大量噪声标签，从而限制了模型的泛化能力.因此，为减轻噪声伪标签的影响，本文提出了一种基于异构卷积神经网络集成的无监督行人重识别方法.该框架不使用任何人工标记信息，自动推测目标域中行人图像之间的关系，并构建协作可信实例选择机制，选择可信度高的伪标签用于模型的训练.通过设计双分支异构卷积神经网络学习判别能力强的多种行人特征，并利用记忆单元存储训练过程中的全局特征，减少因噪声标签在训练过程中产生的波动，提高模型的鲁棒性.本文方法在多个公开行人数据集上进行了验证并得到了良好的实验结果.在Market1501和DukeMTMC-reID数据集上，mAP分别达到了85.4%和74.8%.
当前语音关键词检测的主流技术为深度学习，需要大规模标注样本进行训练，难以应用于更普遍的低资源场景.本文提出一种基于音频特征空间轨迹信息的低资源语音关键词检测方法，该方法基于“词是由更小语言单元（音节、音素）的结构化组成，以及语言单元声学特征具有稳定性（统计意义）”的事实，结合物理几何空间定位的原理，构建语音关键词的特征空间表达、时序信息表达和局部区分信息知识.语音关键词检测时，依据语音段的特征空间轨迹信息分层次进行判决，实现了模式信息与统计信息的综合应用.其中语音特征空间是利用丰富的无标注语音样本构建音频特征空间的标识子表达，而语音关键词的特征空间轨迹信息利用少量关键词语音样本构建.多个实验结果表明，本文算法在低资源时（100个样本以下），相比HMM和CRNN有显著优势，10个训练样本时，相比HMM，FRR绝对下降了20.5%，FAR绝对下降了8.7 ；而在训练样本量较充分（300个样本及以上）时，与CRNN有大致相当的性能.
面向构建24小时全时段视频监控系统的需要，基于可见光与近红外的跨模态行人重识别受到工业界与学术界的广泛关注.然而，目前大部分跨模态行人重识别任务都试图利用在ImageNet上预训练的模型来提前学习模态内共性特征，但ImageNet与跨模态行人数据模态差异较大，且预训练过程中将颜色信息作为判别特征之一，导致预训练中学习到的共性特征并不适用于无色彩红外图像的信息表示.本文提出了一种基于灾难性遗忘及组合叠加擦除的自监督跨模态行人重识别预训练方法，首先利用提出的灾难性遗忘评分来对预训练数据进行筛选，旨在减小预训练数据与后续任务数据存在的域间差距，进一步减少模型训练时间.其次，针对传统跨模态识别中的关键区分性特征提取，本文设计了一种强通道数据增强策略，通过对R、G、B三通道的通道级擦除与组合，生成了颜色迥异的多类型样本，有利于促使模型关注于纹理信息而非颜色信息.最后基于本文提出的跨模态数据筛选指标以及通道增强策略，构建了跨模态任务的自监督学习框架.实验结果表明，本文提出的预训练方法所训练的ResNet50网络在迁移到众多跨模态行人重识别方法时优于目前主流自监督预训练方法，其中在经典方法AGW的基础上Rank1与mAP分别提高了8.02%与5.81%.
针对DR-GAN（Disentangled Representation learning-Generative Adversarial Network）方法在将大偏转角度侧脸图像生成其正脸图像的整个生成过程中，没有考虑身份类别信息，从而导致在身份和姿态的解耦中存在真实的侧脸图像与其生成的正脸图像身份一致性较弱的问题，本文提出了一种基于多任务学习和身份约束的生成对抗网络人脸校正识别方法.该方法通过借鉴多任务学习机制，在生成网络的编码器与解码器之间构建了角度姿态分类模块和身份约束识别模块.这两个模块不但在生成过程中实现了人脸身份和姿态的解耦，更重要的是在由侧脸生成正脸的过程中加入了人脸身份监督信息.在训练过程中，该方法将身份和姿态类别直接作为身份编码特征和姿态编码特征的监督信息，并通过设计身份特征损失函数来约束侧脸的身份编码特征逼近其正脸的身份编码特征，实现了侧脸编码特征中身份信息和姿态信息的有效解耦，使解码器能更准确地生成与原侧脸图像保持身份一致的正脸图像.在M2FPA数据集上，对不同角度的侧脸图像使用所提方法生成的正脸图像进行识别，达到了更高的人脸识别准确率.实验结果表明，即使在偏转角度较大时，所提方法仍然能够较好地生成保持身份一致的正脸图像，显著提升了较大偏转角下人脸识别准确率.
社区结构是复杂网络的重要特征之一，社区发现对研究网络结构有重要的应用价值.基于非负矩阵分解（Non-negative Matrix Factorization，NMF）的社区发现方法是解决社区发现问题的一类基本方法，然而，大多数不能很好地扩展以适用于大型网络，并且在稀疏网络上往往会失败.由于表达复杂网络拓扑结构特征的邻接矩阵在数据矩阵稀疏时，特征向量的局部化导致基于NMF的方法往往无法工作.本文提出一种基于NMF的稀疏网络社区发现算法，尝试提高使用非负矩阵分解方法进行社区发现的准确性以及普适性.本文提出从局部特征向量学习正则化矩阵用来表达原始网络拓扑结构特征，得到的特征矩阵能够很好地发掘数据矩阵隐含的全局结构有更强的特征表达能力.与邻接矩阵相比，正则化数据矩阵克服了由于稀疏或噪声引起的特征向量（或奇异向量）的局部化问题.在人工网络和现实网络中的实验结果显示：与经典的基于NMF的社区发现算法相比，该算法能够发现更准确的社区结构，同时，在稀疏网络上也有较好的表现.
图像分类作为计算机视觉领域中的重要研究方向之一，应用领域非常广泛.基于深度学习的图像分类技术取得的成功，依赖大量的已标注数据，然而数据的标注成本往往是昂贵的.主动学习作为一种机器学习方法，旨在以尽可能少的高质量标注数据达到期望的模型性能，缓解监督学习任务中存在的标注成本高、标注信息难以大量获取的问题.主动学习图像分类算法根据样本选择策略，从未标记样本数据集合中选择出信息量丰富，对分类模型训练贡献更高的样本进行标注，以更新已标注训练数据池，如此循环直至满足给定的停止条件或模型标注预算耗尽.本文对近年来提出的主动学习图像分类算法进行了详细综述，并根据所用样本数据处理及模型优化方案，将现有算法分为三类：基于数据增强的算法，包括利用图像增广来扩充训练数据，或者根据图像特征插值后的差异性来选择高质量的训练数据；基于数据分布信息的算法，根据数据分布的特点来优化样本选择策略；优化模型预测的算法，包括优化获取和利用深度模型预测信息的方法、基于生成对抗网络和强化学习来优化预测模型的结构，以及基于Transformer结构提升模型预测性能，以确保模型预测结果的可靠性.此外，本文还对各类主动学习图像分类算法下的重要学术工作进行了实验对比，并对各算法在不同规模数据集上的性能和适应性进行了分析.另外，本文探讨了主动学习图像分类技术所面临的挑战，并指出了未来研究的方向.
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.
