针对位于地球表面的无线静默目标，本文提出了一种基于外辐射源雷达系统的运动目标定位新方法.与已有大多数定位方法不同，新方法考虑了地面运动目标位置向量与速度向量所需服从的二次等式约束，并且实现了对目标位置与速度的解耦合估计.文中首先将基于外辐射源雷达系统的非线性观测方程转化为伪线性观测方程，然后利用一阶误差分析方法推导该观测方程中的误差渐近统计特性，并进而构建含双重二次等式约束的目标位置与速度联合估计准则.针对此优化模型，文中提出了一种基于拉格朗日乘子法的目标位置与速度解耦合优化算法，其中仅需对目标位置向量进行迭代计算，而目标速度向量是以闭式解的形式给出，因此可减少迭代初始值的影响与局部收敛的风险.此外，文中还在双重二次等式约束条件下推导了基于外辐射源雷达系统的运动目标定位的克拉美罗界，定量刻画了等式约束所产生的性能增益，并结合一阶误差分析与拉格朗日乘子法证明了新方法的渐近统计有效性.仿真实验结果验证了所提定位方法的优势.
掩码在模幂安全实现中被广泛采用，其抵抗侧信道分析的能力已被充分证明.本文发现模乘运算中读操作数的功耗将泄露操作数的地址，进而提出了一种基于线性判别分析的模板攻击方法，可对模幂掩码实现进行攻击.相比以往基于操作数的泄露，读操作数的功耗泄露将不受掩码的影响，对常见的带掩码防护的模幂实现仍有效.本文提出的方法首先将测试向量泄露检测技术应用于泄露特征提取，降低了无关点对攻击的影响；然后将线性判别分析扩展用于对曲线的分类和降维，提升了曲线的类可分离性.最后，本文以硬件模幂掩码实现为实验对象，通过实验验证了基于读取操作数的泄露分布在整个模乘运算中，且对不同类型模乘分类的准确率可达到99.98%.
通过最优路径发动网络攻击的方式已成为影响各企业、机构内部网络安全的重要因素.现有的针对内部网络探寻最优攻击路径大多是采用攻击图的方式实现，未考虑攻击代价和攻击利益的关系，已有的利用Q-learning算法机制解决攻击路径的方法存在网络脆弱性信息利用率低的问题.为解决这些问题，本文借鉴生物免疫机制提出了一种基于强化学习的自免疫动态攻击生成方法，模拟攻击者对内网的网络攻击，从而高效地发现内部网络中存在的脆弱点，实现自免疫防御.方案首先对内部网络信息进行窃取并加以处理，在攻击图的有向边上附加权值，然后通过改进的Q-learning算法寻找最优攻击路径，实现全部最优攻击路径的获取，并返回最优攻击路径的攻击图和内部网络主机脆弱性分析结果.通过理论分析和实验结果表明，该方法兼顾寻找最优攻击路径的高效性、准确性的同时，还解决了最优攻击路径中存在环型回路、多条最优攻击路径的问题，充分利用内部网络脆弱性，提升自免疫安全防护能力.
针对单一传感器SLAM（Simultaneous Localization And Mapping）技术在复杂环境中存在精度低、可靠性差等问题，提出一种基于因子图消元优化的激光雷达、视觉和IMU（Inertial Measurement Unit）融合SLAM算法（Multi Factor Graph fusion SLAM with IMU as the Dominant system，ID-MFG-SLAM）.首先，采用多因子图模型，提出以IMU为主系统，视觉与激光雷达为辅系统，通过引入辅系统观测因子约束IMU偏差，并接收IMU里程计因子实现运动预测与融合的全新结构.之后，为降低融合后的优化成本，加入滑窗机制并设计基于Householder变换的QR分解消元法将因子图转换为贝叶斯网络.最后，引入一种球面线性插值与线性插值之间的自适应插值算法，将激光雷达点云投影到单位球体上实现视觉特征点深度估计.实验结果表明，相比其他经典算法，该方法在复杂大、小场景中绝对轨迹误差分别可达到约0.68 m和0.24 m，具有更高的精度和可靠性.
现有的基于图神经网络（Graph Neural Network，GNN）的欺诈检测方法还存在三个方面的不足：（1）没有充分考虑到样本标签分布不平衡的问题；（2）没有考虑欺诈者为了躲避检测器的检测，故意制造噪声干扰检测的问题；（3）没有考虑欺诈类型数据联系稀疏问题.为此，本文提出一种基于噪声过滤与特征增强的图神经网络欺诈检测方法NFE-GNN（Noise Filtering and feature Enhancement based Graph Neural Network method for fraud detection）来改善欺诈检测性能.该方法首先基于数据集的欺诈率对样本进行平衡采样；在此基础上，采用一个参数化距离函数计算节点间的相似度，并通过强化学习得到最优的噪声过滤阈值；最后，通过创建欺诈样本间的联系，丰富拓扑信息，以达到增强欺诈类特征嵌入表示的目的.在两个公开数据集上的实验结果表明，本文所提NFE-GNN方法的性能优于目前主流的图神经网络欺诈检测方法.
针对环境监测领域边缘设备资源不平衡、通信延迟以及模型质量不高的问题，本文提出一种基于边缘计算的环境监测自适应联邦学习算法.该算法旨在利用边缘设备进行数据处理，并根据各个设备的资源限制调整全局模型的聚合频率，以更好地适应不同的监测环境.通过考虑边缘设备之间的资源差异，算法采用了动态优化迭代频率的策略，以提升模型的训练效果.与传统的固定迭代频率相比，该算法的调整策略更加灵活，能够更好地适应不同的数据分布和参与方特征.通过大量实验评估，并利用与同类算法CNN-FL（Convolutional Neural Networks-Federated Learning），FedAvg（Federated Averaging）和HFEL（Hierarchical Federated Edge Learning）的比较，本文提出的算法在算法性能和经济成本方面具有显著优势，这种算法为环境监测提供了一种高效、安全和可扩展的数据分析和模型建立方法，有助于推动环境监测能力的提升.
空中计算（over-the-Air Computation，AirComp）是一种有效提升分布式数据聚合效率的方法.现有研究大多采用单无人机（Unmanned Aerial Vehicle，UAV）方案，未考虑数据聚合质量和系统稳定性.为此，本文提出一种基于多UAV辅助的AirComp网络，旨在实现多个地面移动传感器（Ground Mobile Sensor，GMS）的高效聚合.为了改进数据采集质量并全面反映系统性能，本文设计了一个多约束优化问题，通过联合优化UAV-GMS关联、UAV三维（Three Dimensional，3D）部署、UAV去噪因子以及传输功率分配，以最大化系统的最小可达速率.针对多约束优化问题的非线性特征，本文提出一种AirComp网络下多UAV辅助的深度确定性策略梯度优化算法（Deep Deterministic Policy Gradient-based optimization algorithm for multi-UAV cooperation in AirComp network，AirDDPG-UAV），用以协助多UAV在复杂环境下快速响应聚合任务.该算法利用深度强化学习的确定性策略对网络中的状态、行为和奖励进行优化，以最大化系统最小可达速率.数值结果显示，AirDDPG-UAV算法在保证较低的系统能耗和计算复杂度前提下，能够使系统最小可达速率提高15%，表明本文所提方案适用于分布式数据聚合，可以有效提高数据聚合效率.
针对多视图立体匹配中构建和聚合匹配代价体时计算复杂度高的问题，现有研究通常采用级联架构或迭代优化方法.然而这些方法仍面临两个亟待解决的挑战：级联架构在精细阶段缩小了深度采样范围，导致深度不连续区域可能陷入低分辨率的错误估计；而迭代优化网络的推理时间随迭代次数线性增长，难以满足实时系统需求.为此，本文提出一种基于自适应空间稀疏化的高效多视图立体匹配网络.我们提出一种稀疏匹配代价体构建方法，通过在完整深度范围内稀疏采样，在降低计算复杂度的同时保持了网络对深度不连续区域的建模能力.同时，我们提出一种稀疏迭代优化方法，在迭代中通过自适应变分Dropout逐步剪枝深度值已收敛的区域，使推理时间随迭代次数亚线性增长.在DTU和Tanks & Temples公共数据集上的实验结果表明，本文方法的推理速度相比CasMVSNet和PatchmatchNet分别快1.2倍和0.35倍，同时点云重建效果优异，边缘伪影显著减少，且泛化能力表现出色.
多跳问题是一类通过知识推理才能给出答案的复杂问题，往往需要相关的多项关联知识融合生成最终答案.现有基于知识图谱的多跳智能问答方法推理过程比较复杂，没有考虑关系路径蕴含的结构信息和语义信息.为此，本文提出了基于知识图谱关系路径的多跳智能问答模型，将多跳智能问答问题转换为在低维向量空间中查找知识图谱中最优关系路径的问题.该模型利用表示学习将知识图谱和用户问题同时嵌入到低维的向量空间，实现知识空间和问题空间的统一表示；然后结合主题实体向量表示和问题向量表示对候选实体进行语义评分，产生候选答案集合；以问题实体为起始节点，以候选答案实体为结束节点，从知识图谱中抽取与问题相关的关系路径集合；将关系路径进一步嵌入到低维的向量空间，生成关系路径的向量表示，在向量空间中查找与问题语义匹配度最高的关系路径，最终根据关系路径生成多跳问题的答案.在公开的数据集上对所提出的模型进行了实验，结果表明该方法与现有方法相比不仅具有良好的性能，而且具有良好的稳定性，不会随着问题跳数的增加而降低性能.
相机和激光雷达多模态融合的3D目标检测可以综合利用两种传感器的优点，提高目标检测的准确度和鲁棒性.然而，由于环境复杂性以及多模态数据间固有的差异性，3D目标检测仍面临着诸多挑战.本文提出了双融合框架的多模态3D目标检测算法.设计体素级和网格级的双融合框架，有效缓解融合时不同模态数据之间的语义差异；提出ABFF（Adaptive Bird-eye-view Features Fusion）模块，增强算法对小目标特征感知能力；通过体素级全局融合信息指导网格级局部融合，提出基于Transformer的多模态网格特征编码器，充分提取3D检测场景中更丰富的上下文信息，并提升算法运行效率.在KITTI标准数据集上的实验结果表明，提出的3D目标检测算法平均检测精度达78.79%，具有更好的3D目标检测性能.
近年来，随着众包平台的不断发展，信息过载问题日趋严重，任务难以及时找到可靠的开发者完成，为任务推荐合适的开发者变得至关重要.传统推荐方法存在两大挑战：一是任务和开发者的文本特征高度简练，传统推荐方法聚焦于表面文本信息，未发现其中包含的大量知识实体；二是任务具有一次性，导致显式交互数据极其稀疏.为了解决上述挑战，本文提出一种基于多关系知识增强的开发者推荐算法.对于一个任务和开发者，首先将他们包含的文本内容中的每个单词与知识图谱中的相关实体关联起来，用于丰富任务和开发者的信息表示.除直接相关联的实体外，还使用每个实体的上下文实体集合来提供更多的信息.然后，对于开发者本文使用多关系邻域聚合的方式增强其特征表示，并使用注意力模块区分开发者对任务的关注度.最终获得的用户和开发者的嵌入输入到深度神经网络中进行预测.在真实的Topcoder数据集上进行广泛的实验，结果表明，本文方法在正确率和序位倒数均值上相比于最佳对比方法平均提高11.7%和17.5%.
针对大规模约束多目标优化问题呈现的高维度和约束限制的解空间，提出一种基于自编码器的解空间降维方法，用以提升进化算法搜索效率.首先，设计一种可行性标签配对策略训练自编码器，通过同时利用解的可行与不可行两类标签信息，构建包含可行域拓扑信息的降维子空间；其次，在降维后的子空间中进行遗传操作，通过解码器得到重构输出返回原始空间，快速定位潜在的可行区域；最后，设计一种子代自适应生成策略，通过结合在降维空间和原始空间生成的子代优势，防止模型坍塌同时提高搜索效率.在基准测试问题集上与五种先进算法进行对比，实验结果表明所提方法能获得更快的收敛速度和更好的解集质量.
针对医疗急救分类分级服务需求，本文研究健康医疗信息网络服务功能链调度问题.首先，将急救业务按照紧急程度和服务区域分为四类，设置优先级与权重，设计健康医疗信息网络架构、服务模式以及网络工作过程.其次，以最小化总加权完成时间作为调度目标，建立服务功能链调度模型，针对不同问题规模，分别设计匹配博弈算法和Q-learning强化学习算法，求解功能链调度方案.最后，开展仿真实验.实验结果表明，本文的研究可以有效实现对医疗急救分级服务，能够推进健康医疗信息网络的建设，促进智慧医疗发展.
为提高对抗训练的样本质量，本文对深度学习模型内部的特征识别过程进行了探究，并提出了一种基于主特征归因的迁移性对抗样本生成方法.算法在提取样本的主要特征后对目标层神经元进行特征归因，并利用独立性假设简化梯度计算，通过抑制积极神经元的识别作用，更加高效地得到更具迁移性的对抗样本.经过大量实验验证，相比于已有方法，在针对多模型的攻击中，本文算法的攻击成功率提高了5%以上，为后续研究如何提高模型的鲁棒性奠定了基础.
有丝分裂数目是判别乳腺癌恶性程度的重要指标，在诊断、治疗及预后中具有重要的意义.然而，在临床实践上乳腺癌切片中有丝分裂细胞的检测主要是通过病理学医生进行人工计数，这个过程繁琐耗时且具有很强主观性.本文提出了一种乳腺病理图像有丝分裂自动检测的两阶段方法.在第一个阶段，利用卷积神经网络作为主干融合深监督与注意力机制进行有丝分裂细胞候选块的定位.在第二个阶段，将获取的候选块输入融合了径向基函数网络的验证模型，进一步提高有丝细胞识别准确率.针对有丝细胞类内存在较大差异的问题，本文通过任务来引导径向基函数中心的确定，利用径向基函数的“局部响应”特性来表达有丝分裂细胞的形态多样性.通过在弱标签数据集ICPR 2014和AMIDA 2013上进行评估，本文所提出的网络模型取得了最优的F-score，与竞争方法相比，分别提高了5.4%和3.0%，从而证明了该方法对于有丝分裂检测的有效性.
RGB-Depth（RGB-D）显著性目标检测是一项有意义且具有挑战性的任务，基于现有卷积神经网络检测方法在简单场景中获得了良好的检测性能，但不能有效应对背景信息混乱，深度图质量低和目标轮廓复杂的情况.为应对上述问题，本文提出了一种跨模态融合和边界可变形卷积引导的RGB-D显著性目标检测方法.首先，本文以Swin-Transformer为特征提取器，分别对RGB模态与深度图模态进行特征提取，并通过跨模态注意力增强特征模块对两种模态特征进行融合以挖掘显著物的共性与互补特征.接着将提出的相邻多尺度特征增强模块嵌入编码器深层，以获得丰富的全局上下文特征信息，更精准地定位显著物的位置.然后通过构建一个边界特征提取解码器（U-Net架构）生成显著物的边界线索图，并重复采用跨模态融合特征确保生成显著物边界的完整性.最后，本文设计了一个边界可变形卷积引导模块，使用边界线索图与可变形卷积引导跨模态融合特征进行解码以得到更加准确的显著图.通过在6个公开基准数据集上与25种主流方法相比较，本文所提模型在多个指标上均有较明显的提升，从而证明了本文方法的有效性.
基于深度学习的乐谱识别方法提高了识别精度，但存在模型训练单次迭代耗时长、总迭代轮数多的问题.本文提出了一种改进卷积循环神经网络的轻量化乐谱识别方法CRNN-lite（lightweight Convolutional Recurrent Neural Networks），该方法在卷积层引入残差式深度可分离卷积，减少计算量并加速特征图的提取；在循环层使用双向简单循环单元，采用并行计算避免了串行计算的强依赖问题；在转录层调节交叉熵函数参数，针对性地学习不均衡样本数据.实验结果表明，该方法提高训练速度，单次迭代耗时为基准网络的43%，在失真图像数据上符号错误率为1.12%，序列错误率为14.5%，错误率指标均优于对比方案.
人眼在搜索目标时，先基于此前的扫视经验粗略扫视，找到可能有目标的位置，再进行详细搜索.前者的扫视可称为基于时间上下文信息的扫视，后者可称为基于位置上下文信息的搜索.受人眼这种目标搜索模式启发，本文提出一种结合强化学习的时空上下文目标搜索方法.该方法基于强化学习搜索策略构建时间上下文模块，获得时间上下文信息；再通过构建一个自适应多尺度窗口提取位置上下文信息，两种信息在目标搜索过程中交替配合，完成目标搜索.实验结果表明，该方法在MS COCO数据集上较基准方法提升了2.9%，且可在5个搜索次数内找到目标.
SM2系列算法是由我国自主设计的商用椭圆曲线密码算法.目前，对SM2解密算法的实现安全性分析通常遵循对椭圆曲线通用组件的研究成果，缺乏结合算法本身结构和特点而进行的实现安全性研究.同时，SM2解密算法中的哈希和验证步骤，使大部分需要利用错误输出的故障攻击方式对于SM2解密算法并不适用.针对该现状，本文根据SM2解密算法本身的特点，结合安全错误类故障攻击思想，提出了一种减轮故障与侧信道相结合的选择密文组合攻击.攻击的核心是通过故障注入改变标量乘循环的轮数，然后由侧信道分析确定故障轮数的具体取值.根据部分密钥猜测结合明文、正确密文等构建选择密文，并将其输入至具有特定故障效果的解密设备，最后通过解密设备输出验证部分密钥猜测是否正确，逐步恢复私钥.此外，文中分析了攻击对不同标量乘法以及常见防护对策的适用性.最后，本文在基于ARM Cortex M4核心的STM32F303微控制器芯片上，使用时钟毛刺注入和简单能量分析的方式对SM2解密算法进行了实际攻击实验并成功恢复出了私钥.实验结果表明，该攻击方法具有可行性和实用性.
针对遥感图像语义分割中存在的多层次信息提取和多尺度特征图上下文依赖性两个问题，本文分析现有处理方案，提出了一种综合运用多项技术的多尺度语义编解码网络（Multi-scale Semantic Encoder-Decoder Networks，MSEDNet）.MSEDNet由编码与解码两部分构成.编码阶段，首先提出残差协同空间注意（Residuals Coordinate Spatial Attention，RCSA）的MobileNetV3增强型模块，提取语义信息；其次，设计多层增强语义上下文模块（Enhance Semantic Context Module，ESCM），提升多尺度结构特征图的表征能力.解码阶段，首先提出多核卷积与Focus并行的强化空间细节信息模块（Strengthen Spatial Detail Information Module，SSDIM），增强浅层特征细节和结构信息；其次，设计了三元迭代多尺度特征融合（Triplet Iterative Multi-Scale Feature Fusion，TIMSFF）策略，强化图像深层全局语义信息与浅层局部细节特征的多尺度融合，提升分割精度.所提模型在ISPRS Vaihingen和Potsdam数据集上验证，总体分割精度（Overall Accuracy，OA）分别达到95.699%、95.534%，平均F 1-score（mean F 1-score，mF 1）分别提高2.661%和2.929%，且平均交并比（mean Intersection over Union，mIoU）分别增长3.973%和4.012%.所耗参数量Param下降至6.77 M.
对于海表盐度微波遥感，海面粗糙度引起的辐射亮度温度变化与海表盐度的贡献相当甚至更大.因此，海表盐度遥感不仅要利用对盐度敏感的L波段微波频率进行高精度的辐射亮温测量，还要利用同步搭载的L波段散射计获取海面粗糙度信息并进行矫正.这对提高海表盐度测量精度具有重要作用.本文针对我国首个海面盐度遥感卫星主被动微波盐度计的L波段散射计开展研究，建立了一种多波束推帚式星载微波散射计的系统仿真模型；对比分析了雷达脉冲参数对该系统测量精度的影响，并进行了信号带宽和不同极化方式脉冲数配置的优化设计.研究表明，在L波段散射计的基线参数下，脉冲带宽为1.5 MHz、脉冲重复频率为100 Hz时，可实现同极化后向散射测量精度优于0.1 dB的指标.
暴力视频传播已经成为网络环境治理面临的隐患之一，暴力视频这类特类视频的智能识别技术对维护互联网内容安全具有重要意义.由于采集来源的多样性，暴力视频分布通常呈现较大的类内方差和较小的类间方差，常见的暴力视频识别模型难以适应复杂多变的暴力场景.同时，暴力一词本身具有高度抽象的语义，如何从有限数据中学习通用的暴力语义表示成为一大难点.针对这些问题，本文基于语义嵌入学习的思想，构建了一种新颖的多模态暴力视频识别模型，主要由三部分构成.（1）多模态特征提取.考虑到视频具有多模态属性，采用了三种不同的深度神经网络分别提取表观、运动、音频三种模态的特征表示.（2）多模态特征融合.为获得鲁棒的通用视频表示，设计了一种轻量级的多模态特征融合模块（Multimodal Efficient Fusion Module，MEFM），该模块包括共享空间映射与多模态特征交互两部分，在对多模态特征进行充分交互的同时，又能够有效抑制不同模态信息之间的干扰.（3）语义嵌入学习.为适应不同数据分布的暴力数据集，提出了一种基于语义嵌入的多任务学习方法，通过引入中心损失构建暴力语义中心，并采用余弦嵌入损失将暴力样本向中心聚合、非暴力样本进行离散，形成具有语义判别性的特征表示，从而增强了模型的泛化能力，减少了数据噪声的干扰.在VSD2015，Violent Flows和RWF-2000三个公开数据集上的实验表明，本文提出的暴力视频识别模型较已有方法分别提升了4.79%，0.81%和1.5%，取得了具有竞争力的结果.
遥感图像目标具有多方向排布、小且密集等特性，使基于深度学习的旋转目标检测算法存在检测精度不佳的问题.针对这一问题，本文提出了一种面向遥感目标检测的无锚框Transformer算法.首先，采用层次化Transformer采集不同分辨率的特征信息以扩大特征信息的采集范围.其次，构建一种新的前馈网络（Spacial-FeedForward Neural network，SFFN）.SFFN将 深度可分离卷积的局部空间特性和多层感知机（MultiLayer Perceptron，MLP）的全局通道特性融合在一起，以解决前馈网络（Feed Forward Neural network，FFN）在局部空间建模上的不足.最后，基于SFFN架构搭建了无锚框检测器，将预测框回归问题分为水平框与旋转框，缓解了旋转框的损失不连续性问题.在DOTA数据集上的测试结果表明，此方法的平均精度达到了75.83%，同时在NWPU VHR-10数据集上5类小目标检测结果达到了92.47%，在遥感目标检测精度上更具竞争力.
针对图像脉冲噪声去除方法中噪声检测不准确、滤波效果不理想等问题，本文引入知识测度新理论，提出一种基于模糊知识量的图像去噪新方法.首先改进并简化模糊知识测度公理系统，据此提出一种新的模糊知识测度参数化模型；其次，利用所提模型计算分析噪声图中极值点与邻域像素的相似性特征及知识量差异，有效识别并区分脉冲噪声与普通极值像素；最后，提出最大平均关联知识量滤波算法实现图像去噪.对比实验针对标准数据集与测试图分别进行.实验结果表明，所提方法能够准确识别脉冲噪声，切实提高图像滤波质量，去噪结果主要指标及性能明显优于同类其他算法，较本文对比方法平均值，指标PSNR平均提升7.8%，SSIM平均提升10%.本文将知识测度新理论应用于图像去噪中并取得优良效果，为该理论在其他相关领域的创新应用开创了新例.
针对电磁隐身超表面设计中寻求精确单元反射相位时存在的难点，提出一种将单元金属贴片区域网格化分割，并通过粒子群算法（Particle Swarm Optimization，PSO）自动寻优的设计方法，可自动生成符合预设反射相频特性的金属贴片图案.该方法将方形超表面单元的金属贴片区域划分为 网格（N为偶数，根据N和全对称条件可得到其中的自由网格数n），再用PSO对其自由网格的贴片编码进行训练，直至对应的贴片单元所构建的平面周期结构可实现预期反射相频特性（包括目标频率的反射相位精度及其邻域频段上相频曲线的平坦度）.作为案例，在厘米波段和太赫兹波段，将寻优获得的反射相位相差约 的4种单元，分别以 和 的相位梯度构建1 bit和2 bit超表面，全波仿真结果显示其在中心频率附近均可以得到 以上的RCS削减效果.验证了该方法可自动设计出具备特定反射相位的单元，并且跨频段适用，其所构建的超表面在获得特定频率雷达散射截面（Radar Cross Section，RCS）削减效果的同时，可兼顾有效削减的频段宽度.
针对直方图方法分选脉间参差雷达信号能力不佳且无法解析其调制模式的问题，结合参差信号的交织特性，提出联合到达时间差值（Difference of Time Of Arrival，DTOA）的一阶差分曲线和相关分析的分选方法.该方法基于DTOA一阶差分曲线提取DTOA关注项，然后基于关注项的自相关和交叠率识别参差调制模式、基于关注项的互相关分析参差调制模式，最后结合参差分析结果进行序列检索.实验结果表明，所提方法所需计算量较少，可以有效分选参差信号并解析其完整的调制模式，对脉冲丢失表现出较强的适应性，对子周期分布的均匀程度和干扰脉冲有较好的稳健性.
基于深度学习的人脸身份认证由于使用便捷和用户体验好，成为我国当今最受欢迎的人工智能技术应用之一.人脸识别和认证系统必须确保所比对的人脸是真实人脸，否则输出的结果没有任何商业价值.位于系统前端的人脸欺诈检测也称活体检测是保障人脸识别和认证系统有效输出的关键.现有人脸欺诈检测算法虽然库内性能尚佳，但由于实验室训练环境无法完全模拟真实应用场景，造成源域和目标域的数据在分布上存在差异，导致跨库检测性能明显下降.尽管通过增加检测特征的种类和个数可以改善算法性能，但会导致检测网络构造复杂，模型变大，计算复杂度增加.为了改善算法的跨库检测性能并降低计算的复杂度，本文提出一种基于三维（3D）深度点云监督和置信度修正机制的人脸欺诈检测算法.主要贡献包括：设计了DenseBlockNet，仅用较浅层的DenseBlockNet网络即可提取真假人脸之间具有很好区分度的深度信息特征，模型小；将DenseBlockNet输出的二维深度图与采样点位置进行关联，构造三维深度点云，采用倒角损失函数监督预测的深度点云与实际点云标签之间的三维空间距离，同时还采用图二元交叉熵损失监督预测的深度图与深度图标签之间的差异；在3D深度点云预测模块中引入置信度修正机制，修正二分类误差，同时避免库内过拟合，提高算法的泛化能力.所提出方法与包括2种最新文献的8种典型算法在Replay-attack、CASIA-FASD、MSU-MFSD、Rose-Youtu、OULU-NPU等5个主流人脸欺诈检测数据库上进行了充分的对比实验，实验结果表明，所提出的算法在库内和跨库检测中均能保持半总错误率最低或次低，且模型最小，参数量最少，计算复杂度最低.
为克服传统水下弱湍流模型无法准确拟合实测数据的缺陷，选取经实验测试验证的广义Gamma分布（Generalized Gamma Distribution，GGD）来表征弱海洋湍流，并基于此提出综合考虑了GGD弱湍流、零视轴指向误差，以及无衰落信道冲激响应（Fading Free Impulse Response，FFIR）所表征的隐路径损耗和多径效应的新聚合衰落信道模型.接下来，利用Meijer-G函数推导出综合了GGD弱湍流与零视轴指向误差的混合衰落概率密度函数闭型表达，并据此分别推导出并行和串行中继水下无线光通信（Underwater Wireless Optical Communication，UWOC）系统中断概率的理论闭型公式.最后，则利用Monte Carlo数值仿真验证了上述推导的中断概率闭型表达的正确性，并考察不同系统核心参数的选择对中断概率的影响.研究结果表明：中继节点的引入可以有效降低长距离传输时UWOC系统的中断风险；而中继节点数、接收机孔径尺寸、入射光轴抖动方差等参数的选取，皆会对系统的中断性能产生重要影响.此外，光源发散角增大导致的FFIR时延扩展将引发严重的符号间干扰，进而导致系统中断概率普遍下降1~3个数量级.
阿尔茨海默病（Alzheimer’s Disease， AD）是一种目前尚无有效方法治愈的神经系统退行性疾病，其准确分类有助于在AD早期阶段及时采取针对性治疗和干预措施，从而降低AD发病率和延缓AD疾病进展.本文提出一种使用深度学习和异构特征融合的AD分类新方法.针对大脑中的海马体结构，首先构建三维轻量级多分支注意力网络（Three-Dimensional Lightweight Multi-Branch Attention Net-work，3D-LMBAN）提取海马体深度特征；然后设计结合双树复小波变换（Dual-Tree Complex Wavelet Transform，DTCWT）和灰度游程矩阵（Gray-Level RunLength Matrix，GLRLM）的三维多尺度纹理特征提取方法提取海马体纹理特征；再使用传统方法提取海马体体积和形状特征；最后构建异构特征融合网络对提取得到的多种海马体特征进行降维表示、拼接和融合，进而实现AD分类.在EADC-ADNI数据集上进行实验，本文提出的AD分类方法的准确率（ACC）为93.39%， 分数为93.10%，AUC为93.21%.实验结果表明本文提出的AD分类方法是有效的，且其性能优于传统的AD分类方法.
现有优秀的基于深度学习的分布式视频压缩感知（Distributed Compressed Video Sensing，DCVS）重构算法利用测量值和参考帧顺序更新非关键帧，获得了较好的重构性能，但由于缺乏较严格的理论指导，无法充分结合这两类信息，限制了非关键帧重构质量的进一步提升.针对该问题，本文首先利用贝叶斯理论及最大后验概率（Maximum A Posteriori，MAP）估计推导出DCVS中非关键帧重构的优化方程，再基于近端梯度算法推导出优化方程的求解框架，包含多信息流梯度更新聚合方程.基于此，本文设计了多信息流梯度更新及聚合模块（Multi-Information flow Gradient update and Aggregation，MIGA），并构建了深度多信息流梯度更新与聚合网络（Deep Multi-Information flow Gradient update and Aggregation Network，DMIGAN）用于DCVS非关键帧重构.MIGA利用测量值与多参考帧对当前非关键帧进行并行梯度更新，再做信息交互融合，从而充分结合多种信息流更新重构帧.本文级联MIGA与去噪子网络用于模拟近端梯度算法的单次迭代，作为基础模块（phase），并通过级联多个phase构造深度重构网络DMIGAN，实现帧重构的深度优化过程.实验表明，DMIGAN与具代表性的传统迭代优化算法结构相似的帧间组稀疏表示重构算法（Structural SIMilarity based Inter-Frame Group Sparse Representation，SSIM-Inter F-GSR）相比，在低采样率与高采样率下性能分别提升了8.8 dB和7.36 dB；和具有代表性的深度学习重构算法VCSNet-2相比，在低采样率和高采样率下性能分别提升了7.09 dB和8.78 dB.
随着通信雷达技术的发展，针对辐射源发射机的非线性作用出现了预失真等新型技术，该类技术弱化了不同辐射源的个体特征进而恶化了辐射源个体识别性能.针对预失真下个体辐射源识别率降低的问题，本文提出了基于SincNet滤波器结构的辐射源个体识别模型.本文采用Grad-CAM方法分析残差网络类激活区域，并提取共生矩阵特征用于辐射源识别，验证了预失真后信号局部特征的有效性.随后本文提出了基于SincNet滤波器结构的辐射源个体识别算法，在降低了计算量的同时，在低信噪比下具有更高的识别精度.本文通过实验验证了数字预失真对辐射源个体识别的消极作用，并且在实测数据上的结果表明所提方法的个体识别率在信噪比0 dB下达到94%，相比本文其他先进个体识别算法有明显的提升.
多通道欠定卷积语音混合信号的分离问题是盲信号分离领域的难点.由于混合信号中常伴随声学回声和混响，真实的源信号很难完全被清晰地分离出来.传统的盲信号分离算法多数适用于低混响，而在高混响场景下，算法的分离性能极速下降甚至是失效的.本文针对具有声学回声和混响环境下的多通道欠定卷积语音混合信号的分离问题，提出一种结合脉冲响应重塑和期望最大化的盲信号分离算法，该算法在低混响和高混响下都表现出很好的分离性能.首先，利用基于无穷范数和p-范数的脉冲响应重塑技术设计预滤波器消除可听回声，完成对混合信号的重塑，提高混合信号的质量.然后，对重塑后的混合信号利用分层聚类方法估计混合矩阵，基于期望最大化算法框架，设计新的模型参数实时更新规则，通过结合脉冲响应重塑和期望最大化重构源信号.实验结果表明，所提算法可以有效地分离不同混响环境下带声学回声的欠定卷积混合信号，其分离性能优越，同时对噪声具有很好的鲁棒性.
嵌入式智能计算系统因其功耗受限和多传感器实时智能处理需要，对硬件平台的智能算力能效比和智能计算业务并行度提出了严峻挑战.传统嵌入式计算系统常采用的DSP+FPGA数字信号处理架构，无法适用于多个神经网络模型加速场景.本文基于ARM+DLP+SRIO嵌入式异构智能计算架构，利用智能处理器多片多核多内存通道特性，提出了并行多流水线设计方法.该方法充分考虑智能计算业务中数据传输、拷贝、推理、结果反馈等环节时间开销，为不同的神经网络模型合理分配智能算力资源，以达到最大的端到端智能计算业务吞吐率.实验结果表明，采用并行多流水线设计方法的深度学习处理器利用率较单流水线平均提高约25.2%，较无流水线平均提高约30.7%，满足可见光、红外、SAR等多模图像实时智能处理需求，具有实际应用价值.
胚胎植入前形态学特征是人类体外受精胚胎质量评估的重要依据.目前，胚胎学家主要利用胚胎时差成像（Time-Lapse Imaging，TLI）技术观察胚胎图像形态变化，从而筛选最有发育潜能的胚胎进行移植或冷冻保存.然而，人工评估不仅费时费力，且需要较强的专业知识，并存在一定的主观性等.针对这一问题，该文提出一种基于课程学习的胚胎图像语义分割方法，实现了胚胎细胞、细胞质与雌雄原核的分割，为后续胚胎质量评估提供定量的形态特征参数.首先，利用评估语义分割算法性能的IoU指标（Intersection over Union，IoU）构建课程学习的难度评分函数（Scoring Function，SF），根据SF评分将所有样本从易到难进行排序；再结合SF评分与目标类别数定义课程学习的步调函数（Pacing Functions，PF），构建了难易程度递增的样本子集；最后，设计多阶段渐进式U-net语义分割（Multi-Stage Progressive U-net，MSPU）模型，根据课程难度顺序依次训练不同阶段的网络，从而实现胚胎图像的语义分割.相关实验结果表明，本文提出的MSPU模型在胚胎图像语义分割任务上获得较好的性能，与基准模型相比，IoU值提高1.4%；特别是在较易与较难的分割任务上具有不错的表现，如细胞与雌雄原核的分割IoU值分别提升了4.6%与1.2%.
多任务学习（Multi-Task Learning，MTL）通过信息共享来共同处理多个任务，已被广泛应用于大量推荐任务中.目前针对推荐的多任务学习方法，主要集中在基于共享输入特征（即描述用户-商品交互信息的特征工程）的多门控混合专家网络（Multi-gate Mixture-of-Experts，MMoE），以此来学习不同任务间的关联.最近的一些工作表明，图神经网络（Graph Neural Network，GNN）作为表征深度交互上下文的强大工具，被应用于推荐任务中，可极大地缓解在线个性化推荐服务中的数据稀疏问题.因此，我们通过设计混合图增强专家网络（Mixture of Graph enhanced Expert networks，MoGE），首次探索了用于多任务推荐的图神经网络结构.具体地说，我们提出了一种新的多通道图神经网络，利用用户-商品二部图，以及衍生的用户和商品的协同相似图来联合建模用户-商品的高阶交互信息.在学习到的深层次交互上下文的基础上，引入了一组图增强的专家网络，以协作的方式实现多任务推荐.在3个真实数据集上的实验结果表明，MoGE在所有目标任务上都持续且显著地优于最优的基线.
作为密码应用核心要素，真随机数发挥着不可替代的作用.为保证其质量，真随机数大多基于随机物理现象构造的熵源产生，这也使得其易遭受由环境引入或攻击者恶意施加的扰动影响，进而对密码应用安全产生威胁.为确保真随机数的质量，当前各主要国际标准均明确要求真随机数发生器（True Random Number Generator， TRNG）应针对熵源生成的原始随机数（raw random numbers）提供在线监测功能.然而，由于现有在线监测大多基于抽样统计方法构建，导致其在实际应用中存在实现复杂、耗费资源大等问题；另一方面，由于统计模型偏差及熵源输出分布受扰动因素影响等原因，使得现有在线监测方法普遍存在过估计问题.本文以当前广泛采用的振荡环熵源为对象，对扰动场景下熵源特性变异成因及影响进行了深入分析，提出了用于刻画熵源特性的异源同构周期计数差表征方法，并结合变异阈值的标定，构建了具备高准确度、强实时性的熵源在线监测方法.与当前各主要在线监测方法相比，该方法在资源耗费方面具有明显优势，能够实时反映扰动场景下熵源在噪声分量、扰动感应耦合等方面的变异情况，实现对TRNG健康特性的有效监测.
