针对目前稀疏阵列优化算法搜索策略单一和适用范围受限问题，对离散粒子群（Discrete Particle Swarm Optimization，DPSO）算法进行改进，提出了一种基于多种融合的综合粒子学习策略的算法，用其设计具有多个约束条件的稀疏平面阵列.该方法在粒子速度更新时使用基于小生境的分散解集合替换群体最优解，以形成高多样性种群.为了增强后期局部收敛性，在适时启动局部变异策略，利用变异概率自适应地调整粒子位置，并通过两个观测参数监控其运动状态.经典函数测试和平面稀疏阵列数值仿真结果证明了算法的有效性和鲁棒性.相同仿真条件下，相比于现有三种算法，该算法峰值旁瓣电平（Peak Side-Lobe Level，PSLL）分别降低了8.45%，6.77%和8.27%.
可信平台模块（Trusted Platform Module，TPM）内部存储空间有限，TPM生成的密钥绝大部分并不会存储于较为安全的TPM内部，而是经过父密钥加密之后再存储于外部存储空间，不完全受TPM控制.在单一密钥无效的情况下，TPM1.2和TPM2.0规范中未提供相关命令来撤销该密钥，只提供了撤销所有密钥的命令，这在多数情况下不方便且降低了TPM的可用性.但是如果不撤销该无效的密钥，攻击者可能会将其加载到TPM中使用，会带来安全隐患.因此，本文基于Merkle树提出了一种能进行单一密钥撤销的密钥管理方案.通过构建动态或者静态Merkle树的方式，将TPM生成的密钥链接到树的叶结点进行密钥管理，在需要的时候可撤销单一无效密钥而不会影响其他有效密钥的正常使用.与基于黑白名单撤销TPM密钥的方案相比，在本文方案中，TPM内部仅需额外保存树的根结点，其余结点存储于TPM的外部，该方案的开销与树能管理的密钥数成对数关系，而黑白名单方案的开销则与被撤销密钥或者未被撤销密钥数量成线性关系；与基于变色龙散列函数构建树来撤销TPM密钥的方案相比，本文的方案更加简便，降低了计算的复杂性.本文基于TPM2.0模拟器构建了一个原型系统，经测试达到了预期目标，具备较好的实用性.
窄带物联网（NarrowBand Internet of Things，NB-IoT）是实现万物互联重要的通信技术，其为了扩大通信覆盖范围和提高可靠性而牺牲了时延等性能指标，且难以动态适应移动物联网设备.对此，本文提出了一种适用于移动设备的NB-IoT无线电资源配置方案.该方案通过卡尔曼滤波对物联网设备的移动位置进行预测，建立数学模型对通信可靠性进行估计，开展了块误码率、时延、能耗等性能指标的量化分析，并提出了无线电资源配置的优化模型和方法.本文基于真实数据集开展了仿真实验，对该方案的有效性进行了验证，实验结果显示该方案能保证移动物联网设备与基站连接的同时降低时延.
由于构建全天候视频监控系统的需要，基于可见光与红外的跨模态行人重识别问题受到学术界的广泛关注.因为类内变化和类间差异的影响，可见光与红外行人重识别是一项具有挑战性的任务.现有的工作主要集中在可见光-红外图像转换或跨模态的全局共享特征学习，而身体部位的局部特征和这些特征之间的结构关系在很大程度上被忽略了.我们认为局部关键点之间的图结构关系在模态内与模态间的变化是相对稳定的，充分挖掘与表示这种结构信息有助于解决跨模态行人重识别问题.本文提出了一种基于局部异构聚合图卷积网络的跨模态行人重识别方法，采用关键点提取网络提取图像的局部关键点特征，并构建了一种新颖的图卷积网络建模人体各部位之间的结构关系.该网络通过图内卷积层表征局部特征的高阶结构关系信息，提取具有辨别力的局部特征.网络中的跨图卷积层使两个异构图结构之间可以传递差异性特征，有助于减弱模态差异的影响.针对异构图结构的图匹配问题，设计了一种跨模态排列损失以更好地测度图结构的距离.本文方法在主流跨模态数据集RegDB和SYSU-MM01上的mAP/Rank-1为80.78%/80.55%和67.92%/66.49%，比VDCM算法的Rank-1分数高出7.58%和1.87%.
视频目标跟踪的黑盒攻击方法受到越来越多的关注，目的是评估目标跟踪器的稳健性，进而提升跟踪器的安全性.目前大部分的研究都是基于查询的黑盒攻击，尽管取得较好的攻击效果，但在实际应用中往往不能获取大量的查询以进行攻击.本文提出一种基于迁移的黑盒攻击方法，通过对特征中与跟踪目标高度相关而不受源模型影响的重要特征进行攻击，将其重要程度降低，同时增强不重要的特征以实现具有可迁移性的攻击，即通过反向传播获得的所对应的梯度来体现其特征的重要程度，随后通过梯度得到的加权特征进行攻击.此外，本文使用视频相邻两帧之间相似这一时序信息，提出基于时序感知的特征相似性攻击方法，通过减小相邻帧之间的特征相似度以进行攻击.本文在目前主流的深度学习目标跟踪器上评估了提出的攻击方法，在多个数据集上的实验结果证明了本文方法的有效性及强可迁移性，在OTB数据集中，SiamRPN跟踪模型被攻击后跟踪成功率以及精确度分别下降了71.5%和79.9%.
为了提高极化敏感阵列中压缩感知类波达方向（Direction Of Arrival，DOA）估计算法的精度，避免网格失配问题，本文使用正交偶极子阵列在原子范数最小化（Atomic Norm Minimization，ANM）的理论基础上提出一种无网格波达方向估计算法.首先，将一维正交偶极子天线接收到的多快拍信号分解为两个子阵再求和，然后通过解决半正定规划问题恢复出一个含有入射信源信息的半正定Toeplitz矩阵，继而对该矩阵进行Vandermonde分解，恢复入射信源的DOA信息.同时结合协方差矩阵的向量化结果和最小二乘法计算得到入射信源的极化辅助角和极化相位角信息.通过仿真实验，在不同快拍数和信噪比下，对比子空间类算法和压缩感知类算法，证明了该算法具有较高的测角精度.
本文针对箔条云半实物射频仿真（Radio Frequency Simulation System，RFSS）中的关键问题进行研究，给出了对箔条云进行半实物射频仿真时的三元组的馈电系数的计算公式.与对点目标的仿真不同，对箔条云的仿真更注重其散射场统计特性的复现.箔条云的空间随机分布和随机运动特性，表现为其回波的空间相关性和时间相关性.本文通过三元组馈电系数之间的相关性来仿真箔条云散射回波的空间相关性；通过差分重心公式的横向平移、径向相移以及时域滤波来仿真箔条云散射回波的时间相关性.数值模拟结果验证了所给出的箔条云射频仿真方法的有效性.这些工作为箔条云的半实物射频仿真提供了理论基础和分析框架.
现有的基于深度学习的同步JPEG（Joint Photographic Experts Group）重压缩检测算法大多使用解压缩过程中产生的截断和舍入误差作为分类依据，在检测框架前都存在降低特征提取难度的预处理层，无法实现端到端.同时，现有的量化底表是根据人为经验所设计的，无法取得解压缩过程的最优解，限制了JPEG重压缩检测算法的精度上限.针对这些问题，本文提出了一种基于解压缩模块的JPEG重压缩检测方法，该方法利用卷积模拟JPEG解压缩过程，设计了解压缩模块，将JPEG解压缩过程并入网络中从而实现端到端，省去了繁重的预处理步骤；同时，利用深度学习能够自动优化参数的特性，自动去寻找解压缩过程的最优解，减少了由于人工处理导致的图像信息的二次损失，进一步提升了JPEG重压缩检测算法的性能上限.实验结果表明，本文所提出的JPEG同步重压缩检测算法在超过半数的实验组上都取得了较好的取证表现，在UCID数据集上比现有方法平均精度最多提高1.8%.
甲骨残片缀合一直是甲骨学研究中最急迫最具基础性的工作，它使得甲骨残片经过拼接，复原为更加完整的原始材料.尽管前人及同行曾提出若干计算机辅助的甲骨缀合方法，但这些方法缀合准确度不足，未能真正投入使用，并不能真正帮助专家解决甲骨缀合问题，导致当前的甲骨缀合工作仍旧依靠人工、依旧费时费力.为了更好地研究甲骨残片的机器缀合问题，本文使用一个较大规模甲骨缀合基准数据集OB-Rejoin，该数据集包含了约一千幅甲骨拓片图像，且融入了大量的甲骨学界已缀成果，用于算法评估.基于该数据集，本文设计了一种基于斜率变化量序列匹配的甲骨缀合算法（Slope United Sequence Matching for Oracle Bone Fragments Conjugation，SUM），该方法将甲骨残片的断边碴口图像匹配问题转化为数值型的序列数据和序列相似性比对问题，以将尚不够非常精密的计算机视觉领域的碴口图像匹配问题转换为数据科学领域较为成熟的序列数据相似性匹配问题.SUM将数值型的碴口序列数据进一步转换为斜率变化量序列和字符序列数据，最后利用字符序列的模糊匹配完成甲骨残片的碴口匹配.在实验环节，SUM算法与经典的序列相似性计算方法在精确率、召回率、漏检率方面进行了对比，并与两个较新的基于深度学习的序列匹配算法和形状匹配算法进行了性能对比.整体而言，SUM在OB-Rejoin数据集上的Top-15缀合召回率达到了95.181%，超越了对比算法.重要出土文献的精准复原本身是历史学和古文字研究中客观存在的重大现实需求，具有重要的史学价值和意义，因此，本文的研究成果，不但有助于解决甲骨残片的机器缀合问题，还对秦汉简牍和敦煌遗书等重要出土文献的精准复原具有重要的参考价值.
针对人工点检层冷辊电机存在过度维修和故障漏报的问题，本文提出一种基于多电流特征形态组合模式挖掘的故障诊断方法.该方法选取与故障相关的六种关键电流特征，计算各特征的上下分位数形成边界，采用Bayes-L-BFGS（Bayes Limited-memory Broyden-Fletcher-Goldfarb-Shanno）算法自动拟合出各特征的边界形态；针对形态样本少的问题，本文提出一种用于形态识别的SCNN（Spetial Convolutional Neural Network）-Transformer模型. 通过训练Siamese-CNN准确识别边界形态，并训练Transformer识别边界时序关系与形态变化程度，融合两个模型的识别结果确定边界形态类型；以边界形态类型作为基因片段，采用遗传算法挖掘出不同故障对应的多电流特征形态组合模式，形成用于故障类型匹配的形态组合模式库.在某钢厂层冷辊电机上对本文方法进行在线验证，准确率超过90%，无关键故障漏报与误报.
为了有效抵御对抗样本误导深度神经网络模型，提出一种基于逆扰动融合生成对抗网络的对抗样本防御方法（Inverse Perturbation Fusing Generative Adversarial Network，IP-GAN）.充分利用对抗样本中的对抗扰动信息，确定以逆扰动作为对抗样本防御方法的研究出发点，并从高维特征空间进行有效性分析.IP-GAN方法借鉴生成对抗网络思想，以生成器架构作为逆扰动构造模型，依据对抗样本构造相应的逆扰动用于获取重构样本，并引入深度神经网络模型指导逆扰动优化方向，最终将重构样本输入至深度神经网络模型获取正确分类结果.实验结果表明，所构造的逆扰动可有效消除对抗扰动，辅助DNN模型正确识别并分类对抗样本，与现有最新防御方法相比，IP-GAN方法在MNIST和ImageNet数据集上防御成功率分别平均提高了0.86%和2.96%.
环高原湖泊区域土地类别监测为湖泊生态保护和土地资源规划提供了决策依据.针对此区域遥感影像中河流、建筑物及植被目标分布零散、尺度不均导致分割精度较低的问题，设计了融合类别与多尺度注意力的遥感语义分割网络.该网络采用编码-解码的端到端结构并以深度残差神经网络为基础构建类别与多尺度注意力模块.类别注意力对网络特征层进行初步分类与空间信息过滤，有利于网络关注类别信息以降低像素分类误差；多尺度注意力将混合域注意力和多尺度特征进行融合，为不同尺度特征建立上下文联系，改善分布零散小尺度目标固有的分割消弥问题.实验结果表明，在建立的环滇池区域遥感影像语义分割数据集上，本文设计的注意力融合语义分割网络测试精度在平均交并比和平均像素精度指标下分别达到77.4%和86.3%.从整体分割效果来看，融合类别与多尺度注意力分割网络在一定程度上解决了分布零散小尺度目标区域的分割消弥问题，对环高原湖泊区域精准监测和科学规划提供了有效依据.
针对Cascade R-CNN目标检测算法中存在检测精度较低以及目标遮挡问题，本文提出一种改进的Cascade R-CNN网络目标检测算法.该算法在主干网络ResNet101中引入可切换空洞卷积模块（Switchable Atrous Convolution，SAC），该模块主要由两个全局上下文模块以及SAC组件构成，采用SAC组件以不同的空洞卷积率对特征进行卷积，并使用Switch函数收集特征来提高特征提取能力.同时，在ResNet101残差网络中引入坐标注意力机制（Coordinate Attention，CA），该机制将位置信息嵌入通道注意力中，用于更好地获取方向感知和位置感知信息，进而提高目标检测精度.此外，针对目标遮挡问题，引入Repulsion Loss损失函数.该损失函数主要由吸引项和排斥项组成，吸引项使得预测框和匹配上的目标框尽可能接近，排斥项使得预测框远离错误目标，进而减少非极大值抑制（Non-Maximum Suppression，NMS）的误检，提高目标检测中遮挡问题的检测精度.实验结果表明，在公开的科大讯飞AI挑战赛数据集上，与原算法测试性能相比，改进的Cascade R-CNN网络对该数据集检出率增长了2.39%，改进算法的识别精度有一定的提高.
在卫星移动通信中应用突发扩频技术实现终端的全球随遇接入有重要的应用价值.针对突发通信时间极短、突发时刻随机和卫星移动通信信道带宽窄等条件，以及保障安全可靠的接入和传输更多有效信息的需求，本文提出了一种采用私有、随路信息方式对扩频序列进行动态加密，增加截获、破译难度的短码同步方案，加密后的长码采用混沌扩频码扩频，获得较高的安全性；同时在接收单元采用一种改进的RAKE技术提高信号接收性能.为了验证算法的有效性，在卫星终端原理样机上进行了性能测试验证.信息速率为1.2 kbps、码片速率为3.069 Mcps.在SNR小于 dB条件下，采用本文提出的算法，2 ms内可实现对DSSS扩频信号的可靠捕获和信道同步.
近年来，随着语音处理及计算机技术的飞速发展，人机语音交互的重要性日益突出.其中，语音分离是将目标语音从混合语音中分离出来的一项重要任务.然而，在著名的“鸡尾酒会”等复杂开放环境下语音的分离远没有达到令人满意的效果.针对现实生活中多说话人交流场景，本文以空洞卷积（Dilated Convolutions Neural Network，DCNN）和双向长短时记忆（Bi-directional Long Short-Term Memory，BiLSTM）为网络基础，提出一种视听融合的语音分离（DCNN-BiLSTM）模型.该模型在训练过程中通过音频编号查找与之对应的视觉信息，视觉信息可以将音频聚焦在说话场景中该说话人上，以达到增强语音分离效果.在AVSpeech数据集上进行实验测试，利用PESQ（Perceptual Evaluation of Speech Quality）、STOI（Short-Time Objective Intelligibility）和SDR（Signal-to-Distortion Ratio）指标评价分离效果.研究表明，本文方法比经典的AVSpeech分离方法在语音分离能力上提高了3.37 dB.
针对无线体域网密码方案中存在的密钥管理、密文检索与依赖可信第三方等问题，本文提出了一种基于区块链的无线体域网无证书密文等值测试签密方案．基于无证书签密机制，解决了传统方案中的密钥托管问题，保证了医疗数据的机密性与可认证性．利用等值测试技术，实现了对云端医疗密文的检索，减少了数据用户对重复数据解密的计算开销．引入区块链与智能合约技术，消除了等值测试操作对可信云服务器的依赖．利用雾节点执行部分解密计算，降低了数据用户解密时的计算开销．在随机预言模型下，基于计算性Diffie-Hellman困难问题证明了本文方案满足单向性．与同类方案相比，本文方案支持更多的安全属性，并具有较低的计算开销．
本文提出了一种车与车空间分集接收的 多输入多输出（Multiple Input Multiple Output，MIMO）可见光通信模型.该 模型以基于市场加权灯束模型的汽车前照灯作为2个发射器，以光电探测器作为2个接收器，分别考虑了沥青和水泥两种类型路面对接收光功率的影响，对2个光电探测器接收的信噪比进行最大比合并处理.在不同类型路面以及不同光电探测器高度下研究了两车相对位置与光电探测器接收到的光功率之间的关系，并分析了光电探测器最优接收高度时车间通信范围和误码率性能之间的关系.研究结果表明：真实路面反射对通信质量有较大影响，在评估通信质量时不可忽略，且沥青路面对通信质量的影响大于水泥路面.当两个光电探测器安装在接收信号车辆尾部距离路面的垂直高度为0.2 m，误码率小于 时，以5 Mbps的数据速率车间通信距离可以达到28 m.相比于同样条件下单输入多输出（Single Input Multiple Output，SIMO）可见光通信模型，本文模型不同车间通信距离下的垂直平面宽度最大增加了3 m，车间通信距离至少增加了0.5 m.本文提出的可见光通信模型考虑了真实汽车前照灯模型和路面反射特性，为车间 可见光通信的研究提供了可靠的理论依据和实验指导.
与通用目标检测不同，无人机（Unmanned Aerial Vehicle，UAV）航拍图像目标检测主要面临两个难题：（1）远距离观察下存在大量小尺寸目标，难以与背景区分；（2）大量区域中目标密集且存在严重遮挡.因此，将通用目标检测器直接应用于航拍图像会导致检测精度下降.本文提出一种聚焦小目标的航拍图像目标检测算法（Focusing on Small objects Detector in aerial images，FocSDet）.针对小目标，通过密集高级组合（Dense Higher-Level Composition，DHLC）模式连接双Swin-Transfomer骨干网络，并和特征金字塔（Feature Pyramid Networks，FPN）结合，构建小目标特征聚合网络作为FocSDet的骨干网络，可丰富单层特征表达并提升对图像全局信息的利用，在不损失大目标语义信息的同时得到对小目标更好的特征描述，有效提升了小目标检测能力；针对区域密集遮挡，提出任务平衡样本分配策略，区别于现有样本分配策略只依赖定位位置，本文所提出的策略中样本匹配质量评价分数由定位位置信息和预测分类分数共同构成.基于该新评价分数不断迭代更新样本分配和监督网络优化，取得了更高质量的预测结果.最后，在检测头的分类和回归分支中引入层注意力构成增强检测头，进一步提升了小目标的检测性能.在Visdrone无人机数据集、CARPK航拍数据集上的实验表明，本文提出的FocSDet相较于现有方法ATSS和VFNET，在Visdrone上平均精度（Average Precision，AP）分别提升2%和0.6%，小目标APs分别提升2.6%和1.2%；在CARPK上AP分别提升2.2%和1.7%，小目标APs分别提升5.2%和5.0%.
借助一元模糊谓词逻辑与S5型模糊模态逻辑的等价性，建立了一元子结构谓词逻辑中相似联结词的代数语义，引入了相似一元剩余格，并研究了其基本的代数性质.其次，研究了相似一元剩余格上的相似滤子，刻画了可表示的相似一元剩余格. 最后，引入了相似一元剩余格对应的逻辑系统，证明了其完备性定理，并解决了其最小半线性扩张问题.
合成孔径雷达（Synthetic Aperture Radar，SAR）具有全天时、全天候、高分辨率对地观测的优势，但在成像过程中容易受到电磁干扰，进而严重影响SAR图像的判读与解译.针对复杂对抗环境下的强有源压制干扰问题，本文提出一种基于自监督复数域深度学习的SAR有源压制干扰抑制方法，以及一种新型复数域干扰抑制网络，对权值、激活函数及卷积运算等进行了复数域处理设计，挖掘SAR复数域图像中目标和干扰在幅度和相位两方面的不同信息表征，实现对干扰的抑制.同时本文提出一种自监督训练策略，解决传统网络训练过程严重依赖人工标注样本的问题，其适用于复杂干扰下样本难以标注的应用场景.开展仿真分析与实测数据验证，实验结果表明所提方法可有效地抑制复杂背景下的有源压制干扰，具有自监督智能干扰抑制能力.
许多彩色图像去噪算法没有充分利用图像块间和颜色分量间的相关性，在去噪时丢失大量细节，容易导致颜色失真，从而影响后续处理.此外，真实的图像噪声通常是高斯-脉冲混合噪声而不是单一类型的，导致许多成熟的仅针对加性高斯噪声或脉冲噪声的去噪算法无法直接使用于真实场景.为解决这些问题，本文提出了基于四元数非局部低秩和全变分的图像混合噪声去除算法.该算法首先将彩色图像从空间域转换至四元数域，然后计算图像的非局部结构相似性和局部梯度，利用四元数域下的L1范数最小化模型，最终实现图像去噪.与现有的彩色图像去噪算法相比，该算法能更有效地保留图像块间、块内以及颜色分量间的相关性.去噪实验结果表明，本文算法在峰值信噪比和结构相似性上分别提高0.21~3.04 dB和1.51%~14.51%，并能在有效去噪和抑制伪影的同时，更好地保持图像细节和颜色信息，对噪声类型和强度变化更具鲁棒性.
无人机作为移动基站辅助边缘计算可为用户设备提供广泛的服务范围和额外计算能力，本文提出一种多无人机协同陆地设施辅助边缘计算的系统.该系统将多架无人机作为移动基站，来协同多个陆地设施对移动用户提供计算卸载服务.系统分为局部计算模型、无人机计算模型、陆地设施计算模型以及无人机盘旋能耗模型.目的是优化多个无人机的位置和用户的卸载决策使得系统总体能耗最小.为求解该问题，提出一种多子群驱动的均衡优化算法.该方法基于两个子种群演化交互，集成了变异和种群重启机制，具有良好的优化能力.仿真实验表明，提出的算法能更好降低系统能耗.
针对基于标记编码的加密图像可逆数据隐藏存在图像冗余未充分利用和信息泄露问题，提出一种基于MSB（Most Significant Bit）二维标记的加密图像可逆数据隐藏（Reversible Data Hiding in Encrypted Image，RDH-EI）算法.为提高算法的嵌入容量，在二维标记图生成阶段，根据原始与预测像素值构造出差异序列，生成MSB二维标记（ ， ）.第一维 和第二维 分别记录原始与预测像素值初始连续相同MSBs位数和后继连续相反MSBs（Subsequent Consecutive Opposite MSBs，SCO-MSBs）位数.SCO-MSBs的使用提高像素冗余的利用率，结合范式哈夫曼编码实现嵌入容量的提升.为提高算法的安全性，在伪标记图与加密图像构造阶段，将二维标记图生成的编码流与保存所有辅助信息的额外数据流进行有效信息合并生成原始流后加密，同时在构造加密图像过程中生成用于标识可嵌入位置的伪标记图.原始流加密能有效防止图像信息泄露，伪标记图则用于确定嵌入的预留空间位置.实验结果表明，与现有同类算法相比，本文算法能防止标记图泄露并抵抗唯密文攻击，嵌入容量提高0.208 bpp以上，且算法实现完全可逆的同时，运行时间将近现有算法的1/4.
高光谱图像（Hyperspectral Image，HSI）由于其丰富的光谱信息和空间信息，被广泛应用于异常检测任务，在对地观测和深空探测中起到了重要作用.然而，现有的基于密度估计的高光谱异常检测（Hyperspectral Anomaly Detection，HAD）方法存在如下问题：一是没有联合优化概率密度估计和特征表示这两个不同的目标函数，导致深度神经网络无法学习到更加准确的概率密度函数和包含HSI固有信息的低维表示；二是缺乏高层次空间语义信息与低维流行中光谱信息的自适应融合.此外，随着光谱成像技术的发展，卫星或无人机所获取的HSI的体积越来越大，在遥感大数据的背景下，传统框架处理HSI变得十分困难，给HAD带来了极大的挑战.本文分别从以上问题出发，提出了端到端联合优化的空谱协同自编码密度估计（End-to-End Spectral-Spatial Cooperative Autoencoding Density Estimation，E2E-SSCADE）模型.基于二维卷积提取HSI空间特征，融合高光谱图像光谱特征和空间特征的低维表示以及重构误差表示，联合密度估计网络进行端到端的优化，并利用分布式学习实现了大体积高光谱图像的异常检测.实验表明，所提出的E2E-SSCADE可以从光谱向量、空间维度以及重构空间三个角度更深层次地挖掘HSI固有信息的低维表示，构建更加准确的背景模型，在有效分离背景和异常目标的同时，结合分布式学习实现了快速、准确的大体积高光谱图像的异常检测，在6个经典HAD数据集上达到了99.07%的精度和3.41倍的检测速度.实验代码见https：//github.com/majitao-xd/E2E-SSCADE.git.
针对注意力机制在卷积神经网络的应用过程中无法避免的计算量增大、延迟增加问题，本文提出一种优化后的CBAM（Convolutional Block Attention Module）算法模型，并进行了硬件设计实现.论文基于传统CBAM模型结构，分析算法内部隐藏的潜在问题，设计更加符合注意力重要性参数提取初衷的算法模型；同时，通过计算过程优化，减少数据计算量、对算子进行最大并行组合；利用FPGA（Field Programmable Gate Array）可设计高效灵活并行阵列的优势，为改进后的CBAM算法设计一种硬件加速引擎结构.实验结果表明，与传统CBAM机制相比，改进后的注意力机制可以保持与原有算法模型几乎相同的精度，部署在FPGA的硬件加速计算引擎以180 MHz工作频率进行推理实验，经分析可得，本文提出的设计方案在同等硬件资源条件下，针对注意力机制电路可实现10.2%的计算速度提升，针对VGG16网络模型可实现4.5%的推理速度提升.
针对环境中复杂多变的电磁辐射所引起的互调干扰问题，提出了一种基于自适应多重线性卡尔曼陷波（Adaptive Multiple Linear Kalman Notch Filter，AMLKNF）的互调干扰抑制方法.利用电磁环境效应试验建立的二阶互调低频阻塞干扰预测模型，在AMLKNF中设计一个自适应逻辑，根据干扰预测模型来调整陷波频率和深度，以抑制二阶互调低频阻塞干扰.最后通过仿真分析了该方法的性能，与传统陷波滤波方法相比，AMLKNF使信号损耗降低了30%以上，响应时间减少了1 ms，证明了该方法可以抑制至少40 dB的二阶互调低频阻塞干扰.
目前主流的语音超分辨率（Speech Super-Resolution，SSR）算法是使用卷积神经网络（Convolutional Neural Networks，CNN）把低分辨率（Low-Resolution，LR）语音信号转换为高分辨率（High-Resolution，HR）的语音信号.但只使用普通的CNN所带来的效果通常比较平滑且缺少细节信息.生成对抗网络（Generative Adversarial Networks，GAN）的引入可以很好地解决这一问题.此外，胶囊网络（Capsule Networks，CapsNet）可以将空间信息编码为特征，这样与GAN结合可以更好地判断数据的真假.离散小波变换（Discrete Wavelet Transform，DWT）是一种正交多分辨分析的工具，它在信号处理方面有很出色的表现.小波变换的一个扩展是离散小波包变换（Discrete Wavelet Packet Transform，DWPT），它在某些应用中提供了更有效的信号分析.本文提出一种基于DWPT和胶囊生成对抗网络（CapsGAN）的SSR网络架构Wavelet-SRGAN.对比实验结果表明，本文所提的算法能以最少的参数实现与现有先进算法相当的性能.在算法上有几个核心步骤：（1）在生成器网络中加入DWPT层；（2）在鉴别器上加入胶囊网络；（3）训练时加入小波损失.
盲图像去模糊旨在模糊核未知的情况下从模糊图像恢复清晰图像，这是一个欠定逆问题，需要引入图像先验信息限定解空间.受到SelfDeblur的启发，本文提出了一种基于深度先验的盲图像去模糊算法，结合深度网络与正则化模型对清晰图像与模糊核联合建模，交替迭代估计清晰图像与模糊核.在图像估计子问题中，模糊核参与RGB三通道损失函数的约束下，利用隐含图像平滑性约束的深度卷积神经网络DIP-Net生成清晰图像；在模糊核估计子问题中，直接求取模糊核正则化约束模型的全局极小解，不同于SelfDeblur的全连接网络使用梯度下降法更新模糊核.本文算法结合深度网络实现正则化方法，与监督学习相比，无需成对的模糊/清晰图像数据集训练网络；与传统模型方法相比，无需通过多级金字塔的方式由粗到细地估计模糊核.在模拟与真实模糊图像上的实验结果表明；本文算法能够快速、准确地估计出清晰图像和模糊核，并能够有效抑制图像复原过程中存在的噪声放大问题.
在传统的零样本图像分类方法中，语义属性通常被用作辅助信息来描述各类别的视觉特征.然而，单一的语义属性并不能对类内多样性的视觉特征进行全面的描述.为提高语义属性对类别内部多样性的表示能力，同时也为了帮助模型提高对各类别的描述能力，本文通过属性自编码器的方式在视觉以及语义空间上对类别进行扩展.此外，为了缓解传统生成性方法因无法直接计算生成空间到真实空间的变换而带来的模型次优解问题，本文采用了生成流网络作为基础网络，通过可逆变换直接计算两个空间之间的变换来开展对零样本学习任务的研究.本文使用解码器网络将逆生成流网络为测试样本生成的原型特征解耦成视觉原型及语义原型信息，然后根据这两个原型信息实现将测试样本预分类到可见类集或不可见类集中，最终在这两个子分类空间中根据样本的特点分别进行监督分类和零样本分类任务以提高模型的整体性能表现.本文在五个数据集上通过大量的实验验证了本文所提方法的有效性.
目前，由美国国家标准技术研究院发起的对抗量子密码算法标准化的进程已进入最后一轮，其中基于格上困难问题的方案备受青睐.已有研究表明，若公私钥对被重复使用，则可以对选择明文攻击安全的格密钥封装机制发起密钥不匹配攻击；甚至在侧信道信息的辅助下，相关攻击能对选择密文攻击安全的格KEM奏效.在现有的针对格KEM方案的密钥不匹配攻击中，大多数攻击方案假设敌手一次只能恢复一个私钥系数，然而一次性恢复多个私钥系数是更为合理的假设，并且也将进一步减少密钥不匹配攻击所需的平均问询次数.鉴于此，本文进一步分析了密钥不匹配攻击中恢复私钥系数所需的平均问询次数的理论值下界的问题.其基本思路是将该问题转化为寻找一棵最优二叉恢复树的问题，进而证明了平均问询次数的理论值下界十分接近香农熵.在此基础上，本文提出了一套计算模型，并将其应用于NTRU-HRSS KEM方案，得到了更为准确的理论值下界；进一步地，据此提出了一种成对恢复NIST第三轮入选方案NTRU-HRSS KEM私钥的密钥不匹配攻击方案.实验结果表明，与现有的攻击方案相比，在成功率基本持平的基础上，平均问询次数减少了35.3%，耗时减少了47.3%.此外，本文提出的攻击方案也能够用于优化现有的针对CCA安全的NTRU-HRSS KEM方案的侧信道攻击，并将所需的问询次数由2 447减少到1 193.
实体关系抽取是信息抽取领域的核心任务.从文本中抽取的实体关系三元组是构建大规模知识图谱的基础.传统的流水线方法将实体关系抽取分解为独立的命名实体识别和关系抽取两个子任务.首先，构建一个高效的命名实体识别器，从大规模非结构化文本语句中识别实体边界和类型.然后，将该命名实体识别器识别的实体与类型作为关系抽取任务中所用数据的标注.最后，通过关系抽取器得到两个实体之间的关系类别，进而组合成为结构化的实体关系三元组.命名实体识别任务存在的误差会影响后续的关系抽取任务的性能，这使得流水线方法具有错误累积问题.这是因为关系抽取任务中使用的标注数据来自于前面的命名实体识别任务，这会有一定的误差，进而影响关系抽取的结果质量.此外，流水线方法减弱了两个子任务之间的特征关联，这会出现冗余实体的问题.命名实体识别任务和关系抽取任务独立进行学习训练，导致这两个子任务间缺乏交互，使得文本信息没有得到充分利用，限制了流水线方法的性能瓶颈.由于非结构化文本信息没有得到充分利用，流水线方法在抽取实体间长依赖关系时具有一定局限性，很难达到联合抽取模型的性能指标.实际应用中，实体间往往存在多种关系，流水线方法无法充分使用全局文本信息，且命名实体识别会产生冗余实体，在抽取多元重叠关系时，该方法具有一定的局限性.因此，在构建高准确率实体关系抽取模型时，流水线方法具有欠缺之处.本文对实体关系联合抽取的研究发展全景进行了综述，简要阐明整数线性规划、卡片金字塔解析模型、概率图模型和结构化预测模型这四类基于特征工程的联合模型的共同缺点.本文聚焦基于深度学习的实体关系联合抽取技术，根据近年来实体关系联合抽取前沿研究成果，总结了实体关系联合抽取模型的主流构建方法.按照建模思想的特点总结为三种建模方法：多模块-多步骤、多模块-单步骤以及单模块-单步骤.多模块-多步骤建模方法主要包含实体域映射关系域、关系域映射实体域和头实体域映射关系-尾实体域这三种类别.这三类模型的共同特点都是将三元组的提取过程分为多个模块，通过共享参数的方式整合各个模块，逐步迭代得到三元组.这种方法推动联合模型性能提升，初步解决了流水线方法存在的问题.但每个步骤使用独立的解码算法，导致解码误差累积问题.且共享参数整合各个模块的冗余误差会互相影响预测性能，从而产生级联冗余问题.多模块-单步骤建模方法旨在构建一个最优化的联合解码算法，并对其求取最优解进而得到最优超参数.这种方法设计了简单精确的联合解码算法，并加强了多个子模块间的交互性，减弱了因为逐步迭代导致的解码误差和级联冗余对联合模型性能的影响.然而，模块的分离依然会产生冗余错误，具有一定局限性.单模块-单步骤建模方法可以直接从文本语句中抽取三元组，有效缓解了多模块-多步骤和多模块-单步骤建模方法的级联错误和实体冗余等问题.本文以前沿文献中具有代表性的联合模型为例，详细分析了这些模型的建模思路，剖析了各个模型的优缺点，将多个具有共同建模思路的经典模型进行归类，以阐述实体关系联合抽取模型的发展趋势.本文将单模块-单步骤建模方法的代表模型在公开基准数据集上的模型性能与多模块-多步骤和多模块-单步骤的代表模型性能进行对比分析，阐明实体关系联合抽取模型的建模思路正在从基于多模块-多步骤和多模块-单步骤的复杂建模方法，逐渐向单模块-单步骤的高效建模方法转变的客观趋势.最后，本文对三个实体关系联合抽取的研究方向进行了展望.当下主流的联合模型聚焦于限定域的实体关系抽取任务，对于开放域问题研究得不够.开放域实体关系联合抽取任务是未来的研究人员亟待解决的问题之一.在实际工业应用中，文本语料包含多元信息，如时序信息.而当前的实体关系联合抽取模型大多依据单一文本上下文信息进行特征抽取，从而忽略了时序信息.若融入像时序信息这样的多元信息或能进一步提升联合模型性能，这是未来一项具有重大意义的课题.此外，对于跨文本的实体关系联合抽取模型研究较少，这也是该领域未来的一个研究趋势.本文旨在建立一个完整的基于深度学习的实体关系联合抽取领域研究视图，以对相关领域研究者有所帮助.
孪生支持向量回归机（Twin Support Vector Regression，TSVR or TWSVR）是一种基于统计学习理论的回归算法，它以结构风险最小化原理为理论基础，通过适当地选择函数子集及该子集中的判别函数，使学习机的实际风险达到最小，保证了在有限训练样本上得到的小误差分类器对独立测试集的测试误差仍然较小.孪生支持向量回归机通过将线性不可分样本映射到高维特征空间，使得映射后的样本在该高维特征空间内线性可分，保证了其具有较好的泛化性能.孪生支持向量回归机的算法思想基于孪生支持向量机（Twin Support Vector Machine，TWSVM），几何意义是使所有样本点尽可能地处于两条回归超平面的上（下）不敏感边界之间，最终的回归结果由两个超平面的回归值取平均得到.孪生支持向量回归机需求解两个规模较小的二次规划问题（Quadratic Programming Problems，QPPs）便可得到两条具有较小拟合误差的回归超平面，训练时间和拟合精度都高于传统的支持向量回归机（Support Vector Regression，SVR），且其QPPs的对偶问题存在全局最优解，避免了容易陷入局部最优的问题，故孪生支持向量回归机已成为机器学习的热门领域之一.但孪生支持向量回归机作为机器学习领域的一个较新的理论，其数学模型与算法思想都尚不成熟，在泛化性能、求解速度、矩阵稀疏性、参数选取、对偶问题等方面仍存在进一步改进的空间.本文首先给出了两种孪生支持向量回归机的数学模型与几何意义，然后将孪生支持向量回归机的几个常见的改进策略归纳如下.
（1） 加权孪生支持向量回归机
由于孪生支持向量回归机中每个训练样本受到的惩罚是相同的，但每个样本对超平面的影响不同，尤其是噪声和离群值会使算法性能降低，并且在不同位置的训练样本应给予不同的处罚更为合理，因此考虑在孪生支持向量回归机的每个QPP中引入一个加权系数，给予不同位置的训练样本不同程度的惩罚.
（2） 拉格朗日孪生支持向量回归机
由于孪生支持向量回归机的对偶问题中半正定矩阵的逆矩阵可能不存在，若存在，则对偶问题不是严格凸函数，可能存在多个解，因此考虑使用松弛变量的2范数代替原有的1范数，使对偶问题更简单，易于求解.
（3） 最小二乘孪生支持向量回归机
由于孪生支持向量回归机的求解需要在对偶空间进行，得到的解为近似解，考虑通过最小二乘法将原问题的不等式约束转化为等式约束，使得原问题可以在原空间内求解，在很大程度上降低计算时间，提高泛化性能，且不损失精度.
（4） -孪生支持向量回归机
通过引入一组参数与 自动调节 与 的值以控制训练样本的特定部分对两条回归超平面所能造成的最大误差，从而自适应给定数据的结构，提高孪生支持向量回归机的拟合精度.
（5） -孪生支持向量回归机
在孪生支持向量回归机的原问题中引入正则化项以达到结构风险最小化的目的，使对偶问题转化为稳定的正定二次规划问题，并通过SOR求解对偶问题，加快训练速度.
（6） 孪生参数不敏感支持向量回归机
克服参数的选取对孪生支持向量回归机超平面构造的影响，使算法非常适合于存在异方差噪声数据的数据集，训练速度和泛化性能也有提升.
本文同时对以上算法的数学模型、改进算法及应用进行了系统地分析与总结，给出了以上算法在9个UCI基准数据集上的回归性能与计算时间，并在模型结构层面逐一分析每个算法的表现与耗时的根本原因.对于其他不便于归类的孪生支持向量回归机改进算法及应用，本文也对其作逐一总结.整体来看，最小二乘孪生支持向量回归机在性能和计算时间方面表现最佳，拉格朗日孪生支持向量回归机、 -孪生支持向量回归机的性能并列次优且计算时间接近，加权孪生支持向量回归机、ε-孪生支持向量回归机和孪生参数不敏感支持向量回归机的性能不理想，但计算时间接近.本文旨在使读者对孪生支持向量回归机的不同改进算法之间的异同点与优缺点产生更深刻的理解与认识，从而将更多优秀的改进策略应用于孪生支持向量回归机，最终为进一步提高孪生支持向量回归机的性能以及扩展孪生支持向量回归机的应用范围提供较为清晰的思路.
在部署第五代（Fifth Generation，5G）通信基站天线时，通常将它们与现网天线放置在一起，以节省塔面空间.但是工作在不同频段的天线将相互干扰、导致天线单元之间的互隔离度降低，影响整机性能.为了解决这一问题，作者选取工作在1 710~1 880 MHz频段的第二代（Second Generation，2G）通信系统天线和工作在3 400~3 800 MHz频段的5G天线作为实施实例，将它们临近放置，并在低频单元辐射臂周围设置双条带结构（Double Strip Structure，DSS）.该双条带结构谐振在高频段，可以有效减小低频单元在高频段的雷达散射截面（Radar Cross Section，RCS），使低频单元辐射的高频能量被吸收，提升两天线单元在高频段的端口互隔离度.仿真结果显示，设置双条带耦合抑制结构，会使高低频单元同极化端口之间在高频段的互隔离度有5~20 dB的提升，此外，该耦合抑制结构并不会增加低频单元的损耗.对天线样机的测试结果表明，与仿真结果较为吻合.综上所述，本文提出的耦合抑制方法具有集成度高、无增益损失等优点，可应用在多频多制式基站天线系统中.
