针对现有端到端自动编译码器无线通信系统在多径信道中表现不佳的问题，本文提出了一种改进的自动编译码器端到端无线通信系统.在设计中，通过改变卷积核的尺寸，利用二维卷积来对抗多径效应引起的频率选择性衰落，并将传统OFDM（Orthogonal Frequency Division Multiplexing）模块同自动编译码器相结合，以此来增加系统应对多径信道的能力.同时，通过仿真分析一维卷积自动编译码器无线通信系统、传统OFDM无线通信系统以及本文改进的自动编译码器无线通信系统在多径信道下的性能.结果表明，在5径瑞利信道下并且以误块率（Block Error Rate，BLER）作为性能指标时，所提出的基于二维卷积的自动编译码器无线通信系统在64QAM调制下相比经典自动编译码器无线通信系统和传统OFDM无线通信系统分别提升了17%和60%的性能，本文的仿真分析给出了详细的对比说明.另外本文还分析了不同调制、不同信道时卷积核数量对系统性能的影响.
水声网络具有低带宽、长时延、高误码率等特征，这使得数据的可靠传输面临着巨大挑战. 在线喷泉码具有低开销、在线反馈和通过给定瞬时解码状态获得最优编码策略等优点，因此，针对水声网络的特点，分析在线喷泉码的编解码和反馈问题，提出了按序递归与限制反馈的在线喷泉码（ Sequential Recursive Online Fountain Code with Limited Feedback， SROFC-LF ）. 基于随机图理论对SROFC-LF需要的编码包数量进行理论分析，理论分析和实验仿真一致.实验表明：无论开销和反馈包数量，SROFC-LF比大部分在线喷泉码均表现出更好性能，适合水声网络.
自适应光正交频分复用符号分解串行传输（Adaptive Optical Orthogonal Frequency Division Multiplexing Symbol Decomposition with Serial Transmission，O-OFDM-ASDST）可以抑制O-OFDM 系统非线性失真，但在接收端将分解符号合并时会增大加性高斯白噪声（Additive White Gaussian Noise，AWGN），因此设计一种能够抑制AWGN的新型接收机.分析了O-OFDM分解符号的结构特征和可观测到的AWGN的最大偏移分量，基于此对接收分解符号进行预处理，尽可能恢复出原本等于限幅门限和零值的时域抽样值，再根据O-OFDM分解符号特征，重构接收分解符号.最后采用蒙特卡洛（Monte Carlo）误码率仿真方法，验证了接收机的有效性.
相比于经典解耦处理的前馈均衡方法，判决反馈均衡具有更优的性能，但现有方法主要针对收发静止或理想载波同步的情形.本文提出了一种针对未理想载波同步多天线信号的判决反馈频域均衡方法.文中首先基于最小均方误差准则推导了多天线联合判决反馈频域均衡优化模型，针对模型中残余频偏、信道系数、噪声方差等参数难以直接求解问题，给出了基于稀疏贝叶斯的迭代估计方法，并通过近似计算，给出了所有参数估计式的闭式解，避免了网格搜索带来的计算量负担.所提方法综合考虑多天线信号接收处理不同环节之间的关联性，采用迭代处理方法进行联合寻优.仿真实验表明，所提方法能够有效抑制信道衰落的影响，与现有方法相比，在接收单元数目较少和信噪比较高时优势体现更加明显.
为了解决虚拟网络映射光路太长和频谱碎片化的问题，论文提出一种基于邻居链路碎片感知的虚拟网络映射算法（Virtual Optical Network Embedding based on Adjacency Link Fragmentation Awareness, ALFA-VONE）.设计考虑虚拟节点资源需求和邻居节点映射状态的权值计算方法，提高虚拟节点映射的成功率；使用相邻虚拟节点-虚拟链路协同映射方法，缩短映射光路长度和减少所需频隙数目；设计光路可用资源评估方法，以提高虚拟链路映射成功率；考虑拟分配频谱块对光路以及邻居链路造成的频谱碎片影响，设计频谱碎片影响值评估法，以提高频谱资源利用率.仿真结果表明：当网络负载为130 Erlang时，所设计算法的平均映射光路跳数减少28.4%，带宽利用率提高4.56%.
本文提出一种基于终端侧的室内单站定位技术，其中为了解决网络中收发之间同步误差的影响，本文使用单个接入点（Access Point，AP）上接收到的反射路径和直达路径进行定位.首先，利用下行链路的信道状态信息对AP到终端之间传播路径的离开角和信号传输时间（Time Of Flight，TOF）进行联合估计；其次，提出一种高阶反射路径过滤算法对单次反射路径进行提取；然后，利用直达路径和反射路径的TOF构建目标定位方程，然后利用室内反射体的分布特点对目标的位置进行搜索；再者，利用电磁仿真软件构建室内环境，仿真结果表明，本文所提系统可以达到0.6 m的定位精度；最后，本文利用软件无线电搭建测试系统，真实环境下的测试结果表明，本文所提系统可以达到0.82 m的定位精度，并且所提高阶反射路径过滤算法可以有效地提升定位精度.
针对多架无人机共同为地面用户提供差异化服务的场景，本文提出一种基于分层联邦学习的动态RAN（Radio Access Network）切片框架，目的是提升切片性能隔离效果、减少协同训练过程的通信代价.考虑到无人机动态部署和数据不足等特点，本文通过数据增广促进本地模型训练.为了使得距离地面基站较远的无人机有更多机会参与联邦学习并降低通信代价，本文根据位置和数据分布信息设计支持边缘模型聚合的无人机分簇策略.在此基础上，本文探索基于注意力机制的边缘和全局模型聚合方案，以增强全局模型的泛化能力.仿真结果表明，与联邦平均和分布式LSTM（Long Short-Term Memory）相比，所提方案在切片性能隔离的时长占比上分别有8.4%和16.5%的提升，并降低了无人机协同训练的通信代价.
现有的基于深度学习的度量变化检测方法侧重于高级变化语义特征的提取，难以捕获细粒度地物的变化，检测的变化边界模糊.一些方法引入了包含高分辨率和细节特征的低级视觉特征，但这些特征更容易受到内部细节等伪变化的干扰，缺少可靠的远程依赖关系.针对上述问题，提出了一种基于深度学习的端到端的度量变化检测网络，称为用于高分辨率遥感影像度量变化检测的多路径非对称融合网络（Multi-path Asymmetric Fusion network，MAFNet），可以检测到更清晰的边界和更完整的细粒度地物.MAFNet提出了一种多路径非对称融合网络用于捕获长短路径依赖关系，用细粒度的低级视觉特征细化粗略的高级语义特征.MAFNet提出了一种基于深度监督的度量模块，获取更具判别力的特征，端对端的测量变化.实验表明，与其他6种基准方法相比，MAFNet网络在SYSU数据集和CDD数据集上都实现了最高的精度，F1分别为80.56%，95.02%.
由于航海雷达图像中的目标与杂波的相似度较高，因此目标检测任务非常困难.此外，虽然航海雷达的原始数据量很大，但标注需要大量的专业知识，导致目前可以直接使用的有效数据很少.为解决上述问题，本文首先建立了两个航海雷达数据集，分别是无标签的航海雷达数据集（Unlabeled Marine Radar Dataset，UMRD）和有标签的航海雷达检测数据集（Marine Radar Detection Dataset，MRDD）.同时，本文提出了一种基于对比学习的航海雷达目标检测方法（Contrastive Learning for Marine Radar Detection，CLMRD）.该方法首先以聚类的方式产生伪标签，然后以交替预测的方式从样例级别提高特征的判别性，并根据一致性准则从数据分布级别提升特征判别性.接下来，使用Yolov5作为目标检测网络，并结合预训练的特征提取器进行微调.最后，CLMRD对不同切片的检测结果进行融合.提出的方法在MRDD数据集上达到了0.97的准确率和0.95的召回率，显著优于其他检测方法，验证了其有效性和鲁棒性.
基于红外与可见光域之间的跨模态行人重识别对于夜间场景监控极为重要，但由于红外图像和可见光图像的数据分布存在较大差异，使得模型很难提取到同一行人在不同模态下的模态不变特征.本文针对现有跨模态行人重识别算法中存在的数据集样本数量较少问题以及不同模态图像之间存在较大跨模态差异问题，提出了一种新颖的生成对抗网络来生成与原始图像相似的匹配图像，在对跨模态行人数据集进行增广的同时减少跨模态差异；为减少跨模态差异和模态内差异，本文采用了双流网络来提取更具鉴别性特征，并提出了角度异构中心三元组损失对正负样本在特征空间中夹角进行约束，提升其在特征空间中的聚类效果.本文在SYSU-MM01和RegDB数据集上进行实验验证，结果表明本文所提出的生成匹配图像方法能够有效降低不同模态图像之间的跨模态差异，同时角度异构中心三元组损失使得特征空间中的嵌入特征具有角度辨别性，从而提升模型的分类能力.在SYSU-MM01数据集中，本文方法相较于最新算法在Rank-1和mAP分别提升了5.71%和8.18%，证实了文中方法的有效性.
针对传统SLAM（Simultaneous Localization And Mapping）算法在动态遮挡场景下难以标记被遮挡物体，无法准确判断潜在物体运动状态以及剔除动态物体后特征点数量较少等问题，提出一种动态遮挡场景下基于改进Transformer实例分割的VSLAM算法（Improved Transformer instance segmentation under Dynamic occlusion VSLAM algorithm， ITD-SLAM）.本算法通过设计一种多注意力模块，引导模型关注被遮挡区域，同时改进相对位置编码优化被遮挡物体边界语义性，精确标记出潜在动态物体.为减少动态物体对SLAM系统定位精度的影响，通过相机位姿估计、物体运动估计与物体运动判断三个步骤估计潜在动态物体运动状态，并剔除其中的动态物体.根据网格流运动模型补全剔除区域的静态背景，并利用信息熵与交叉熵筛选修复区域特征点，补充高质量特征点用于相机位姿估计.在公开数据集TUM和真实场景中进行验证，结果表明本文算法均方根误差与DynaSLAM相比减少22.94%，表现出了较好的构图能力.
图像协调化在图像处理中占据着一个重要的地位，它旨在调整前景外观（如光照、颜色、纹理等）使其与背景在视觉上保持一致.然而，现有的基于深度学习方法通常将图像整体背景的特征分布作为线索来调整前景，没有注重语义信息对前景调整的关键作用，导致前景的局部区域与背景在视觉上出现差异.为此，本文基于多分辨率选择融合模块（Multi-Resolution Selective Fusion Module，MRSFM）和轻量级的卷积块注意力模块（Convolutional Block Attention Module，CBAM），设计了一个基于双注意力机制的多分辨率选择融合模块（Multi-Resolution Selective Fusion module based on Dual Attention Mechanism，MRSF-DAM），使得最后输出的特征图具有丰富的语义信息，从而引导网络更好地理解图像前景与它周围场景之间的相关性，使网络更加充分地从背景中获取协调前景所需的各种信息，最终缩小图像前景区域和背景区域在视觉上的外观差异.此外，本文设计了一个新的网络架构来选择融合浅层和深层的特征信息，通过对解码器前6层网络层与MRSF-DAM的输出特征图进行多尺度融合和增强，将产生的增强特征图送入解码器的最后层，能够缓解由跳跃连接引入的与前景内容的特征不相关的问题，且减少了由于解码器经过多次下采样带来的空间特征信息损失，进一步提高生成协调图像的真实性.在广泛使用的iHarmony4基准数据集上进行了大量的实验验证了本文方法的有效性.相比于目前最新的方法SCS-Co（Self-Consistent Style Contrastive learning for image harmonization），本文方法在整个数据集的均方误差（Mean Squared Error，MSE）、前景均方误差（foreground Mean Squared Error，fMSE）和峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）上分别提升了4.28，61.97和1 dB.
安全多方计算是国际密码学的研究热点之一，隐私集合问题是安全多方计算的重要研究方向.本文提出了一个新的安全多方计算问题：Alice和Bob分别拥有集合 和 ，他们想要保密计算 时的最大值 .该问题在教育、网购等领域具有重要的理论和现实意义.针对这个问题，我们在半诚实模型下提出了两个安全协议.第一个协议基于编码方法和保密移位思想，适用于元组中元素数据范围已知的情况.第二个协议利用Paillier密码算法和添加假元素的方法，适用于元素数据范围未知的情况.最后，我们使用公认的模拟范式证明了两个协议是安全的.
将用户同意与访问控制相结合是解决隐私保护的主要方法之一.然而，现有的隐私保护访问控制方法仅从数据控制者的角度，不考虑个人对访问决策的参与，无法满足自主可控的需求.为了解决这个问题，本文提出了一种基于用户同意的隐私保护访问控制协议，将用户同意转化为一种同意权限，形成一种同意加授权的双重访问控制机制.本文给出协议的语法、语义及安全性定义和分析，并采用模型检测的方法对协议应满足的性质进行验证，最终证明本文的设计可以从访问控制的角度满足个人信息保护法规的要求.
挖矿恶意软件是一种隐匿在受害主机中，在未经用户许可的情况下使用系统资源挖掘加密货币的恶意软件，其不仅影响计算机系统的正常运行也会危害系统安全.目前基于动态分析的挖矿恶意软件检测方法主要以挖矿恶意软件的工作量证明行为为检测对象，难以实现对此类软件的及时检测.针对上述问题，通过分析挖矿恶意软件的运行过程，发现挖矿恶意软件在建立网络连接前行为多样，由此提出“挖矿软件行为多样期（Behavioral Diversity Period of Cryptominer，BDP）”的概念并进一步提出面向行为多样期的挖矿恶意软件早期检测方法（Cryptomining Malware Early Detection Method in Behavioral Diversity Period，CEDMB）.CEDMB使用n-gram模型和TF-IDF（Term Frequency-Inverse Document Frequency）算法从BDP内的API（Application Programming Interface）序列中提取特征以训练检测模型.实验结果显示，CEDMB使用随机森林算法时可以在软件开始运行后10 s内以96.55%的F1-score值判别其是良性软件还是挖矿恶意软件.
现实优化问题常需同时对多个冲突目标进行评估优化，由于评估过程多依赖大量复杂的仿真实验，从而产生计算代价昂贵的问题.代理模型辅助下的进化算法可在计算资源有限的情况下为此类问题提供有效的最优解集.但随着问题决策以及目标空间维度变高，则会衍生出诸多负面因素限制代理模型的预测精度. 对此， 提出一种基于约束型Dropout神经网络的代理辅助进化算法（Constrained Dropout Neural Network based surrogate-assisted Evolution Algorithm，CDNNEA），以约束型Dropout神经网络作为一种可扩展方案来增强代理模型在高维空间中的适用性，在模型管理部分中，构建种群个体收敛性以及多样性评判指标，自适应地选取引导代理模型更新的代表性个体.通过在DTLZ基准测试问题上进行实验，CDNNEA显示出相较其它先进算法性能表现最优或近似最优，同时将其应用于高维参数自适应优化的现实问题中.实验表明：提供的代表性解决方案投入实际应用时识别准确率均较优且模型计算量可控，验证出CDNNEA在高维昂贵类优化问题上的有效性.
连接顺序选择是查询优化领域中极具挑战性的研究方向，对于数据库管理系统获得良好的查询性能至关重要.然而，传统优化方法和现有智能优化方法均存在着不足，如规划时间过长、容易得到质量较差的连接计划、编码未考虑结构特征、依赖基数估计和代价估计使得连接计划无法反映真实的执行时间等.针对上述问题，提出了一种新型基于异步Dueling DQN（Deep Q-network）和计划时间预测网络的连接优化器：ADP-Join（Asynchronous Dueling DQN and Plan Latency Prediction Network for Join Order Selection）.ADP-Join集成了一种新的编码方法，能够区分不同结构的连接计划.ADP-Join设计了计划时间预测网络PLN（Plan Latency Prediction Network）来改善现有基于强化学习优化器的奖励机制.再者，提出异步更新机制改进Dueling DQN模型来提升训练性能和减少训练时间.大量的实验结果表明，在TPC-H和JOB真实数据集上ADP-Join的性能优于现有的智能优化器.
传统的知识社区专家推荐方法采用文本相似度匹配机理，并基于问题或专家描述来构建专家特征.这些方法没有利用问题与答案的语义匹配关系，因此难以充分挖掘专家回答问题的能力特征，影响推荐性能.提出一种基于综合历史和当前问答语义匹配的知识社区新问题的专家推荐方法（History-Now Semantics Expert RECommendation model，HNS-EREC）.首先，采用反馈评价和负采样技术来处理数据集中的两类不平衡现象；其次，基于问答语义来提取专家回答问题能力特征；最后，提出一种基于问答语义匹配的History-Now联合专家推荐模型，该模型能够实现面向专家的历史问答和当前问答的语义联合学习.实验结果表明，相对于其他方法，本文所提出的HNS-EREC方法在新问题专家推荐方面具有显著的优势.
针对非平行支持向量机（NonParallel Support Vector Machine，NPSVM）对噪声敏感和忽略了数据分布结构的问题，提出了一种具有间隔分布的抗噪声非平行支持向量机 （Anti-Noise NPSVM with Margin Distribution， MD-ANPSVM） 分类模型.在MD-ANPSVM模型中，每个优化问题同时最小化两类样本的基于L1范数的绝对损失和改进的铰链损失，这可以保证模型的稳定性，减小噪声和异常值的影响.此外，在MD-ANPSVM模型中，采用一阶和二阶统计量来描述训练数据的间隔分布信息，并试图同时最大化间隔均值和最小化间隔方差，这进一步提高了模型的泛化性能.最终，我们在不同的数据集上进行了对比实验.实验结果显示，MD-ANPSVM模型具有较强的泛化能力和强鲁棒性.
针对基于避碰、组队和聚集规则的无人机集群无法响应部分感知引起的多重刺激问题，本文提出一种基于注意力机制的无人机集群协同分群控制算法.为确保无人机对邻居信息的高效选择，文中考虑视线遮挡因素设计感知规则，然后引入注意力机制计算交互邻居中无人机对局部群体有序性的贡献；为解决多重刺激下无人机决策冲突的问题，文中设计一种基于注意力机制的状态转换模型，特别地设计亚激活状态计算刺激源的动态权重，以提高集群响应多重刺激的灵敏度；为实现无人机对目标持续准确的跟踪，基于无人机的运动状态确定运动策略，然后调整运动模型；通过仿真分析集群响应多重刺激时运动轨迹和运动方向的变化过程，并利用应激精度、子群序参量和分群耗时对分群运动过程进行分析.仿真结果表明：所提算法使无人机集群在5 s左右即可完成分群运动，实现对刺激快速准确的跟踪.
为了快速适应非平稳环境中工业数据流的分布变化，需要在非结构化和噪声干扰的数据中准确、实时的完成概念漂移的检测.本文提出了一种基于多元区域集划分的工业数据流概念漂移检测算法（Concept Drift detection-Multivariate region set Partition，CDMP）.首先基于实例模糊密度进行多元区域集划分，根据划分的若干模糊分区集合，识别概念漂移发生的区域.概念漂移的持续发生会显著降低基于多元区域集构建的模型的分类性能，CDMP通过构建多元历史模型池来保留具有多样性的历史模型，以降低模型调整或再训练造成的性能损耗，同时保证概念漂移检测中准确性.CDMP在不同数据集上进行了性能测试.实验结果表明，CDMP实现了对历史模型多样性的保留和重用，能够在不同噪声水平的工业物联网环境中实现对重现型、突发型等多类型概念漂移的准确检测.
基于深度学习的电磁信号识别模型具有高效、准确和人工干预少的优点，然而其与传统神经网络模型一样容易受到对抗样本的影响.研究对抗样本对测试和提升模型的安全性和鲁棒性有着重要意义.为生成高质量电磁信号对抗样本，本文提出了基于雅可比显著图批量特征点攻击算法（Batch Points Jacobian-based Saliency Map Attack， BP-JSMA）.与传统雅可比显著图的攻击方法相比，BP-JSMA通过批量选取关键特征点能够更快生成对抗样本.此外，针对电磁信号数据的特点，增加自适应扰动限制，使得生成的对抗样本更具隐蔽性.在公开数据集的实验结果表明，与雅可比显著图攻击方法相比，BP-JSMA在生成速度方面提升了11倍，隐蔽性提升了10%；而与传统快速梯度符号攻击算法相比，攻击成功率提升了24%，隐蔽性提升了20%.
通过用户多行为进行推荐任务中，各个行为通常不是独立作用的，行为之间的协同作用和依赖关系挖掘更能增强用户行为模式建模，反映用户偏好.而用户多行为关系的引入也会增加用户物品交互图与表征空间中的异质性（heterogeneity）.针对上述问题，本文设计了一种基于异构图的双通道交叉自适应对比学习推荐模型MB-DCAC（Multi-Behavior Recommendation through Dual-channel Cross-Adaptive Contrast learning），创新性的从异构数据卷积过程构建对比学习方案，并基于异构连接进行表征属性增强，以提升模型挖掘用户行为模式与表达能力.实验结果表明，本文模型在Tmall、IJCAI-Context、Beibei三个数据集上，相较于基准模型在HR@10指标上分别提升了16.7%、18.3%、2.76%.且模型在挖掘多行为之间的依赖挖掘等任务上表现优异.
考虑到安全性与经济性因素，同类历史设备的性能退化数据大多属于截尾型，采用深度学习训练时往往面临零寿命标签的挑战，量化剩余寿命（Remaining Useful Life，RUL）不确定性更是难上加难，并且现有深度学习模型进行RUL预测时忽略了首达与非首达时间意义之间的区别.为了克服以上困难，本文提出一种零寿命标签下退化设备RUL预测方法，采用数据预处理技术生成以退化信息为标签的样本，利用贝叶斯双向长短期记忆（Bayesian Bidirectional Long Short-Term Memory，B-Bi-LSTM）模型描述设备性能退化演变规律，同时借助变分推断技术实现了性能退化的不确定性度量.进一步，从可靠性角度分析了性能退化预测分布与RUL分布间的关系，分别围绕首达与非首达两类情形推导设备RUL概率分布，通过锂电池案例对所提方法进行实例验证.实验结果表明，所提方法能够提供RUL预测的点估计与概率分布式结果，有效确保了预测结果的科学性.
为了拓展涡流搜索算法的应用能力，提升其求解复杂优化尤其是大规模复杂优化问题的性能，本文提出了一种基于流场吸引流动、逐维半径试探更新和领导层决策机制的动态涡流搜索算法.首先，本文在算法中引入压强差的概念，使候选解依据压强差进一步向着较优解移动，提高算法整体的搜索质量；然后，算法通过逐维半径更新策略，有效避免了在某一维陷入局部极值的情况；最后，本文在中心点的更新中引入领导层决策机制，提高算法快速确定最佳区域的能力.在计算机仿真部分，本文将该改进算法与多组具有不同代表性的对比算法分别在CEC2017套件的100维和CEC2010套件的1 000维上进行了极值优化分析，结果表明改进后的算法无论是在高维问题还是大规模复杂问题上的寻优结果都能领先其他代表性对比算法多个数量级，具有很好的收敛性能.
为更精细化辨识节点重要性，本文研究节点多阶交互演化对节点重要性序结构形成的影响，提出基于复杂网络多阶邻域贡献度的节点重要性序结构辨识系统模型.首先，基于节点间不同阶层交互关系和节点多阶邻域规模异质性程度构建多阶邻域贡献度模型；通过节点多阶圈信息集结节点自身多阶邻域空间结构信息；其次，构建融合多阶邻域空间位置信息贡献和多阶圈信息贡献的节点重要性辨识系统模型，给出节点序结构辨识算法；最后，仿真分析表明在各真实网络中本文算法相比经典算法最高提升88%节点辨识率，以0.5资源投入进行网络攻击，分别最大提升67.47%，39.40%和20.17%攻击效用值.
昼夜混合路径条件下低频天波传播特性的研究对导航授时系统中应用模式拓展及低电离层参数反演均具有重要的研究意义.本文以地—电离层中100 kHz载频罗兰-C信号的时域有限差分（Finite Difference Time Domain，FDTD）仿真为前提，基于传统的过零检测和快速傅里叶变换（Fast Fourier Transform，FFT）/逆快速傅里叶变换（Inverse Fast Fourier Transform，IFFT）频谱相除算法，对昼夜混合信道（传播路径为东西取向）中地面接收的一跳天波进行模式区分及特性分析.给出了在白天至夜晚、夜晚至白天两种突变电离层下罗兰-C一跳天波中不同模式随收发距离的变化规律，同时给出了模式干涉区域优势场量的分布情况.结果表明，对于昼夜混合模型，一跳天波中存在来自不同高度及昼夜突跳边界反射的多种模式，基于传统方法检测的幅度相位存在不稳定干涉效应，模式界定困难，而基于FFT/IFFT频谱相除算法能够将主要模式进行细化区分，从而获得更高精度、更平稳的模式特性.
本文基于SMIC 28 nm CMOS工艺设计了一款应用于超宽带协议的具有带外噪声抑制功能的全集成低噪声放大器（Low Noise Amplifier，LNA），并提出了一种新型的LC串并联两级滤波结构.通过利用滤波器极点补偿LNA带内增益的设计方法，合理设计滤波负载等效电路的极点，使其略高于零点频率，在保证了LNA通带增益和噪声的情况下提高了滤波深度.对所设计的LNA进行了EMX建模及仿真验证.结果表明，该LNA在 的工作频带内，S 21高达 ，S 11小于 ；S 22小于 ，带内噪声系数仅为 ；带阻滤波器在 处可提供 的噪声抑制；在 供电电压下，LNA的静态功耗仅为 .
应用第一性原理赝势法，构建了不同的阴极表面原子模型，并计算了功函数和吸附能.以
