随着网络空间重要性日益增强，其涵盖范畴也在不断延展.除了传统互联网支持全球网络空间互联互通之外，还存在不同形式的有限域网络，例如空间卫星网络、工业互联网、数据中心网络等. 这些有限域网络具有多样化的终端类型、接入方式、拓扑结构和业务场景，而传统互联网体系结构所采用的协议、传输格式和转发方式无法满足这些异构网络高效的互联互通发展需求.因此，实现互联网、空间卫星网络、工业互联网、高性能数据中心网络等异构网络的一体化融合是势在必行的发展趋势.本文针对一体化融合网络所面临的规模可扩展性和实时性两大挑战，采用演进创新的研究思路，设计了一种分域自治、可扩展的一体化融合网络体系结构，实现了域间协同和域内自治的大规模可扩展的架构，并通过富语义的层间接口支撑差异化业务跨域传输的服务质量需求.
在定位侦察任务中无人机编队协同的工作模式由于具有良好的定位效果和较强的鲁棒性，更加符合未来电子侦察的需求.本文在考虑定位精度的前提下，提出了一种基于主从式编队控制方案的无人机编队航迹规划方法.针对主机航迹规划，以稀疏A*算法为基础，将自适应步长与粒子群算法节点选取相结合提出混合A*算法，并针对障碍物群环境提出避障策略.针对从机航迹规划，提出一种改进的多目标量子粒子群（Improved Multi-objective Quantum-behaved Particle Swarm Optimization，IMQPSO）算法，将粒子混合更新策略、非劣解的优势选取策略和无人机Y型布站方案引入算法.经验证，改进后的算法综合适应度值相较于传统的多目标粒子群（Multi-objective Particle Swarm Optimization，MPSO）算法和多目标量子粒子群（Multi-objective Quantum-behaved Particle Swarm Optimization，MQPSO）算法在算法运行时间基本持平的情况下分别减小了4.7%和1.4%.
针对单干扰机生成的假目标会被多通道SAR（Synthetic Aperture Radar）系统抑制的问题，本文提出了基于多干扰机协同调幅的对抗方法.首先对多通道SAR的欺骗干扰抑制原理作了推导和分析，得到了单干扰机欺骗干扰失效的本质原因，在此基础上，建立了多干扰机的协同调制模型，进而推导出其反抑制条件，并且，从理论上详细推导并分析了干扰机数目对反抑制效果的影响情况.仿真结果表明，本文所提的多干扰机协同对抗方法能消除干扰信号的附加相位，使其获得与目标回波相同的雷达处理增益，继而有效反制干扰抑制作用，实现对多通道SAR的欺骗.
针对压缩空间维度算法后空域电磁场重构存在冗余计算导致效率较低，且缺少合理模型支撑积分运算，提出一种高斯-双指数混合分布函数拟合频域电磁信号包络的新方法.通过确定混合分布的关键系数与主要空间变量的映射关系，快速建立针对特定空间的混合分布函数.以函数模式代替信号包络，用随机分布方法指导自适应采样点的排列.通过与多种积分方法的比较，从采样点数和不同空间变量等多个维度，验证了所提方法具有更高的准确性和有效性.此方法在频域电磁信号积分的运算中都具有运用条件，对提高3D实时仿真、建立高速反演算法都有应用前景.
雷达通信一体化是近年来研究的热点之一，它能够在单一系统中同时实现目标探测和数据传输两种功能.本文提出了一种结构简单紧凑的基于光注入半导体激光器的雷达通信一体化方案.利用注入相位调制光信号的N阶调制光边带锁定从激光器，以提高主从激光器之间的相干性；通过改变从激光器单周期振荡频率和注入光信号，可以实现工作频段和倍频因子均可调谐的幅度键控线性调频（Amplitude Shift-Keying Linearly Frequency-Modulated，ASK-LFM）信号的生成，并通过实验和仿真验证了基于该信号的一体化系统的雷达与通信功能.实验结果表明，对于带宽为1 GHz的ASK-LFM信号，目标距离测量误差优于3.2 cm，3个探测目标成像结果可分辨且能够同时实现通信数据的正确传输.
针对现有相干分布源波达方向（Direction Of Arrival， DOA）估计方法计算量大、抗冲击噪声能力弱和不能有效去相干等难题，本文提出了一种冲击噪声下相干分布源多峰DOA估计方法，并推导了冲击噪声下相干分布源DOA估计的克拉美罗界.为了实现冲击噪声下相干分布源DOA估计，采用加权范数协方差抑制冲击噪声，进而首次推导出多峰加权信号子空间拟合方程，并设计了一种多峰量子秃鹰算法快速无量化误差求解.仿真结果表明，所提方法在冲击噪声下能够以较小的快拍数实现相干分布源DOA估计，且无需额外的解相干操作即可有效去相干.与一些已有的高精度DOA估计方法相比，所提方法仿真时间明显缩短，且具有更高的估计精度和估计成功概率，突破了已有相干分布源DOA估计方法的应用局限，可推广应用于其他复杂的DOA估计问题中.
针对带状栅栏覆盖中位置受限情况下的布站问题，本文提出了一种基于异构双基地雷达的优化布站方法. 该方法以异构双基地雷达布站模式及布站序列的性质为基础建立问题的优化模型.为了求解该模型，本文将优化模型分解为三层.内层固定异构发射器的位置，以该位置为界将栅栏覆盖区域分为两段，联合采用整数线性规划和贪婪方法确定单条栅栏的最小布站成本及布站序列；中间层在栅栏宽度固定的情况下，对所有可能的异构发射器位置计算最小布站成本，并确定单条栅栏的最小布站成本；外层引入两种布站策略确定栅栏宽度：一种是非等分策略布站方法，另一种是等分策略优化方法，并相应给出两种算法分别确定最小布站成本，子栅栏的布站序列和数量.最后通过仿真实验验证了这两种算法的可行性与有效性，实验结果表明非等分策略与等分策略相比，布站成本可降低6%，使用的发射器数量可减少10%.
数据中心网络广泛采用基于优先级的流量控制（Priority-based Flow Control， PFC）机制来避免因缓存溢出而丢包.然而，PFC机制在保证无损传输的同时带来了队头阻塞和拥塞扩散等负面影响.近年来，一些具备端到端拥塞感知能力的传输控制协议被提出来，有效缓解了网络拥塞，减少了PFC的触发.但是在突发流量造成的瞬时拥塞场景下，这些研究工作仍会使得PFC频繁触发而导致严重的队头阻塞和拥塞扩散.针对该问题，在端到端拥塞控制基础上，提出了一种实现于交换机上的直接拥塞通告解决方案（Direct COngestion Notification， DCON），该方案在突发拥塞场景下能及时识别出与非拥塞流（与造成拥塞无关的流）共享入端口的拥塞流（真正造成拥塞的流），并从交换机直接通告发送端对该拥塞流精确地降速.实验结果表明，相比于现有的端到端拥塞控制传输协议，DCON有效避免了PFC的队头阻塞和拥塞扩散，平均流完成时间的最大降幅达到55%.
深度学习方法在合成孔径雷达（Synthetic Aperture Radar， SAR）目标识别方面表现良好，但是这些深度模型往往需要大量训练数据来对模型参数进行优化，否则经常会遇到严重的过拟合问题，导致目标识别准确率低，模型泛化能力差.针对上述问题，基于元学习框架，提出了针对小样本条件下SAR目标识别的特征注意力融合元残差网络.在该方法中，基于残差网络设计了全新的学习器，通过利用残差结构，有效传递SAR图像的对比度信息，提高目标识别准确率，而且多尺度特征注意力融合模块通过注意力机制，融合不同残差层特征，为目标识别提供更丰富的特征信息.改进的元学习器不仅能够为学习器学习到易于优化的初始化参数，而且能够为学习器的每一个参数学习一个不同但是合适的学习率.与其他三种小样本目标识别方法在MSTAR数据集上进行对比实验，结果表明本文方法提高了小样本条件下SAR目标识别方法的识别准确率和识别模型的泛化性能.对所提方法进行了鲁棒性验证实验，网络结构消融实验，并展示了元学习器为学习器参数学习到的不同但是合适的学习率.
目前的三维模型分类方法均是对初始姿态已经对齐的数据集进行分类，但是在实际应用中，三维模型的姿态是未知的，非对齐的三维模型将导致分类准确率急剧下降. 本文提出了一种新的三维模型分类方法，适用于模型姿态对齐和非对齐两种情况. 该方法采用图卷积神经网络（Graph Convolutional neural Network，GCN）学习视图间的空间关系，将预先设置好的相机位置作为图结构中的顶点，并通过时序特征提取网络以及注意力网络进一步提升GCN的运算效果，从而完成三维模型的分类. 实验表明，该方法在ModelNet10和ModelNet40数据集上进行实验，在三维模型姿态对齐的情况下，分类准确率分别高达99.3%和97.4%，远高于现有方法. 在三维模型姿态非对齐的情况下，也有较高的分类准确率.
针对基于路径分裂策略辅助极化码串行抵消列表（Path Splitting Selecting strategy based on Search Set under the Successive Cancellation List，PSS-SS-SCL）译码算法性能的不足，提出了一种利用增强型奇偶校验码改进PSS-SS-SCL译码算法的EPC-MS-SCL（Enhanced Parity Check and Monte Carlo Segment aided Successive Cancellation List）译码算法.该算法在极化码编码阶段对信息序列做分段处理，在每段末尾添加增强型奇偶校验码，译码器仅在译码搜索集内元素时进行路径分裂，其余元素直接执行硬判决译码，并在译码完一段序列后立即对该段进行校验，仅保留通过校验的路径，从而减少了错误路径对正确路径的竞争，使正确路径保留到译码结束的概率增加，改善了译码性能，同时减少了译码列表数，使得译码复杂度更低.仿真结果表明，与PSS-SS-SCL译码算法相比较，所提出算法能在一定程度上改善其性能增益且具有更低的译码复杂度.
在水下环境中，悬浮的颗粒会对光造成散射和波长相关的衰减，使水下图像呈现出颜色失真、对比度低等问题．针对上述问题，本文提出一种基于双重残差混合注意力模块的水下图像增强方法（Dual Residual Hybrid Attention Underwater Image Enhancement method，DRHA-UIE）．该方法采用改进的双重残差块完成特征学习，并通过在双重残差块中引入混合注意力模块，沿通道和空间两个维度对特征进行注意力权重推断，以捕获显著特征．本文设计结合像素级损失、结构相似性损失和内容感知损失的联合特征损失函数，以获得具有更精细纹理的增强图像．此外，本文应用水下图像形成模型（Image Formation Model，IFM）对水下图像基准数据集（Underwater Image Enhancement Benchmark dataset，UIEB）进行优化，获得了具有更高视觉质量的N-UIEB（New-UIEB）数据集，实验表明，相较于UIEB数据集，基于N-UIEB训练得到的增强图像具有更自然的颜色和更清晰的细节．为验证本文方法的有效性，将本文方法与主流的10种方法进行测试和比较，结果表明，DRHA-UIE方法有效提高了图像对比度并恢复了图像颜色，在与水下图像增强算法的定量比较中获得了最优的性能．
为了提高不同噪声影响下机动目标跟踪的性能，提出了一种基于最小模糊误差熵无迹滤波（Minimum Fuzzy Error Entropy Unscented Filter， MFEE-UF）机动目标跟踪新方法.在提出方法中，通过引入模糊隶属度表示不同误差样本对估计结果的不同影响，构建最小模糊误差熵准则（Minimum Fuzzy Error Entropy Criterion， MFEEC），解决了普通误差熵中的权重单一化问题，并利用该准则优化无迹滤波；在推导MFEE-UF过程中，首先利用无迹变换（Unscented Transformation， UT）框架得到先验状态估计和先验协方差估计，并通过系统重建得到误差信息，再根据MFEEC构建目标函数，最后利用定点迭代法递归求得后验状态估计结果和后验协方差估计.此外，本文采用一种自适应的核宽设置方法.实验结果表明，该算法能够具有良好的目标跟踪效果，且表现出较强的稳定性.
为提高卫星蓄电池组的智能化管理能力水平，提出了一种基于深度强化学习的卫星冗余电池均衡控制策略.训练智能体根据蓄电池组当前的运行状态给出动作，改变单体电池的投入状态和数量，实现单体之间容量均衡，减小母线电压变化范围并减少开关调节次数.在MATLAB\Simulink和OpenAI的gym环境中分别搭建了电池组仿真环境对智能体进行了训练，通过算例检验了该策略的可行性并与基于阈值的控制方法进行了比较，证明了方法可以有效的实现电池间均衡并减小母线电压的变化范围.
针对现有的超声波测风仪测量精度不高、受环境温湿度及阴影效应等因素影响较大等问题，提出了一种基于二次相关的互射式三阵元超声波测风方法.所提方法采用三阵元互射式阵列结构并结合二次相关的时延估计算法进行超声波传播时间测量，进而根据超声波传播时间与风速风向的关系得到风速风向值.所提方法具有较强的噪声抑制能力，而且可减小阴影效应及消除温湿度对风速风向测量的影响.通过模拟仿真实验以及搭建的互射式三阵元超声波测风系统对所提方法进行了有效性验证和实测数据验证.实验结果表明，与正交对射式测量方法、阵列式测风方法以及基于一次相关的互射式三阵元测风方法相比，所提方法具有更高的测风精度.在实测实验中风速测量的相对误差为2.38%、风向测量的误差为2.3°，基本达到了超声波测风的技术要求.
预加重作为解决发射端LED调制带宽限制问题的技术，在以往的研究中存在电路设计复杂、功耗大且效率低的问题.针对上述问题，本文从频域分析角度出发，基于预加重技术的原理提出了分频预加重电路，通过仿真与实验实现分频预加重电路并与预加重电路进行对比验证.仿真与实验表明，所提出的分频预加重方案在可见光通信中实现了与预加重电路相同的频率响应补偿效果，有效降低了驱动电路的复杂度和功耗.证明了分频预加重技术在基于可见光通信的LED驱动电路中实现低功耗集成的可行性.
针对高维度变量的优化问题，本文设计了一种基于非线性跨代差分进化的花授粉优化算法.该算法利用跨代差分进化引导个体逼近最优解，使算法的局部搜索过程具备导向性，并设置非线性惯性权重提升算法的搜索收敛速度.同时，通过参数自适应调整实现缩放因子和交叉概率的动态更新，从而提高种群丰富度、减少局部解的数量，再结合跨代赌轮盘方式以降低陷入局部最优解的概率.仿真验证表明，该算法能够在不同维度测试函数下保持较好的寻优特性和稳定性，尤其在高维度测试函数下的寻优性能更好.同时，本文以工业互联网中的无人机智能巡检的路径规划为例，评估了算法在实际应用中的性能.实验结果表明该算法可以满足巡检路径规划的低成本、高效率和规避外部攻击的需求.
为了解决移动边缘计算网络中不断增加的用户计算需求与有限的计算和通信资源之间的矛盾，以及在处理用户的计算任务时公平性难以得到保证等问题，本文针对基于多天线NOMA（Non-Orthogonal Multiple Access）的移动边缘计算网络，提出了一种保证用户公平性的计算卸载策略.通过联合优化用户的分簇、NOMA簇的解码顺序、用户的发送功率、用户的CPU处理频率和传输时间，建立了一个系统公平计算效率最大化问题.考虑到优化问题的非凸性，将其分解为两个阶段进行求解.在第一个阶段中，设计了一种有效的启发式算法来实现用户的分簇，并根据分簇的结果来确定NOMA簇的解码顺序；在第二个阶段中，提出了一种基于Dinkelbach方法和连续凸逼近（Successive Convex Approximation，SCA）方法的迭代算法来获得用户的发送功率、用户的CPU处理频率和传输时间.仿真结果表明了所提出的方案具有较好的收敛性，且与几个基线方案进行对比，能够实现更加优越的系统性能.
为了更好求解工程设计约束优化问题，进一步提升JAYA算法的全局寻优和应用能力，提出一种基于多角色差异进化策略的改进JAYA算法.首先引入余弦相似度策略，通过旋转变换算子和非均匀变异算子对与最优个体余弦相似度较高的个体位置进行处理，不仅加快了算法的收敛速度，而且丰富了种群的多样性；然后在个体位置更新中采用多角色策略，并引入共生策略和柯西变异机制，有效平衡和较好满足了算法在不同迭代时期对探索和挖掘能力的不同需求，进而改善了算法的优化性能；最后引入小孔成像反向学习策略，则扩大了算法的搜索范围，进一步提高了算法的收敛性和精度.通过对10个复杂标准测试函数进行的多维度、多算法函数极值优化，以及对5个CEC2020中描述的更具挑战性的复杂工程设计问题的优化求解，都清楚地表明改进后算法的寻优精度、收敛性能、求解稳定性及对不同问题的适用性和有效性均有显著提升，在求解工程设计优化问题上有较为明显的优势.
针对SAR（Synthetic Aperture Radar）图像舰船目标检测结果虚警率和漏检率较高的问题，本文提出一种基于选择性坐标注意力机制的舰船目标检测算法. 该算法以新的选择性坐标注意力机制为基础，首先通过不同卷积核的特征提取分支对舰船目标进行特征提取；然后融合所有分支的特征，并沿融合后特征的不同空间方向进行编码形成两个一维特征向量，以捕获空间方向上特征的位置信息；最后利用这一对方向和位置敏感的特征向量编码形成“门”机制，对各分支不同大小感受野提取的特征选择性地加权融合，以增强舰船目标的特征表示. 本文以SSD（Single Shot MultiBox Detector）作为基础检测算法首先在SSDD（SAR Ship Detection Dataset）数据集上进行实验，实验结果表明，选择性坐标注意力机制相较于其他注意力机制能有效提升网络模型对舰船目标的检测能力，同时，基于选择性坐标注意力机制改进的SSD舰船目标检测算法平均检测精度达到了94.20%，较原SSD算法提升了4.45%. 此外，通过在其他两个舰船数据集上的进一步测试，反映改进算法具有较好的泛化性，其综合性能优于其他对比目标检测算法.
时间序列具有非线性和不稳定性等特点，当前时间序列预测研究面临模型训练参数多、泛化能力差等挑战，其预测精度无法保证.基于此，本文提出一种基于全局最优的麻雀搜索算法（Globally Optimal Sparrow Search Algorithm，GOSSA）和隐马尔可夫模型（Hidden Markov Model， HMM）相融合的时间序列预测模型（GOSSA-HMM）.根据隐马尔可夫模型在模式识别和分类上的优势，对原始数据做差值处理并划分类别属性，以此作为隐马尔可夫模型的输入.采用全局最优的麻雀搜索算法对隐马尔可夫模型的参数进行训练，以解决参数训练过程中存在的收敛速度慢，对初始值设置敏感的问题.将赋予类别属性的差值数据进行分段，利用改进之后的隐马尔可夫模型测算每段序列走势的概率，从与当前数据走势相匹配的过去数据集中定位相同的模型实现预测.通过对山东半岛15个海洋牧场的溶解氧数据进行预测分析，结果表明与当前主要时间序列预测算法相比，GOSSA-HMM训练的参数较少，计算成本较低，具有更好的预测精度和泛化能力.
针对滞后效应明显、样本量小的数据集，为解决单一算法模型预测精度低、泛化能力差的问题，提出了一种基于等距特征映射算法（Isometric Feature Mapping， ISOMAP）、少数类过采样技术（Synthetic Minority Oversampling Technique， SMOTE）、遗传算法（Genetic Algorithm， GA）、支持向量回归（Support Vector Regression， SVR）的组合模型ISGS（ISOMPA-SMOTE-GA-SVR）. 首先，利用ISOMAP和SMOTE算法对滞后效应明显、样本量较小的数据集进行特征变换. 其次，利用SVR算法较强的非线性分类能力及泛化能力对数据集进行回归分析. 最后，利用GA算法对SVR算法的参数进行优化，以提升模型的预测精度. 采用气象因素、空气质量、呼吸系统发病人数三组数据集，基于ISGS模型进行了发病人数预测的仿真实验和对比实验. 实验结果表明，该模型预测精度和准确率较传统模型均有所提高，预测精度达到93.65%（传统单一模型83.481%）. 同时具有更好的泛化能力，能够更好地处理高维度、小样本数据集.
本文实验采用水热生长法，成功制备了以ZnO纳米线为光感应栅极的高电子迁移率晶体管HEMT（High Electron Mobility Transistor）器件.对HEMT进行源漏（S/D）下刻蚀，刻蚀深度为120/150 nm，探究不同S/D刻蚀深度对器件性能的影响.同时，利用磁控溅射法在栅电极沉积ZnO晶籽层，在80℃温度下控制水热生长时间分别为6/8/10 h，探究不同水热生长时间对ZnO纳米线表面形貌以及HEMT紫外探测性能的影响.结果表明，相较于常规结构器件，ZnO纳米线栅极器件在350~450 nm波长范围内具有更高的光吸收率.同样的水热生长时间下，刻蚀深度为150 nm时源漏饱和电流相较于120 nm器件较小，但黑暗/紫外光照下的饱和电流差值更大，最大达到了8 mA，对紫外光表现出更高的探测效率.水热生长时间控制为6 h时纳米线生长形貌良好，且在该生长时间下刻蚀深度为150 nm时，器件光响应/恢复时间达到了最小值，分别为0.005 7 s、2.128 s.
圆片级真空封装是提高微电子机械系统（Micro-Electro-Mechanical Systems，MEMS）电场传感器品质因数及批量化制造效率的重要途径. 本文提出了一种基于绝缘体上硅（Silicon On Insulator， SOI）-玻璃体上硅（Silicon On Glass，SOG）键合的圆片级真空封装MEMS电场传感器，设计并实现了从传感器敏感结构制备到真空封装的整套圆片级加工工艺. 本文建立了传感器的结构电容模型，进行了有限元仿真，分析了传感器的特性，突破了传感器微结构制备与释放、SOI与SOG键合等工艺技术难点. 该传感器具有工作电压低、品质因数高的突出优点. 实验结果表明，工作电压仅为5 V直流与0.05 V交流电压. 在60天测试过程中，传感器品质因数始终保持在5 000以上. 在0~50 kV/m范围内，传感器灵敏度为0.15 mV/（kV/m），线性度为2.21%，不确定度为4.74%.
基于深度学习的雷达回波外推是实现短临降水预报的重要方法，由于雷达回波数据具有显著的非刚性的运动特征，使得数据的统计特性随时间在不断变化，意味着其具有高阶非平稳性，而现有深度学习方法难以捕捉回波序列的非刚性运动特征，且难以建模雷达数据的高阶非平稳性.为此，本文针对雷达数据特征提出了一种新的时空融合网络STUNNER（Spatio-Temporal Fusion Neural Network）.STUNNER设计了一种两路时空融合架构，通过交叉连接时间差分网络和时空轨迹网络实现高效的雷达回波外推.时间差分网络通过引入差分的思想提取高阶非平稳数据中平稳性特征来学习雷达回波的长期趋势，时空轨迹网络利用动态卷积将卷积循环神经网络中普通卷积固定的参数采样位置优化为随时间变化的动态位置来提取雷达回波的瞬时变化，同时采用两路融合策略将长期趋势与瞬时变化融合，实现长短时关联记忆.所提模型与其他四个模型在两个公开数据集上进行了实验对比.在雷达回波外推任务中当雷达反射率阈值为45 dBZ时，STUNNER在POD （Probability Of Detection）、CSI（Critical Success Index）、FAR（False Alarm Rate）上相比MIM（Memory In Memory）分别优化了0.020，0.023，0.043.实验结果表明新模型在处理雷达回波外推任务上具有更高的准确率.
针对现有光流计算方法在大位移和运动遮挡等场景下光流估计的准确性与鲁棒性问题，提出一种基于遮挡优化的金字塔块匹配光流估计方法.首先利用金字塔块匹配模型得到初始匹配运动场，构造遮挡检测模型优化匹配运动场，去除初始匹配运动场包含的误匹配点以获取鲁棒稀疏运动场；然后设计边缘约束的鲁棒插值算法获取稠密光流场，并构建全局能量泛函解决局部最优问题，得到最终的鲁棒稠密光流场.最后分别利用Middlebury、MPI-Sintel和KITTI数据集提供的测试图像序列对本文方法和具有代表性的变分光流估计方法、匹配插值光流估计方法、卷积神经网络光流估计方法进行对比分析.实验结果表明本文方法对大位移和运动遮挡场景光流估计的准确性与鲁棒性具有明显的提升效果.
现有的KP-ABE（Key-Policy Attribute-Based Encryption）方案主要通过哈希函数实现对大属性空间的支持，安全性建立在随机预言模型下而非标准模型下；计算每个属性对应的密文子项或密钥子项，指数运算次数大于最大加密属性个数；不支持数据和用户安全分级.针对上述问题，本文提出了一种支持大属性空间和安全分级的KP-ABE方案.该方案通过编码函数而不是哈希函数将任意“属性名称：属性值”编码映射至有限域中的一个元素，实现对任意“属性名称：属性值”的支持并确保任意两个不同“属性名称：属性值”的编码值不同；结合强制访问控制思想，方案对密文和用户赋予不同的安全等级，只有用户安全等级不低于密文的安全等级时用户才能解密.最后对本文方案进行了安全性和性能分析，在标准模型下证明了该方案针对选择明文攻击是安全的；性能分析表明，所提出方案只需要进行2次指数运算，就能完成一个属性对应的密文子项或密钥子项的计算.
图像去雾是计算机视觉领域中一个经典并具有挑战性的研究方向.近年来，基于深度学习的方法在图像去雾领域取得了显著的成绩.然而，大多数去雾算法依赖于合成配对数据训练网络，由于合成数据与真实有雾数据在分布上存在一定的差距，从而限制了这类去雾方法的实际应用.目前基于CycleGAN网络框架的去雾算法将图像去雾视为一般性图像转换问题，忽视了生成器学习的有效性；此外，在恢复图像时缺乏对于局部区域的探索，构建的网络结构中仅采用一阶通道注意力，忽略了深层次通道相关信息的有效利用.为此，本文提出一种基于双判别器异构CycleGAN框架下多阶通道注意力校准的室外图像去雾算法，该方法主要包含双判别器异构循环框架和多阶通道注意力模块.具体来说，双判别器异构CycleGAN框架通过异构批归一化的生成器和约束生成器局部视野的方式，提升算法的收敛效果和增加局部区域关注.为了进一步挖掘对于图像去雾至关重要的特征通道信息，本文通过引入一阶、二阶特征统计量提出了多阶通道注意力模块，从而提升去雾图像的视觉质量.实验结果表明，在公开合成和真实室外数据集上，本文提出的去雾方法相比现有的8种优秀的去雾算法，取得了最好的客观评价指标和视觉效果.
针对工业故障诊断中设备故障数据采集困难，目标故障样本少的问题，现有的零样本故障诊断方法仍依赖于故障数据集，本文提出了一种基于迁移学习的零样本故障诊断方法.通过经典的主成分分析算法，构建了一个适用于源域和目标域的判别属性提取器，用于提取源域数据样本潜在的细粒度特征表示，将其作为知识迁移的桥梁.利用源域故障数据获得所有已知故障类的共享细粒度基组，并将其作为知识迁移到目标域故障表示中.从共享细粒度基组学习源域和目标域的判别矩阵，构建各自的判别性特征，最终利用判别性属性实现零样本的故障诊断.基于田纳西-伊斯曼过程（Tennessee Eastrman Process，TEP）数据集，实验对本文方法和其他零样本故障诊断方法进行对比，实验结果验证了本文方法对零样本故障检测的有效性.
在5G的海量机器类通信（massive Machine Type Communication，mMTC）物联网环境下，存在跨安全域的公钥加密体制PKI（Public Key Infrastructure）的物联网用户对无证书加密体制CLC（CertificateLess Cryptosystem）的物联网设备跨域安全通信问题.本文基于用户口令、生物特征和用户智能设备等组成的三因子和国密SM2的加密和签名算法，提出三因子跨域签密的访问控制方案（Three-factor Cross-domain Signcryption Access Control scheme for IoT environment，TCSAC-IoT），用于在跨安全域的情况下实现PKI物联网用户对CLC物联网设备跨域安全通信.方案通过三因子跨域签密算法对PKI物联网用户进行认证，对合法的PKI物联网用户建立与CLC物联网设备之间的共享秘钥，避免非法用户对CLC物联网设备资源非法访问，并在真实或随机ROR（Real-Or-Random）模型下证明了该方案在DY（Dolev-Yao）模型和CK（Cantti-Krawczyk）模型下满足语义安全性，同时具有抗伪装攻击、抗重放攻击、抗中间人攻击、抗内部特权攻击和抗盗用或丢失PKI用户智能设备攻击，与类似方案对比分析的结果表明本方案有较低的计算开销和通信开销.
遥感场景下的高实时目标检测任务具有重要的研究价值与应用意义. 针对当前遥感图像目标检测模型由于目标多角度、排列密集以及背景复杂从而导致检测速度慢的问题， 提出一种级联式逆残差卷积结构（Cascaded Inverted Residual Convolution， CIRC）. 该结构采用深度可分离卷积作为基本卷积单元， 快速提升模型计算能力； 在此基础上， 通过转置通道矩阵与级联深度卷积， 并增加残差连接层数， 达到强化目标多维特征的目的；进一步，进行多级模块堆叠， 提高模型对目标的检测效果. 本文在RetinaNet基础上， 利用CIRC设计了一个快速的轻量化目标检测网络—CIRCN（Cascaded Inverted Residual Convolution Net）. 同时， 在训练阶段引入角度变量并参与反向传播， 在推理阶段对水平框加入角度偏置， 有效提高定向目标与检测框匹配度. 在DOTA数据集上的实验结果表明， CIRCN在精度略受损失的情况下， 检测速度达到42 fps， 比基准算法提高了3.5倍. 结果验证了所提算法的有效性与可靠性.
可视图是将时间序列转换成复杂网络的重要方法之一，也是连接非线性信号分析和复杂网络之间的全新视角，在经济金融、生物医学、工业工程等领域均应用广泛.可视图的拓扑结构继承了原始时间序列的重要性质，稳定且易于实现，通过可视图网络的相关统计特性，可区分特定时间序列数据下的特定行为.首先本文介绍了可视图方法在时间序列复杂网络分析中的相关研究，并通过必要性与可行性分析，充分说明可视图方法的优势所在.然后本文阐述了经典可视图和水平可视图方法的具体步骤及主要性质，从算法的过程改进、效率提升和可视图应用几个方面对现阶段可视图相关研究进行综述，介绍了众多可视图方法的基本过程，分析了可视图算法的识别抗噪能力和建网效率，并归纳整理了这些可视图方法的主要特性与适用范围.另外，本文复现了目前几种主流可视图算法，并公开相关的算法代码以供参考使用.通过对可视图相关研究的综述分析，可了解现阶段可视图的主要研究方向，为未来相关研究提供思路，并为时间序列复杂网络分析奠定基础.
