随着智能制造、智能交通等重大国家战略实施，确定性成为信息网络尤其是行业专网的新焦点.现有确定性网络技术始终关注网络传输要素（带宽、时隙等）来保障数据流的确定性传输.然而，仅靠保障传输要素无法支撑新兴行业应用的多样化需求.例如，在算网融合场景，智算任务要求同时保障传输与计算要素的确定性来实现高性能通信；在绿色通信场景，需要考虑节点能量要素的确定性以维持网络稳定运行.针对上述需求，本文基于前期提出的标识网络技术，研究面向传输、计算、存储、能量等多要素的广义确定性网络.首先提出广义确定性标识网络架构，包括差异化服务层、异构融合网络层和智慧化适配层.差异化服务层和异构融合网络层，分别实现差异化确定性应用需求和异构化确定性网络要素的统一标识和描述，并通过标识解析映射实现确定性信息向智慧化适配层的统一封装和传递；智慧化适配层完成差异化确定性应用需求和异构化确定性网络要素的适配.现有确定性资源适配方法，即使仅考虑单一网络内的基本确定性要素，仍面临计算时间长、求解复杂性高、灵活度低等问题，为了支持更加复杂的多确定性要素、多种异构网络的协同适配，设计了基于深度强化学习的端到端的确定性调度（End-to-end Deterministic resource scheduling，E2eDet）算法，该算法可统一化、端到端地为混合数据流协同分配多种确定性网络资源，满足不同应用的差异化确定性需求.实验表明，E2eDet比DeepCQF和Random算法分别提升了28.4%和6.38倍数据流调度数量，同时E2eDet可以较好地权衡计算时间和调度能力.
云际计算是支持公有云、私有云、边缘云和微云等异源异质云服务以自主对等方式纵横协作共赢的新型计算模式，可为独立云服务实体间行为交互、信任构建和贡献度量等提供防篡改、可追溯能力支持，进而最大限度削弱阻碍不同利益攸关者协作的不确定性因素.提升云际协作意愿和效率需要基于何种机理进行何种机制创新，是云际计算成长演化中需要进一步阐述的新问题.本文首先以基于“数字空间证据”构建或增强信任关系为设计原则，提出了基于区块链的云际分布记账软件定义模型，并系统阐述了分布记账支撑云际服务独立性、可审计性以及释放云际协作潜能的内在机理；其次，面向云际复杂交互行为，深化并固化了云际分布记账运行逻辑流程及关键环节的设计，避免其在错综复杂要素综合作用下呈现不确定冲突和矛盾；再次，针对数据要素流通及复杂异步交互场景，细化并优化了云际分布记账合约逻辑模型；最后，论述了以分布共识、智能合约等为代表的云际分布记账核心技术及相应指标的现状，并对关键技术的目标属性体系、前瞻性挑战等进行了展望.
低照度条件下拍摄的照片往往存在亮度低、颜色失真、噪声高、细节退化等多重耦合问题，因此低照度图像增强是一个具有挑战性的任务.现有基于深度学习的低照度图像增强方法通常聚焦于对亮度和色彩的提升，导致增强图像中仍然存在噪声等缺陷.针对上述问题，本文提出了一种基于任务解耦的低照度图像增强方法，根据低照度图像增强任务对高层和低层特征的不同需求，将该任务解耦为亮度与色彩增强和细节重构两组任务，进而构建双分支低照度图像增强网络模型（Two-Branch Low-light Image Enhancement Network，TBLIEN）.其中，亮度与色彩增强分支采用带全局特征的U-Net结构，提取深层语义信息改善亮度与色彩；细节重构分支采用保持原始分辨率的全卷积网络实现细节复原和噪声去除.此外，在细节重构分支中，本文提出一种半双重注意力残差模块，能在保留上下文特征的同时通过空间和通道注意力强化特征，从而实现更精细的细节重构.在合成和真实数据集上的广泛实验表明，本文模型的性能超越了当前先进的低照度图像增强方法，并具有更好的泛化能力，且可适用于水下图像增强等其他图像增强任务.
针对主流Transformer网络仅对输入像素块做自注意力计算而忽略了不同像素块间的信息交互，以及输入尺度单一导致局部特征细节模糊的问题，本文提出一种基于Transformer并用于处理视觉任务的主干网络ConvFormer.ConvFormer通过所设计的多尺度混洗自注意力模块（Channel-Shuffle and Multi-Scale attention，CSMS）和动态相对位置编码模块（Dynamic Relative Position Coding，DRPC）来聚合多尺度像素块间的语义信息，并在前馈网络中引入深度卷积提高网络的局部建模能力.在公开数据集ImageNet-1K，COCO 2017和ADE20K上分别进行图像分类、目标检测和语义分割实验，ConvFormer-Tiny与不同视觉任务中同量级最优网络RetNetY-4G，Swin-Tiny和ResNet50对比，精度分别提高0.3%，1.4%和0.5%.
相对于采用固定网络参数值的有监督深度降噪模型而言，无监督的深度图像先验（Deep Image Prior，DIP）降噪模型更具灵活性和实用性.然而，DIP模型的降噪效果远低于有监督降噪模型（尤其是在处理人工合成噪声图像时）.为进一步提升DIP降噪模型的降噪效果，本文提出了双通道深度图像先验降噪模型.该降噪模型由噪声图像预处理、在线迭代训练和图像融合3个模块组成.首先，利用BM3D和FFDNet两种经典降噪方法对给定的噪声图像进行预处理，得到2张初步降噪图像，然后，将原DIP单通道逼近目标图像架构拓展为双通道工作模式.其中，第一通道以FFDNet初步降噪图像和噪声图像为双目标图像，第二通道则以BM3D预处理图像和噪声图像为双目标图像.在此基础上，按照标准的DIP在线训练方式让DIP网络输出图像在两个通道上分别逼近各自的目标图像，同时依据基于边缘能量定义的伪有参考图像质量评价值适时终止迭代过程，从而获得2张中间生成图像.最后，使用结构化图块分解融合算法将两张中间生成图像融合并作为最终的降噪后图像.实验数据表明，在合成噪声图像上，本文提出的双通道深度图像先验降噪模型在各个噪声水平上显著优于原DIP及其他无监督降噪模型（提升了约2.2 dB），甚至逼近和超过了新近提出的主流有监督降噪模型，这充分表明了本文提出的改进策略的有效性；在真实噪声图像上，本文提出的降噪模型优于排名第二的对比降噪方法约2 dB，展现出其在实际应用场景下独有的优势.
时间反转传输技术的空时聚焦特性能够有效地提升通信系统的性能.本文设计了一种将时间反转技术应用于直扩通信系统的方案，并对多径衰落信道下单用户和多用户系统的接收信干噪比、系统容量、误比特率等性能进行了理论分析与仿真验证.理论与仿真结果表明，通过时间反转预处理，直扩通信系统的性能得到了改善，且优于复杂度较高的多通道Rake接收的系统，且多径数目越多，优势越明显.
由于低照度图像具有对比度低、细节丢失严重、噪声大等缺点，现有的目标检测算法对低照度图像的检测效果不理想.为此，本文提出一种结合空间感知注意力机制和多尺度特征融合（Spatial-aware Attention Mechanism and Multi-Scale Feature Fusion，SAM-MSFF）的低照度目标检测方法.该方法首先通过多尺度交互内存金字塔融合多尺度特征，增强低照度图像特征中的有效信息，并设置内存向量存储样本的特征，捕获样本之间的潜在关联性；然后，引入空间感知注意力机制获取特征在空间域的长距离上下文信息和局部信息，从而增强低照度图像中的目标特征，抑制背景信息和噪声的干扰；最后，利用多感受野增强模块扩张特征的感受野，对具有不同感受野的特征进行分组重加权计算，使检测网络根据输入的多尺度信息自适应地调整感受野的大小.在ExDark数据集上进行实验，本文方法的平均精度（mean Average Precision，mAP）达到77.04%，比现有的主流目标检测方法提高2.6%~14.34%.
街道场景视频实例分割是无人驾驶技术研究中的关键问题之一，可为车辆在街道场景下的环境感知和路径规划提供决策依据.针对现有方法存在多纵横比锚框应用单一感受野采样导致边缘特征提取不充分以及高层特征金字塔空间细节位置信息匮乏的问题，本文提出锚框校准和空间位置信息补偿视频实例分割（Anchor frame calibration and Spatial position information compensation for Video Instance Segmentation，AS-VIS）网络.首先，在预测头3个分支中添加锚框校准模块实现同锚框纵横比匹配的多类型感受野采样，解决目标边缘提取不充分问题.其次，设计多感受野下采样模块将各种感受野采样后的特征融合，解决下采样信息缺失问题.最后，应用多感受野下采样模块将特征金字塔低层目标区域激活特征映射嵌入到高层中实现空间位置信息补偿，解决高层特征空间细节位置信息匮乏问题.在Youtube-VIS标准库中提取街道场景视频数据集，其中包括训练集329个视频和验证集53个视频.实验结果与YolactEdge检测和分割精度指标定量对比表明，锚框校准平均精度分别提升8.63%和5.09%，空间位置信息补偿特征金字塔平均精度分别提升7.76%和4.75%，AS-VIS总体平均精度分别提升9.26%和6.46%.本文方法实现了街道场景视频序列实例级同步检测、跟踪与分割，为无人驾驶车辆环境感知提供有效的理论依据.
卷积神经网络（Convolutional Neural Network，CNN）和Transformer的混合架构能够有效建模图像的局部与全局特征，已成为遥感图像变化检测任务的主流网络.然而这类网络仍面临着一些挑战.CNN分支中的卷积和池化运算通常会抑制遥感图像中的高频信息，降低目标边界的精度；此外，Transformer分支对图像像素进行等同长程依赖关系建模，忽略了变化目标的形状及语义关联信息，导致网络对变化目标特征的表达不足.为解决上述问题，提出了基于边缘引导和动态可变形Transformer的遥感图像变化检测网络.在CNN分支中设计了边缘信息引导模块，利用高频信息增强目标区域的边缘信息，从而改善变化目标的轮廓精度.同时设计了一种新颖的动态可变形Transformer，能够自适应地匹配形状不同的变化目标，选择与变化相关的特征建模长程依赖关系，以提高网络的特征表达能力.实验结果表明，提出的方法在三个公开数据集LEVIR-CD、CDD和DSIFN-CD上显著提高了检测精度，在变化目标的边界精度和内部完整性方面都明显优于当前的主流网络.
正电子发射断层成像（Positron Emission Tomography，PET）在很多疾病的早期诊断中有重要的作用，PET图像重建的难点之一是如何在保持重建图像中病灶边缘特性的同时具有良好的去噪性能.针对此问题，本文提出了一种结合图拉普拉斯正则化和深度图像先验的PET图像核重建方法.设计了改进的U-net神经网络，将PET前向投影模型中的核系数表示为神经网络的输出；通过先验图像构建图拉普拉斯矩阵，重建问题被建模为基于神经网络的带图拉普拉斯正则化项的最大似然函数优化问题.利用优化转移方法导出了收敛的迭代重建算法，每一次迭代包括由核重建方法更新图像和利用神经网络更新核系数两个步骤.仿真和临床实验结果表明，本文提出的方法在不同的指标下都有更好的重建效果，优于已有核重建方法以及最新的基于深度系数先验的重建方法.
受噪声或随机细节、目标和背景的大小比例、成像时的点扩散等不同因素的影响，许多图像的灰度直方图呈现为无模态、单模态、双模态或者多模态样式.为了在统一框架内处理这4种不同模态情形下的自动阈值选择问题，本文提出了一种多向加权Tsallis熵最大化导向的自动阈值分割方法（Multi-directional Weighted Tsallis Entropy，MWTE）.基于新设计的反正切方向性卷积核的多尺度乘积效应，该方法将不同模态的灰度直方图转化为统一的单模态右偏灰度直方图.在4个不同方向上提取出这种特殊的单模态右偏灰度直方图后，通过多向加权策略构建出与原始图像灰度值紧密相关的加权Tsallis熵目标函数，并以该目标函数取最大值时对应的灰度值作为最终分割阈值.本文将提出的方法和3个阈值分割方法、1个软分割方法、1个活动轮廓分割方法以及1个自动聚类分割方法进行了比较.在4种不同模态情形下的4幅合成图像和50幅真实世界图像上的实验结果表明，本文提出的方法虽然在计算效率方面不占有优势，但它对不同模态的测试图像具有更稳健的分割适应性，且在量化分割精度所用的马修斯相关系数方面优于其他6个分割方法.
不可区分混淆（indistinguishability obfuscation， ）的构造问题是多年来一直困扰密码学研究的一个难题.现有的基于多线性映射、函数加密、全同态加密等密码学原语的 构造均存在不同程度的安全性问题，且存在构造过程不易实现、电路扩展效率不高等缺陷.本文从电路的自动化搜索的全新角度审视 的设计问题，将电路设计映射到图神经网络构造问题中，基于图神经网络的自动演化技术，探索了一种可以实现限定性满足不可区分性和功能保持性的通用 构造方法：AG （Adversarial Graphweualietwork based ）.该 的基本架构基于对偶的对抗性图神经网络架构，针对任意给定输入电路，通过图枚举得到备用的电路样本集合，然后使用以子电路为粒度的差分演化算法分别独立优化上述对偶的图神经网络，当自动化判定模型从统计上不能有效识别不同的输出电路时，达到所需不可区分的状态.测试结果表明，该AG 架构简单，易于实现，较好地实现了输入电路的通用性和统计上的不可区分性.
深度神经网络具有脆弱性，容易被精心设计的对抗样本攻击.梯度攻击方法在白盒模型上攻击成功率较高，但在黑盒模型上的迁移性较弱.基于Heavy-ball型动量和Nesterov型动量的梯度攻击方法由于在更新方向上考虑了历史梯度信息，提升了对抗样本的迁移性.为了进一步使用历史梯度信息，本文针对收敛性更好的Nesterov型动量方法，使用自适应步长策略代替目前广泛使用的固定步长，提出了一种方向和步长均使用历史梯度信息的迭代快速梯度方法（Nesterov and Adaptive-learning-rate based Iterative Fast Gradient Method，NAI-FGM）.此外，本文还提出了一种线性变换不变性（Linear-transformation Invariant Method，LIM）的数据增强方法.实验结果证实了NAI-FGM攻击方法和LIM数据增强策略相对于同类型方法均具有更高的黑盒攻击成功率.组合NAI-FGM方法和LIM策略生成对抗样本，在常规训练模型上的平均黑盒攻击成功率达到87.8%，在对抗训练模型上的平均黑盒攻击成功率达到57.5%，在防御模型上的平均黑盒攻击成功率达到67.2%，均超过现有最高水平.
逆合成孔径雷达（Inverse Synthetic Aperture Radar，ISAR）稀疏成像方法可提供图像对比度高、旁瓣干扰少的成像结果.稀疏成像以场景或目标散射率分布具有稀疏性为前提，待成像目标场景的稀疏特性决定了最终成像质量.ISAR目标场景的自然稀疏特性着重刻画点状特征，变换域稀疏表示可增强目标图像的纹理等通用特征.通过学习获得的稀疏变换字典，可自适应于待成像的ISAR目标场景，找到面向ISAR目标图像块的特有稀疏表示.但是，图像块的特有稀疏表示中忽略了待成像目标场景中目标的几何特征信息.最近邻图模型可建立给定数据的几何特征描述算子，刻画出给定数据的几何特征信息.本文利用最近邻图模型来刻画待成像目标场景中目标的几何特征信息，并映射到待成像目标场景的特有稀疏表示中；提出结合最近邻图模型的ISAR稀疏成像方法，用于不同类别实测ISAR数据成像.相比已有的ISAR稀疏成像方法，所提成像方法可获得目标轮廓更清晰的成像结果，成像所需时间平均减少10.4%.
现有的犹豫模糊距离测度大多数受犹豫模糊数隶属度个数延拓补值和顺序重排条件的限制，在一定条件下导致度量结果不准确.为此，本文提出基于距离矩阵的犹豫模糊距离测度，分析了现有犹豫模糊比较法则的局限性，定义了新的全序比较法则；提出了距离矩阵概念，合理解释了现有犹豫模糊距离测度的不足.结合犹豫模糊新比较法则、新提出的特征距离、前景理论和集成算子，形成了CDPA（Comparison，Distance，Prospect，Aggregation）识别决策新方法，并应用于决策层融合识别解决目标威胁判定问题.结果表明，该距离测度能够解决延拓补值和顺序重排的问题，识别准确.
针对复杂杂波背景下目标信杂比起伏而导致的漏检问题，本文结合信息几何检测器的性能优势与动态规划检测前跟踪（Dynamic Programming Track Before Detect，DP-TBD）的多帧信息积累能力，提出了基于功率谱流形的信息几何DP-TBD算法.该算法利用功率谱流形与矩阵流形对偶关系，设计了功率谱信息几何检测器，将信息几何检测器的计算复杂度降低了近两个数量级.通过实测数据实验验证，功率谱DP-TBD算法可实现与矩阵DP-TBD算法相近的检测性能，并将运算时间降低为矩阵DP-TBD算法的3%~8%.此外，相较于信息几何检测器，功率谱DP-TBD可将检测信杂比（Signal-to-Clutter Ratio，SCR）提高2~3 dB.
利用低空间分辨率高光谱（Low Resolution HyperSpectral Image，LR-HSI）和高空间分辨率多光谱图像（High Resolution MultiSpectral Image，HR-MSI）的有机结合，实现高光谱空间分辨率增强，是当前高光谱图像处理的热点问题.目前，深度学习已成为高光谱-多光谱图像融合超分辨率的代表性方法，然而如何有效挖掘两者的互补空谱信息，实现空间结构和细节注入，在提升高光谱图像空间分辨率的同时保持高保真光谱信息，依然存在诸多挑战.本文提出了一种多层小波深度聚合网络（Multilevel Wavelet-Deep Aggregation Network，MW-DAN）.该网络有机结合非抽取小波（UnDecimated Wavelet Transform，UDWT）分解和深度残差网络，建立双分支互补信息融合网络，提升图像重建性能.其中，通过深度残差网络中引入跳层汇聚连接，设计信息聚合型结构，并对多光谱图像进行UDWT方向子带分解，逐层注入到网络中间隐层，增强了方向子带结构的细节注入和光谱保真能力.整个网络通过LR-HSI，HR-MSI和HR-HSI（High Resolution HyperSpectral Image）端对端训练，能够学习性能优越的空-谱融合的超分辨非线性映射.大量仿真数据集和真实数据集上的大量融合实验表明，本文提出的方法在客观评价指标、光谱保持和视觉效果上优于目前主流的深度学习方法.
针对多基地水下小目标分类识别问题，本文提出了一种基于核空间联合稀疏表示和指数平滑的多基地水下小目标识别方法.对水下目标多角度散射信号提取6种典型的具有信息互补性和关联性的特征，提出一种随机森林（Random Forest，RF）和最小冗余最大相关（minimum Redundancy and Maximum Relevance，mRMR）相结合的特征选择方法（RF-mRMR），得出综合的特征重要性排序结果.通过实验得出分类模型所需的最优特征子集，达到降低数据处理复杂度和提高目标分类结果的目的.为了捕捉到数据中的高阶结构，在联合稀疏表示模型的基础上，使用核函数将线性不可分的特征数据映射到高维核特征空间.为了充分挖掘稀疏重构后包含在残差波段中的有用信息，使用指数平滑公式对具有一定意义的残差信息进行再利用，最后由核特征空间下的最小误差准则判定目标的类别.应用本文提出的方法对4类目标的海试数据进行识别，结果表明，相较于其他7种对比算法，本文提出的改进方法具有更好的分类性能，而且大多数情况下，本文提出的算法在双基地声呐模式下具有比单基地声呐更高的识别准确率和更低的虚警率.
随着移动终端尤其是工业互联网技术的快速发展，终端设备密集分布，无线带宽有限，经常导致业务过程中的集中式云资源调度，难以满足远程终端应用对低时延和低成本计算的需求.着眼于本地服务器联动云数据中心，边缘计算为这类移动应用提供了一种敏捷的计算服务模式.虽然边缘计算的敏捷服务模式能够有效缩短移动应用的时延并降低对应的通信成本，但在边缘计算环境下，异构资源之间的任务卸载经常会导致一些潜在的数据安全隐患和服务质量受损.针对上述应用挑战和技术发展趋势，本文提出了一种基于联盟链的可靠边缘计算任务卸载方法.该方法利用联盟链进行身份校验和卸载结果反馈，以任务的完成时间、卸载成本与资源可靠度作为评价标准，设计了一种基于遗传算法的卸载策略，支持卸载决策时任务卸载的可靠性评估.实验结果表明，本文方法能在满足时延约束的前提下提高任务卸载的可靠性，为移动智能应用提供了一种有效的数据安全保障方法.
卷积运算是现代卷积神经网络中必不可少的组成部分，同时也是最耗时的.为了解决卷积算子的性能问题，包括快速傅里叶变换（Fast Fourier Transform，FFT）和Winograd在内的快速卷积算法被提出.Winograd卷积可被用于提高小卷积核的推理性能，是目前卷积神经网络中的主流实现方法.然而，Winograd卷积在许多高度优化的深度神经网络库和深度学习编译器中的实现比较低效.由于Winograd卷积的四个阶段的复杂数据依赖关系，面向GPU对其进行优化非常具有挑战性.本文针对现代GPU体系结构优化了Winograd卷积算子的性能.本文提出了Winograd计算阶段的等价变化及其利用Tensor Core进行计算的无同步实现，并进一步提出了利用不同GPU内存层级的部分计算核融合方法PKF（Partial Kernel Fusion）.基于张量虚拟机（Tensor Virtual Machine，TVM）和代码重构器PKF-Reconstructor（Partial Kernel Fusion Reconstructor），实现了高性能的Winograd卷积.对真实应用中卷积神经网络的卷积算子的评估表明，与cuDNN相比，本文所提算法实现了7.58~13.69倍的性能提升.
本文通过拓展BLT（Baum-Liu-Tesche）方法，计算了复杂结构腔体的屏蔽效能（Shielding Effectiveness，SE）.BLT方法最初被用于分析传输线模型，后被拓展到计算腔体屏蔽效能，然而其局限于计算矩形腔体和圆柱腔体的屏蔽效能，无法分析更加复杂的腔体结构.本文将BLT方法与数值方法相结合，同时利用机器学习的回归方法，将其拓展到复杂腔体结构的屏蔽效能计算中.本文首先计算了腔体二维截面的特征模；然后，基于电磁波传播规律建立了等效电路网络结构，结合BLT方法获得腔体屏蔽效能的频域响应分布；最后，利用机器学习方法训练支持向量回归模型（Support Vector Regression，SVR），修正频域响应幅值，得到腔体目标的屏蔽效能.本文采用了3种不同结构的腔体对提出的方法进行了验证，频率范围为0.1~3 GHz.以商业软件仿真得到的结果为标准，本文提出的方法可以在85%的置信度条件下，实现均方根误差小于3，同时计算速度相比商业软件提升80倍以上.
近年来，面向动态场景的多曝光图像融合技术取得重大进展.其中，基于深度学习的方法在视觉效果和运算效率上都远超传统算法，成为高动态范围成像技术的主流.然而，现有基于深度学习的融合方法都以有监督学习的方式实现，过度依赖真值图像，难以被广泛应用于实际场景中.本文提出了一个基于深度自监督学习的动态多曝光图像融合网络，主要贡献包括：设计自监督的动态多曝光融合网络框架，探索高动态范围图像与低动态范围图像序列的内在关联；提出基于注意力机制的全局去伪影模块，使用全局文本模块减少动态融合产生的运动伪影，增强图像细节；提出融合重建模块，通过残差和稠密连接实现多层次特征之间的信息流动；设计运动掩膜引导的自监督损失函数，用于网络的高效训练.实验表明，与现有方法相比，本文提出的方法在高动态范围图像重建的主观和客观质量上均表现较好，运算效率显著提升.
近年来，随着高精度定位系统的迅猛发展，基于手持式毫米波雷达的阵列成像技术在无损检测和医疗成像等涉及介质内部结构成像的领域中引起了广泛关注.与常见的二维（Two-Dimensional，2D）平面单发单收（Single-Input-Single-Output，SISO）阵列不同的是，基于手持式毫米波雷达的阵列，其阵元通常非均匀分布于三维（Three-Dimensional，3D）空间中，导致现有的基于平面SISO阵列的对介质目标内部结构进行快速成像重构的算法无法适用.为此，本文提出了一种适用于空间3D非均匀SISO阵列雷达的半空间介质目标快速成像算法.该算法将空间3D非均匀SISO阵列的每一个阵元扩展为一个的虚拟阵列，然后将所有虚拟阵列的回波数据变换至波数域后进行相干累加，最后通过3D逆傅里叶变换（Inverse Fourie Transform，IFT）实现快速成像.数值仿真和实验测量表明，与同样适用于该场景的改进后向投影（Improved Backward Projection，IBP）算法相比，在本文给定的成像参数条件下，所提算法可以在保证成像质量的同时，将成像时间缩短94%以上.
纠缠辅助量子纠错码是经典量子纠错码的推广，通过在接收者和发送者双方预先共享纠缠态的方式实现量子通信.由于预先共享纠缠态会造成额外的费用，如何构造具有较小预先共享纠缠态的纠缠辅助量子纠错码是一个有趣的问题.本文给出了有限域 上一类负循环码是厄米特对偶包含码的充分条件，通过研究其分圆陪集的结构性质，确定了不同数目的预先共享纠缠态的存在条件，并结合纠缠辅助量子纠错码的构造方法，构造了一些新的具有较小预先共享纠缠态的纠缠辅助量子Maximum-Distance-Separable（MDS）码.
波达方向估计（Direction Of Arrival，DOA）通过使用传感器阵列来识别声源方位，而传统的DOA估计方法忽略了声源在空间分布的稀疏性，目前的凸稀疏DOA估计方法和非凸稀疏DOA估计方法所使用的惩罚函数未考虑稀疏度量 范数的重要特性——尺度不变性，因此无法精确描述声源的空域稀疏结构，难以获得较高的DOA估计精度.为此，本文首先使用具有尺度不变性的范数比函数来逼近 范数，刻画声源空域稀疏结构；接着，针对范数比函数的非凸特性，采用光滑化的思想，构建了平滑的近似函数；然后，构建了基于光滑 比 范数的稀疏DOA估计模型，开发了基于光滑 比 范数的稀疏DOA估计算法（Smoothed -Over- regularized Sparse DOA Estimation algorithm，SPOQ-SDOA）.大量仿真分析表明，与流行的多快拍DOA估计算法相比，本文提出的算法在不同信噪比和快拍数下有更高的DOA估计精度和更好的性能表现.SWellEx-96海试实验中的S5事件分析结果验证了所提算法的有效性.
网络谣言的广泛传播已经造成了很大的社会危害，因此早期谣言检测任务已成为重要的研究热点.现有谣言检测方法主要从文本内容、用户配置和传播结构中挖掘相关特征，但没有同时利用到文本全局语义关系和局部上下文语义关系.为了克服以上局限性，充分利用到谣言数据中的文本全局-局部上下文语义关系、文本语义内容特征和推文传播的结构特征，本文提出了一种基于Bert-GNNs异质图注意力网络的早期谣言检测算法（Bert-GNNs Heterogeneous Graph Attention Network，BGHGAN）.该方法根据历史谣言集和用户特征构建一个推文-词-用户异质图，通过采用预训练语言模型Bert和图卷积神经网络（Graph Convolutional Network，GCN）结合的方法进行特征学习，以挖掘谣言的文本语义特征和文本之间的关系，并将异质图分解为推文-词子图和推文-用户子图，采用图注意力网络（Graph Attention network，GAT）的方式分别进行特征学习，从而更充分利用文本全局-局部上下文语义关系和传播图的全局结构关系以加强特征表达；最后，通过子图级注意力机制将不同模块的学习集成进行最终的谣言检测.所提算法在真实的Twitter15和Twitter16数据上进行实验，验证了该算法在检测准确率上分别为91.4%和91.9%，较现有最佳模型分别提高了1%和1.4%，也具备在早期阶段对谣言的检测能力；同时，本文通过实验探讨了不同特征对谣言检测的重要性、对异质图构建质量的重要性.
软件规模和复杂程度的不断提高，为软件质量保障带来了严峻的挑战.软件缺陷定位是一种重要的软件质量保障技术，其中基于频谱的缺陷定位（Spectrum-based Fault Localization，SFL）是应用最为广泛的软件缺陷定位技术，其通过分析语句覆盖信息矩阵计算代码语句的可疑度值，并根据可疑度值定位缺陷所在语句.然而，语句覆盖信息矩阵中存在着严重的数据冗余问题，冗余的数据极大地影响了SFL的缺陷定位性能.以Defects4J数据集中395个程序的语句覆盖信息矩阵为例，在超过一半的语句覆盖信息矩阵中有90%的语句存在与其具有相同覆盖信息的语句.特征选择是常用的数据预处理技术，通过去除冗余和不相关特征来获取原始特征集中有价值的特征子集.因此，我们将语句覆盖信息矩阵作为原始特征集，将冗余覆盖信息约简建模为特征选择问题，提出了一种基于冗余覆盖信息约简的软件缺陷定位方法（Fault Localization based on Redundant coverage information Reduction，FLRR）.首先，使用特征选择技术对语句覆盖信息和测试用例执行结果组成的语句覆盖信息矩阵进行约简，得到语句覆盖信息矩阵子集；然后，使用SFL计算语句覆盖信息矩阵子集中语句的可疑度值，并根据可疑度值对语句进行降序排列，以定位缺陷语句.本文使用六种常用的特征选择技术对语句覆盖信息矩阵进行特征选择和约简，以得到语句覆盖信息矩阵子集，并使用四种典型的SFL技术对语句覆盖信息矩阵子集中的语句进行缺陷定位.为评估FLRR的缺陷定位性能，本文使用 和MRR（Mean Reciprocal Rank）评价指标在基于Defects4J的数据集上与四种典型的SFL技术进行了对比实验.实验结果表明，FLRR能够有效提升SFL的缺陷定位性能.对于 指标，当 =1时，FLRR相比DStar、Ochiai、Barinel和OP2分别多定位到23条、26条、14条和13条缺陷语句，分别增加了69.70%、76.47%、45.16%和38.24%；对于MRR指标，FLRR相比DStar、Ochiai、Barinel和OP2分别提升了20.08%、24.94%、17.45%和19.15%.
单幅图像盲超分辨率方法是在模糊核未知的情况下仅利用单幅低分辨率图像重建高分辨率图像，这是一个严重的欠定逆问题.超分辨率正则化方法通过正则化约束项引入附加信息，为低分辨率图像恢复或重建合理的高频成分.本文将跨尺度自相似性与低秩先验相结合，提出了一种基于跨尺度低秩约束的单幅图像盲超分辨率方法，采用联合建模的方法同时估计模糊核与高分辨率图像.利用高分辨率图像、低分辨率图像及其降采样图像之间的跨尺度自相似性，对于低分辨率图像中的图像块在降采样图像中搜索相似块，将该图像块在高分辨率重建图像中对应的父块与其相似块在低分辨率图像中对应的父块合并，构造跨尺度相似图像块组矩阵.由于低分辨率图像中的跨尺度相似图像块能够为重建图像块提供潜在的细节信息，因此对相似图像块组矩阵进行低秩约束，在迭代求解过程中迫使重建图像恢复高频成分，进而促使模糊核的估计更加准确.此外，低秩约束能够表示数据的全局结构，对噪声具有鲁棒性.在真实和模拟图像上的实验表明，本文的算法能够准确地估计模糊核，重建高分辨率图像的边缘和细节，优于现有的自监督盲超分辨率算法.
在对探地雷达（Ground Penetrating Radar，GPR）数据进行三维建模与可视化分析过程中，其所依赖的三维时变阵列通常是由一维数据道或二维阵列间接生成的.由于采集到的数据往往比较稀疏，且存在不规则偏移，需要进行稠密处理，以获得高密度三维时变阵列.本文提出了一种基于可控变分自编码（Controllable Variational AutoEncoder，ControlVAE）的约束嵌入稠密时变阵列构建方法.使用基于ControlVAE的时变数据重构网络，通过隐空间采样插值和深浅层特征信息的融合，生成接近真实分布的伪道数据来增加阵列密度.构建了基于尺度不变特征变换的数据配准模块，提取道间梯度特征与结构对称性特征，可以在时空域内完成数据配准.同时将浅层特征作为约束信息嵌入数据重构网络，以消除数据道偏移对阵列生成的影响.实验结果表明，本文方法仅使用单测线二维B-scan数据集即可重建稠密时变阵列，可以有效降低重构模型累积误差，提高面对复杂真实数据时的鲁棒性.
为便于广大科研人员了解国家自然科学基金“半导体科学与信息器件”学科方向项目的申请、受理和资助情况，本文对2023年度的本学科项目情况进行了统计分析.首先简要介绍了2023年国家自然科学基金委员会的重要改革举措；其次，总结分析了本年度“半导体科学与信息器件”学科（F04）面上项目、青年科学基金项目、地区科学基金项目和重点项目、优秀青年科学基金项目、国家杰出青年科学基金项目的申请与资助情况，并重点梳理了该领域面上项目、青年科学基金项目、地区科学基金项目申请与资助的依托单位分布情况，以及申请项目的四类科学问题属性；最后对“半导体科学与信息器件”领域优先发展方向进行了展望.
互联网是人类信息社会重要的基础设施，网络体系结构设计是其健康、有序和可持续发展的基础研究课题.本文首先梳理了网络体系结构的定义，概括了互联网发展的现状和面临的主要挑战，分析了网络体系结构研究在应对挑战和促进互联网发展中的意义和作用；然后概略介绍了历史上互联网体系结构相关的研究计划和项目，总结了相关研究成果，重点分析了网络体系结构研究实践中形成的主要观点，对网络体系结构“革命式”和“演进式”的技术路线分别进行了评述；接着分析和总结了近期的相关研究进展和发展趋势；最后结合历史和近期的相关研究，讨论了若干网体系结构研究意义、方法、设想和影响的思考与认识.
