移动增强现实应用中，用户频繁地与环境中不同的智能物体交互完成任务，其完成效率和用户体验由所采用的定向交互技术决定.然而，从交互手段上来说，现阶段定向交互依赖于Wi-Fi、BLE等无线技术，其信号全向传播的特点使其不能利用用户的空间环境（即位置和方向）来缩短互动时间，带来了不必要的时间成本；从交互界面上来说，现阶段基于视觉的界面存在可靠性低、扩展性低等问题，进一步限制了系统的通用性.本文介绍了 RetroAR——基于可见光逆反射通信的定向交互系统.RetroAR利用了光的定向传播特性来保留用户的空间环境，并依靠逆反射通信实现用户与目标设备之间无连接的快速定向交互.系统实验表明，RetroAR最远可在4 m距离支持100°视角的交互，同时实现厘米级的六自由度（6-Degrees Of Freedom，6-DoF）三维跟踪.用户研究表明，与基于Wi-Fi的解决方案相比，RetroAR将非接触式控制的交互时间减少了2倍，并且具有更好的用户体验.RetroAR借助可见光逆反射通信来利用用户空间环境，保持交互过程中的直观性.用户可以“所指即所控”的方式与多个目标进行互动，实现类似自然交互的快速定向交互.
时序信息和唇部细微变化对唇语识别至关重要.然而，现有唇语识别方法不能精准捕获时序信息和关注细微运动.为此，提出一种关注微小唇部变化和增强时序信息的唇语识别方法DMT-GhostNet.首先，引入解藕时空增强块（Decoupled Spatio-Temporal Enhancement Block，DSTE），将单一3D卷积解藕为时间域和空间域；其次，基于运动激励（Motion Excitation，ME）与Ghost瓶颈块提出微运动瓶颈块（Micro-Motion Bottleneck，M-Ghost），捕捉唇部的微小运动；最后，提出时间感知模块（Transformer Multi-Scale Temporal Convolution Network，TransMS-TCN），聚焦重要时间序列，限制无关信息流入MS-TCN.实验结果表明，DMT-GhostNet在LRW数据集上取得了89.21%的准确率，比基于ResNet的主流方法提升3.91%，降低参数量近6 M，能够更好地利用时序信息并聚焦唇部细节，显著提高唇语识别性能.
安卓虚拟化应用作为宿主程序，支持以插件形式动态加载用户所需功能模块.恶意开发者可利用上述应用特性将其真实攻击意图隐藏在插件程序的执行中，以躲避针对宿主程序的检测.然而，插件程序数量众多且难以获取与分析，并且现有基于既定模式的安卓恶意虚拟化应用检测方案存在可检测应用类型有限的问题.本文提出一种条件上下文敏感的安卓恶意虚拟化应用检测方法并实现了原型工具MVFinder.该方法以安卓虚拟化应用代码中触发插件程序加载或调用行为的上下文环境为切入点，挖掘出隐藏的恶意性，避免耗费大量资源去尝试实时获取不同种类的插件程序或逐一解析插件的加载与运行模式.同时，该方法利用异常检测技术，发现与大多数善意应用的条件上下文存在较大差异的数据样本，进而识别出目标恶意应用，避免基于既定规则进行检测的局限性.实验结果表明，本方法对安卓恶意虚拟化应用检测的准确率和F1分数均优于当前学术界的代表性方案VAHunt、Drebin与Difuzer.此外，相较于VAHunt，MVFinder可识别出HummingBad和PluginPhantom恶意应用家族的变种.
图卷积网络因其强大的高阶协作信号学习能力被广泛地应用在多行为推荐系统中.然而，目前大多数基于图卷积的多行为推荐方法未能有效建模不同用户/项目节点与各行为间的关系，且目标行为的稀疏性也困扰着多行为推荐算法性能的进一步提升.基于此，提出一种融合自注意力机制的多行为图对比学习推荐模型（Multi-Behavior Graph Contrastive Learning recommendation method with Self-Attention mechanism， SA-MBGCL）.该方法将用户/项目节点嵌入与行为嵌入相结合，并使用自注意力机制增强嵌入表示，以有效建模不同节点与各行为间的依赖关系.同时，构建一种图对比学习方式，将同一用户的目标行为与辅助行为视为正例对，而不同用户的视为负例对，以强化不同用户的行为差异，达到缓解目标行为稀疏性的目的.将非采样的推荐任务与多行为图对比学习进行多任务联合优化，在Beibei与Taobao这2个公开数据集上，和6个单行为模型与10个多行为模型进行对比，结果表明，所提模型SA-MBGCL在HR（Hit Ratio）和NDCG（Normalize Discounted Cumulative Gain）这2个指标上分别平均提升5.21%和8.30%，说明本文方法是有效的.
针对无人机（Unmanned Aerial Vehicle，UAV）辅助WSN（Wireless Sensor Networks）数据采集和能量补充工作中存在的数据来源单一和能量补充不均衡现象，本文首先提出数据采集和能量补充公平性问题并进行数学建模.其次，本文设计一种DPDQN（Double Parametrized Deep Q-Networks）强化学习算法，规划无人机的飞行路线和悬停位置，优化数据采集和能量补充效果.DPDQN学习离散动作与多种连续动作相混合的动作选择策略，算法网络模型包括离散动作网络和连续动作网络两部分.前者规划无人机访问数据采集节点的顺序，后者优化无人机在数据采集节点周围的悬停位置.仿真实验结果显示，本文算法在数据采集公平性、能量补充公平性、飞行距离和四种影响公平性的因素比较中均优于三种现有对比算法，并具有良好的鲁棒性和稳定性.
近年来，基于U型结构的卷积神经网络在去雾领域取得了显著的成果.然而，大多数基于U型结构的去雾网络将编码层特征直接传递到对应尺度的解码层，忽略了不同层次特征信息的有效利用.此外，去雾网络中广泛使用的通道注意力受感受野的限制，没有充分地利用上下文信息，从而对通道权重的学习起负面作用，使得重构的清晰图像不够理想.为了解决上述问题，本文提出了一种跨层注意力特征交互和多尺度通道注意力的去雾算法.具体来说，跨层注意力特征交互模块利用编码层的多尺度跨层特征学习层级权重，然后将这些跨层特征聚合传递到对应解码层，从而减少了去雾网络重构清晰图像过程中的特征稀释.此外，为了挖掘对于去雾网络非常重要的特征通道信息，本文设计了多尺度通道注意力机制，利用不同空洞率的空洞卷积提取多尺度特征信息，形成一个多尺度上下文并行学习的通道注意力机制，可以更有效地为去雾网络的特征分配权重.实验结果表明，本文提出的去雾算法在4个公开的数据集上相比现有的12种去雾方法取得了较好的客观评价指标和视觉效果.本文的代码已上传至https：//github.com/bohuisir/AAFMAN.
由于网络环境的多变性，视频播放过程中容易出现卡顿、比特率波动等情况，严重影响了终端用户的体验质量.为优化网络资源分配并提升用户观看体验，准确评估视频质量至关重要.现有的视频质量评价方法主要针对短视频，普遍关注人眼视觉感知特性，较少考虑人类记忆特性对视觉信息的存储和表达能力，以及视觉感知和记忆特性之间的相互作用.而用户观看长视频的时候，其质量评价需要动态评价，除了考虑感知要素外，还要引入记忆要素.为了更好地衡量长视频的质量评价，本文引入深度网络模型，深入探讨了视频感知和记忆特性对用户观看体验的影响，并基于两者特性提出长视频的动态质量评价模型.首先，本文设计主观实验，探究在不同视频播放模式下，视觉感知特性和人类记忆特性对用户体验质量的影响，构建了基于用户感知和记忆的视频质量数据库（Video Quality Database with Perception And Memory，PAM-VQD）；其次，基于PAM-VQD数据库，采用深度学习的方法，结合视觉注意力机制，提取视频的深层感知特征，以精准评估感知对用户体验质量的影响；最后，将前端网络输出的感知质量分数、播放状态以及自卡顿间隔作为三个特征输入长短期记忆网络，以建立视觉感知和记忆特性之间的时间依赖关系.实验结果表明，所提出的质量评估模型在不同视频播放模式下均能准确预测用户体验质量，且泛化性能良好.
用户轨迹识别作为一项重要的时空数据挖掘任务，广泛应用于基于位置的个性化服务推荐、行程规划、犯罪行为检测和目标跟踪等领域，但依然面临预测精度不高的问题，主要原因是轨迹数据低采样且稀疏、轨迹类别数量巨大等.针对上述问题提出了基于可拓展自注意力时空图卷积神经网络的用户轨迹识别模型（Expandable Self-Attention Spatio-Temporal Graph Convolutional Neural Networks，ESAST-GCNN），该模型采用时空图卷积神经网络方式，深度挖掘时序特征与空间特征关系，并进行预测与拓展，结合自注意力机制获取用户轨迹特征向量内部相关性，最终根据该特征向量进行用户轨迹身份识别.在两个真实数据集上进行测试后发现，ESAST-GCNN相较于TULER-GRU（TUL via Embedding and RNN）在Geolife与Gowalla中准确率分别提高了13.95%、10.63%，实验结果表明ESAST-GCNN优于其他模型，识别效果更好，适用范围更广.
数据库参数调优是提高数据库性能的重要任务之一.数据库参数可按照作用域范围和功能进行分类，探究某一类参数之间的相互影响以及不同类别之间的相互影响是非常重要的，但是现有方法尚未考虑这一方面.提出面向数据库参数调优的协作型多智能体模型DBT-MADDPG（DataBase Tuning-Multi-Agent Deep Deterministic Policy Gradient），设计单智能体预训练模型SA（Single Agent）、多智能体联合训练模型JAM（Joint Action Model）以及基于概率选择的联合训练模型JAPM（Joint Action Probability Model），分阶段对数据库参数进行调优.实验结果表明，DBT-MADDPG模型能够分功能、分参数级别对数据库参数进行调优，在SA模型训练阶段便能到达主流算法的性能，且比主流算法快17.85%获得较佳配置.
动态属性网络的语义社区发现及演化分析具有重要研究价值，其包含动态社区发现、社区语义解释及社区演化分析三个任务，但现有方法均难以同时实现.针对该问题，提出一种基于联合非负矩阵分解的方法DAN-NMF（NMF for Dynamic Attributed Networks）. DAN-NMF可以统一集成网络拓扑结构信息、节点属性信息及社区演化平滑约束信息，并利用最大最小化优化框架推导相关因子矩阵的迭代更新规则，从而可以直接获得动态社区发现、社区语义解释及社区演化分析结果.在人工合成和真实的动态属性网络进行大量相关实验，结果表明DAN-NMF比最优的基准方法在准确性指标上至少提高了7.3%.此外，在真实动态属性网络上的相关数据分析结果也表明DAN-NMF能够有效地发现动态社区的演化模式，并提供丰富的社区语义解释.
低延迟分组密码的设计是目前密码学研究中的热点之一，其中低延迟S盒的构造是设计中的重要研究方向.本文基于低延迟门电路和两层树型结构，搜索不同延迟水平下具有一定密码学性质的低延迟平衡布尔函数及其拓展比特置换等价类；基于将低延迟布尔函数作为分量布尔函数构造向量布尔函数的方法，本文构造得到了不同延迟水平下的低延迟S盒，并给出延迟性质和硬件实现面积具有优势的S盒实例；此外，本文对低延迟的S盒集合与逆S盒集合匹配搜索具有双向低延迟性质的S盒，给出搜索得到的实例.与PRINCE、MANTIS等其他低延迟分组密码中使用的4 bit S盒相比，本文构造的低延迟S盒在延迟水平上相较MANTIS降低了20%，与PRINCE相比降低了33%，在硬件实现面积上相较MANTIS减少了6.68%，与PRINCE相比减少了17.69%.
三维无人机路径规划问题旨在满足安全性条件的前提下为无人机规划出一条最佳的飞行路径.本文通过数学建模的方式构建出无人机路径规划的成本函数，从而无人机路径规划问题转化为多约束的优化问题，并使用元启发式算法来求解该问题.针对人工兔优化算法收敛慢以及易陷入局部最优的缺陷，本文开发了一种基于Levy飞行、自适应柯西变异以及精英群遗传策略改进的人工兔优化算法（Artificial Rabbit Optimization algorithm based on Levy flight，adaptive Cauchy mutation， and elite population Genetic strategy，LCGARO）.将LCGARO与6个经典和先进的元启发式算法在29个CEC2017测试函数和6个复杂度不同的三维无人机路径规划地形场景中进行多方面对比实验.对比实验结果证明，在CEC2017测试函数的对比实验中，本文提出的LCGARO算法在22个测试函数中具有更优的寻优精度.在无人机路径规划实验中，LCGARO算法在5个地形场景中能够规划出总成本函数值最小的飞行路径.
对抗样本的可迁移性对于攻击未知模型至关重要，这在实际场景中为对抗性攻击提供了可行性.现有的迁移攻击倾向于通过不加选择地扭曲特征来降低源模型的预测精度，但是忽略了图像中目标的内在特征.受到现有关于提取特征重要性工作的启发，本文提出一种多层累积梯度攻击方法，以破坏主导模型决策的重要目标感知特征.具体而言，本文通过引入迭代累积梯度来获得特征重要性，这种梯度将与目标主体部分高度相关，从而帮助实现更好的迁移攻击.进一步，本文在不同中间层进行组合攻击，最终实现了多层累积梯度攻击.大量结果表明，相较对比实验中的最好方法，本文所提方法在正常训练模型下以更高的攻击效率取得了与之相当的攻击成功率，而在防御模型下的攻击成功率提高了2.6个百分点.
人工智能技术的迅速发展赋予了空战自主对抗策略超越人类专家的潜力.现有智能空战对抗策略依据驱动方式主要包含两类：其中，基于知识规则的策略对应用场景和专家知识依赖性强，而以强化学习为代表的数据驱动的策略可解释性差、泛化性弱.本文以全国智能空中博弈大赛多机协同空战为背景，提出了一种知识数据协同的多对手的空中博弈策略设计方法.其中，知识驱动部分基于专家知识设计一种参数化、风格化的策略，以生成高质量离线数据及初始化策略；数据驱动部分基于图注意力网络对队友、对手的信息进行针对性表征，提升训练效率及收敛性能.进一步，以动态对手匹配机制进行多对手强化学习训练，进一步提升策略泛化性.该策略与大赛16强中的12支队伍对抗，达到70%以上的统计胜率，这些队伍均采用最新的知识或数据驱动方法，风格各异，同时具有较强的作战能力.
集成了工业互联网技术的水处理系统随着信息化程度的加深而面临着愈加严峻的异常行为入侵挑战.针对传统异常检测方法常用单一阈值检测、检测准确率低、误报率高等问题，提出一种融合自编码器和隔离森林的水处理系统递进式异常检测方法.首先，通过降采样过滤重复数据，加快递进式异常检测模型的训练和测试效率；其次，构建自编码器隐含层神经元捕捉数据关键特征，优化自编码器的权重和偏置，设定重构误差阈值作为输入与重构之间的差异度量进行基础性检测；最后，构建以平均路径长度为异常度量阈值的隔离树并生成隔离森林，针对基础性检测发现的异常数据进一步遍历隔离树完成高级检测；基于两阶段递进式异常检测提升检测效果.实验结果表明，本文方法在安全水处理系统数据集下的异常检测准确率、F 1值均超过95%，准确率相比于传统方法平均提升31.86个百分点，特别是异常检测误报率被较大幅度降至0.30%.对配水系统数据集进行泛化性分析取得的精确率、召回率等指标均超过94%.模型的训练和测试时间相较于对比方法具有综合性能上的突出优势.
超声图像分割在疾病诊断和治疗中扮演着关键的角色，但由于超声图像的低对比度、噪声干扰以及病灶在形状、大小和位置上的差异等特点，导致准确地分割出感兴趣的区域仍然是一个具有挑战性的任务.为了解决这一问题，本文提出了一种双通道自注意力机制U型网络（SwinT-Unet），该网络利用Swin-Transformer与Unet编码器同时进行特征提取.为了有效融合Swin-Transformer和Unet编码器提取到的不同层级的特征，本文还提出了一个门控双层特征融合模块（Gated Dual-layer Feature Fusion，GDFF），通过门控机制实现了整体特征与局部特征的有效融合，从而提高分割结果的精确度和鲁棒性.本文在2个不同的超声图像分割数据集上进行了实验，结果表明，本研究所提出的模型在分割准确性和鲁棒性方面均优于现有的卷积神经网络和基于Transformer的网络模型.本文为超声图像分割领域提供了一种新的方法，并为临床医学诊断和治疗提供了更准确、可靠的支持.
现有基于深度神经网络的高距离分辨（High Range Resolution，HRR）雷达目标识别方法是纯数据驱动模型，是1个飞行事故记录器结构，特征不具可解释性，在方位缺失情况下特征泛化性差，模型识别率急剧下降.对此，本文设计了一种物理可解释自编码模型（Physical Interpretable Auto-Encoder Model，PIAEM），解码网络结合雷达目标的散射点模型，利用编码网络挖掘雷达数据具有明确物理含义的散射中心特征，从成像角度描述目标的物理结构特性，如尺寸、轮廓等，在方位缺失情况下具有稳健的物理特性.设计了基于最小重构误差的分类准则，实现雷达目标识别.基于实测高距离分辨雷达回波数据的实验结果表明，本文方法提取的特征具有明确物理含义，且在方位缺失4/5的情况下，PIAEM比现有基于传统目标识别方法的准确率提升了10.27%，验证了本文方法具有方位稳健识别性能.
物联网设备的爆发式增长推进了异构无线设备互联互通的进程，跨网通信技术（Cross-Technology Communication，CTC）允许同一频段下遵循不同底层协议的无线设备在无需网关的前提下实现直联，但移动状态下的双向跨网通信方法仍缺乏系统的研究.本文提出了一种基于能量感知的跨网通信方案——MobiCTC，它支持WiFi与ZigBee设备移动状态下的双向跨网通信.WiFi到ZigBee方向，该方案利用RSSI（Received Signal Strength Indicator）作为解码信息，基于能级映射实现信息解码；ZigBee到WiFi方向，该方案采用CSI（Channel State Information）作为解码信息，充分挖掘CSI的幅度与相位信息，利用机器学习方法实现分类解码.最后，本文使用TelosB节点和USRP X310平台对MobiCTC方案进行了实验验证.实验结果表明，移动状态下WiFi到ZigBee方向的系统吞吐量为139.535 bps，较WiZig提高了1.82倍，符号错误率为0.016，与WiZig基本持平；ZigBee到WiFi方向的系统吞吐量为250 bps，较FreeBee提高了15.7%，符号错误率为0.0516，较ZigFi下降了23.21%.
碰撞攻击是针对椭圆曲线密码的主要分析技术之一，其关键取决于对点加、倍点碰撞检测的正确率.由于随机操作数和分支语句的影响，对点加、倍点的碰撞检测几近于随机猜测，因而如何对点加、倍点进行碰撞检测成为亟需解决的问题.本文以Weierstrass曲线中基于雅可比坐标的点加、倍点为分析对象，提出了基于模乘相等的标量乘碰撞攻击方法.首先，结合点加和倍点的运算流程，从中识别出了有助于碰撞检测的模乘，并在模乘间构造了新的碰撞关系，将攻击转化为模乘碰撞检测.其次，本文发现在雅可比坐标中存在由坐标 完全决定的模乘，基于此首次提出了模乘相等检测，将攻击转化为判断模乘两个操作数是否相同，从而避免了随机操作数的影响.最后，本文对一款硬件实现芯片进行碰撞检测实验，通过对曲线基于主成分分析进行压缩处理，将点加和倍点碰撞检测的准确率提高到了99%.本文提出的碰撞检测方法对采用了随机掩码和分支平衡的标量乘实现仍有效.
设计了一种高效率谐波调谐功率振荡器，并在反馈回路中引入互补左右手（Composite Right/Left Handed，CRLH）单元.通过谐波负载牵引仿真得到晶体管的最佳基波和谐波阻抗.通过反馈回路中的CRLH单元，实现反馈信号幅度和相位的控制，以及频率的选择.此外，负载网络通过控制二次和三次谐波终端提高效率.为了验证上述方法，采用GaN高电子迁移率晶体管（High Electron Mobility Transistor，HEMT）在3.5 GHz设计了一个功率振荡器.测试结果表明，功率振荡器在3.49 GHz的最大效率为65.5%，对应的输出功率为39.7 dBm，验证了本文提出的电路拓扑和设计方法的有效性.同时，和其他高效率振荡器相比，本文设计的振荡器具有最小的电路尺寸.
相变集成光子器件具有带宽大、延迟低、多路复用和抗干扰性好等性能优势，因此被广泛视作传统电子器件的有力竞争者.然而，当前相变光子器件编程所需的能耗较高，从而对其商业应用前景造成了严重的损害.为了解决这一问题，本文创造性地提出了一种非常有前景的二氧化硅（SiO2）/氟化镁（MgF2）基光子架构以取代当前主流的硅基器件.该器件采用目前已得到广泛应用的相变材料Ge2Sb2Te5（GST）和氧化铟锡（ITO）合金分别作为功能层和片上加热器材料，并通过自主开发的电热和相场耦合模型实现其数据编程和读取过程的模拟.仿真结果表明该器件在晶化和非晶化过程中所产生的能耗分别为78 aj/nm3和90 aj/nm3，远低于其他大多数硅基器件.同时其在近红外波段（如1 550 nm）也保持了良好的光学传输特性，并展现出超过5个中间态的多值存储特性和50 ns的短脉宽编程时间.除此之外，进一步研究表明使用该器件所搭建的光学神经网络可用于鸢尾花数据集识别，其准确率高达90%，接近于传统人工神经网络的识别准确率（约为94.7%）.上述工作为具有低功耗、存内计算和神经形态计算功能的新兴相变光子器件开发提供了新的研究思路，对于实现一种兼具电子和全光信息器件性能优势的通用非冯诺依曼计算体系有着重大的意义.
芯片热流密度持续增加对封装散热提出了新的挑战，液冷微流道散热技术是解决封装热控制问题的重要研究方向.针对陶瓷封装高功耗芯片散热需求，本文提出在陶瓷基板上嵌入微流道，以缩短芯片与热沉距离，降低热阻，同时减小热控系统体积，实现热控、电气互连与结构的集成.嵌入式微流道结构设计的关键是如何考虑基板上的密集布线和通孔，避免布线、通孔和微流道的相互干涉.考虑布线和通孔的微流道结构，提出了微流道-布线-通孔的陶瓷基板一体化工艺方法.测试结果表明，微流道层位置的影响大于结构参数影响，微流道入口主流道汇流层与散热层应设计在同一结构层.设计的微流道陶瓷基板满足功耗100 W的芯片散热要求.
