本文提出了一种具有超低特征导通电阻的沟槽栅横向双扩散场效应晶体管（Trench Gate Lateral Double-diffused MOSFET，TG-LDMOS）.本结构源极和漏极都在表面，与BCD（Bipolar CMOS DMOS）工艺相兼容.通过引入介质沟槽、垂直栅极、栅极下方的源极多晶硅以及栅极右侧的厚氧化层，将传统集成型功率器件的一维耐压拓宽为二维耐压，包括横向耐压与纵向耐压两个方向.其中，纵向耐压不占用横向元胞尺寸，进而在相同耐压水平上，使TG-LDMOS具有分立功率器件耐压效率高、导通电阻低的特点.本结构通过仿真优化做到了击穿电压（VB）为52 V，特征导通电阻（Ron，sp）为10 mΩ·mm2.结果表明，TG-LDMOS突破了硅器件的极限关系，与硅极限相比特征导通电阻降低了48%.
昼夜混合路径条件下低频天波传播特性的研究对于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.
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%.
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5s左右即可完成分群运动，实现对刺激快速准确的跟踪.
针对卫星通信网和无人机通信网共享频谱资源构成的星空认知网络，提出了一种基于用户非完美信道状态信息的分布式鲁棒波束成形算法，以提升网络的频谱效率和传输可靠性.在所有信道误差均服从复高斯分布的条件下，建立以总的发射功率最小化为目标函数，以用户信干噪比中断概率约束满足要求为约束的联合优化问题.通过引入松弛变量，将非凸的联合优化问题转换成两个独立的分布式优化问题，并进一步提出利用舒尔补和拉格朗日对偶的迭代算法得到卫星和无人机网络的波束成形权矢量.计算机仿真验证了所提算法的有效性和优越性.
雷达通信一体化研究是近年来的研究热点之一，他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（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，三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.
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.
增量学习是近年来机器学习领域的一个重要的研究方向，它能高效地进行知识迁移却不产生遗忘.与静态模型相比，动态网络可以根据不同的输入调整其结构或参数，从而在准确性、计算效率和适应性等方面具有显著的优势.本文从动态架构角度出发，根据动态网络中的自适应选择方式，对当前增量学习模型中所涉及到动态神经网络进行了系统化的总结.文中首先了阐述了增量学习研究进展和定义，归纳了增量学习的学习场景.其次根据动态路由选择粒度的不同，将增量学习的动态神经网络划分为基于任务的动态选择、基于模块化的动态选择、基于神经元的动态选择、基于卷积通道的动态选择和基于权重的动态选择，并对常用的增量学习模型分类进行了阐述和比较.最后归纳了一些常见数据集，并对未来的研究方向进行展望.
针对高动态车联网环境中，基站难以收集和管理瞬时信道状态信息的问题，提出了基于多智能体深度强化学习的车联网频谱分配算法。该算法以车辆通信延迟和可靠性约束条件下最大化网络吞吐量为目标，利用学习算法改进频谱和功率分配策略。首先通过改进DQN模型和Exp3策略训练隐式协作智能体。其次，利用迟滞性Q学习和并发体验重放轨迹解决多智能体并发学习引起的非平稳性问题。仿真结果表明，提出算法有效载荷平均成功交付率可达95.89%，比随机基线算法提高了16.48%，可快速获取近似最优解，在降低车联网通信系统信令开销方面具有显著优势。
利用优秀个体增强解搜索方程的开采能力是改进人工蜂群算法的一种主流思路.然而，现有相关工作往往仅以适应度信息作为评价个体的唯一标准，易导致算法出现早熟收敛等问题.本文提出一种多元信息引导的人工蜂群算法，分别设计了基于适应度、位置、以及相似度信息的三种解搜索方程，并在雇佣蜂阶段和观察蜂阶段采用了不同的使用方式.同时，为保存侦察蜂阶段的搜索经验，采用一种微调后的邻域搜索机制用于处理被放弃蜜源.在CEC2013测试集和一个实际优化问题上进行了大量实验验证，与六种衍生算法和五种知名的相关改进人工蜂群算法进行了对比，结果表明本文算法性能非常有竞争力，在结果精度和收敛速度上均有更好表现.
特征选择（Feature Selection，FS）是一种有效的数据预处理方法，它可以通过选择高维数据中一组具有高相关性和低冗余性的特征，从而解决数据冗余引起的维数灾难.目前许多计算方法已经被应用于求解FS问题，其中基于教与学优化（Teaching and Learning-based Optimization Algorithm，TLBO）的特征选择模型由于其高效的全局搜索能力受到越来越多学者的关注.然而，随着数据规模的不断扩大，这些算法所具有的模型不稳定、模型精确度低和局部搜索能力差等局限性，使算法的研究逐步陷入困境.为解决上述问题，本文提出了融合教与学优化算法与局部搜索方法（Local Search，LS）的混合进化Wrapper算法模型（Teaching and Learning-based Optimization- Local Search Algorithm，TLBOLS）.首先，由于传统的教与学优化算法不能直接用于求解特征选择问题，算法在初始化阶段将实数型编码转为二进制编码，然后为保证种群的多样性，在教阶段引入最差个体重启机制，并针对进化班级过程中学习者与教学者两种身份采用不同值的TF值，提出二进制的教与学特征选择算法（Binary Teaching and Learning-based Optimization-Local Search Algorithm，BTLBOLS）.随后，提出结合多操作的局部搜索方法和变邻域搜索逐渐增强扰动力度，提高整个种群的个体质量.为优化特征选择结果，BTLBOLS利用综合评价指标作为目标函数指导整体进化过程.实验选取45个高维癌症基因表达数据集进行测试并与十种特征选择算法相比，实验结果表明，相比其他算法，BTLBOLS在分类准确率和特征个数上都具有一定优势，有效提高算法分类性能.
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 6.5 ~ 10 ? G H z 的工作频带内，S21高达 21.17 ~ 25.28 ? d B ，S11小于 - 10.58 ? d B ；S22小于 - 11.20 ? d B ，带内噪声系数仅为 2.14 ~ 2.51 ? d B ；带阻滤波器在 5.8 ? G H z 处可提供 - 35.45 ? d B 的噪声抑制；在 0.9 ? V 供电电压下，LNA的静态功耗仅为 9.36 ? m W .
随着无线通信系统的快速发展，尤其是5G时代的来临，带通滤波器作为射频前端的选频器件被广泛应用于各种系统.近年来，人们对通信的需求日益提升，因此滤波器的小型化、低成本以及高性能等方面的要求成为了业内研究的重点.现代工艺技术的发展为带通滤波器的设计提供了多种方法，如使用阶跃阻抗谐振器设计微带带通滤波器、利用互补开环谐振器作为基本谐振单元构造宽带带通滤波器和基于E型双模谐振器设计微带带通滤波器等.然而，这些微带滤波器的尺寸较大，令实现小型化的目标难以实现.由于集总元件具有体积小、成本低、带宽宽、元件间相互作用小等优点，在射频器件设计中发挥着重要作用.相较于基于集成无源器件（Integrated Passive Device，IPD）工艺和低温共烧陶瓷（Low-Temperature Co-fired Ceramic，LTCC）工艺的带通滤波器，这种单层宽带带通滤波器具有更低的生产成本、更少的损耗限制，以及避免了基于表面贴装器件的成本和制造公差等问题.由于其采用交指电容和微带电感的简单实现方式，该方法所设计的滤波器还具有工艺简单和体积小的优点.基于单层印刷电路板（Printed Circuit Board，PCB）工艺，本文提出了一种新型高选择性宽带带通滤波器.该电路结构对称，由多组对称的串联谐振器构建滤波器通带和带外多零点特性.其中，为了增强阻带的抑制能力和滤波器的频率选择性，添加多对接地的串联谐振器在通带左右两侧各增加一个传输零点，两个传输零点独立控制，互不影响.使用奇偶模分析方法对电路进行分析，以求解传输零点，并给出零点解析式.随后，对带通滤波器的传输零点频率、中心频率、3 dB相对带宽以及品质因数等参数变化进行分析.为了实现小型化和低成本的要求，该电路中的所有集总元件均由交指电容和微带电感实现.交指电容是一种多指周期性结构，具有多个几何变量，如指长、指宽、指间间隙、指端间隙和指数等.这些变量使得交指电容的结构具有较大的自由度，同时也增加了结构优化的难度.同理，微带电感的电感值可通过改变其长度和宽度进行调节.为了验证带通滤波器设计方法的有效性，基于单层PCB工艺，对工作在4.52 GHz的滤波器进行仿真、制造和测量，使用HFSS软件对滤波器整体结构进行优化.所用介质基板为Rogers RO4350B，其相对介电常数为3.66，损耗正切角为0.0037，板厚为1.524 mm.测试结果表明，3 dB相对带宽为1.76 GHz，在中心频率4.52 GHz处插入损耗最小（为1.68 dB），回波损耗优于21.45 dB，谐波抑制水平为7.7~9.4 GHz大于19.6 dB，通带内测试的群时延在0.56~1.2 ns之间变化.本文展示了一种单层低成本宽带带通滤波器，基于奇偶模电路和解析方程，详细阐述了滤波器的设计原理.该滤波器采用交指电容和微带电感作为集总元件，实现了小型化和低成本.实物测试进一步验证了滤波器的可行性，证明了其性能良好，具有体积小、损耗低、宽频带和选择性好等优点，适用于单层PCB工艺，易于与无线通信系统集成.
极化可重构天线是一种极化状态可切换的新型天线，它具有减少系统中天线数量、利于频率复用等优点.本文基于模式可切换馈电网络，提出了一种具备两个工作频带（1 GHz和2.1 GHz）和四种极化状态（0°和90°线极化和左、右旋圆极化）的直流偏置电压数量较少的双宽带极化可重构微带天线.双频比可实现范围为1.7~3.5.本文详细介绍了双频可切换馈网和天线的设计过程.本文在分支线耦合器的基础上加载4个开路枝节和12个二极管，通过切换二极管状态可以使馈网输出信号幅度和相位在四种模式之间切换，从而满足四种极化状态的激励条件，并且基于参数分析，提出了调节双频比和提高轴比带宽的方法.天线方面，本文在双层L探针贴片天线的基础上设计了一种准同轴去耦结构和一种T形结匹配结构.仿真结果表明天线具有良好的双频双极化性能.最后，对馈电网络和天线的整体进行了仿真和加工实测.实测结果表明，该天线在0.94~1.07 GHz（13%）和1.99~2.27 GHz（12.6%）两个较宽的频带内仅用2个直流偏置电压（不包括地板电位）就实现了四种极化状态的切换，低、高频带内线极化状态的法向增益分别为7.6 dBi和7.3 dBi，圆极化的法向增益分别为6.3 dBic和5.9 dBic.本文设计的双频四极化可重构天线为RFID系统、WLAN系统和卫星导航系统提供了新的解决方案.
制备了不同栅极宽度的AlGaN/GaN高电子迁移率晶体管，通过测量各器件电容-电压曲线和转移特性曲线，得到了栅沟道载流子输运特性以及亚阈值摆幅，结果显示当栅极宽度从10 μm增加到50 μm时，亚阈值摆幅下降了40.3%.定性且定量地分析了亚阈值摆幅值随栅极宽度变化的原因，发现不同的栅极宽度对应不同的极化散射强度，亚阈值摆幅的变化是由栅沟道载流子输运特性和极化散射效应造成的.为AlGaN/GaN高电子迁移率晶体管开关性能优化提供了新的视角与维度，将促进其更好地应用于无线通信、电力传输以及国防军工领域.
本文提出了一种基于调频连续波（Frequency Modulated Continuous Wave，FMCW）雷达回波信号的手势识别算法：首先，提出一种双维度滤波算法，在距离和速度维度对手势回波信号进行滤波，有效地降低了系统的静态噪声；其次，将数据经过动目标检测（Moving Target Indicator，MTI）算法滤除时间维度噪声；然后，提出了时间自适应定长化的方法，在减少势信息损失的前提下保证了每个手势样本帧数的一致性；最后，建立距离多普勒网络（Range Doppler Net，RD-Net）进行训练分类.该算法在谷歌开源的deep-soli数据集中取得了98.28%的准确率，比数据集提出者的算法的准确率提升了11.11%.该算法在实时推理实验中取得了90.8%的准确率，具有更好的泛化能力.
随着高性能卫星测控技术、导航技术、深空探测技术的发展以及宽带扩频等技术的大量应用，对星载高灵敏度自动增益控制接收机群时延波动指标的要求也越来越严格.而在工程实践中，高灵敏度接收机的某些微波特性会导致群时延波动的畸变.本文通过分析微波高灵敏度接收机自动增益控制环路的变化及干扰、反射、微波泄露等实际的工况，对群时延波动进行了估算，推导出了其畸变的预判公式，得出了自动增益控制接收机群时延波动畸变的预判依据.最终，本文通过对星载L频段高灵敏度导航接收机实例分析和设计，将其自动增益控制环路中可调衰减器群时延调整为 8.7 ? p s ，小于 18.6 ? p s 的指标；内部电磁泄露空间隔离度为 - 60 ? d B ，优于 - 46 ? d B 的指标；驻波比为1.5，优于2.2的指标；镜频抑制为 25 ? d B c ，大于所需的 20.8 ? d B c 的指标.经系统联试验证，群时延波动畸变小于 1 ? n s ，说明针对高灵敏度自动增益控制接收机群时延波动畸变的预判分析方法及结果正确，对其工程设计、器件选取具有重要的指导意义.
近年来，图像信息的安全传输已成为互联网领域的重要研究课题.本文提出了一种将Hopfield网络伪吸引子特性与交替量子随机行走概率分布矩阵相结合的抗攻击彩色图像加密方案.我们发现，若控制Hopfield网络状态矩阵的精度参数，将交替量子随机行走产生的概率分布矩阵4分块中的1个子块M1作为伪随机数矩阵参与加密，Hopfield网络的训练矩阵与输入矩阵分别为矩阵M1的4分块中的2个对角子块之一时，能产生伪吸引子.该伪吸引子的矩阵形式通过张量运算、进制转换等处理后，能作为密钥矩阵对原始图像进行基于空间域上的像素值排序自适应置乱以及元素数值的混淆，生成加密图像.其中，密钥矩阵是图像加密中的关键部分，具备优异统计学属性的密钥矩阵能极大的提高图像加密的效果.本文所提加密方案在统计学特性测试中，实现了平均信息熵7.999 4，像素数改变率（NPCR）的平均值99.621 8%，统一平均变化强度（UACI）的平均值33.537 9%，平均相关性0.003 9等.同时本文还对所提加密方案进行了各种噪声模拟测试以验证其实际应用中遇到常见噪声及攻击干扰情况下的鲁棒性.
本文针对双层异构网络，提出一种利用当前和过期发射端信道状态信息（Channel State Information at the Transmitters，CSIT）的异构空时干扰对齐（Heterogeneous Space-Time Interference Alignment，HSTIA）方案。该方案将空时干扰对齐拓展至双层异构网络MISO（Multiple Input Single Output）混合信道，研究可达自由度关于CSI（Channel State Information）反馈时延的折中域。结果表明，增加发射端天线数能有效提高可达自由度。基于该结论，将空时干扰对齐技术扩展至双层异构网络MIMO（Multiple Input Multiple Output）混合信道，分析MIMO系统发射端与接收端天线数比对系统自由度的影响，并进一步研究系统达到该自由度时CSI反馈时延的取值范围。结果表明，当发射端与接收端天线数比足够多时，系统自由度的稳健性随接收端天线数的增加而加强。通过仿真分析验证，HSTIA方案利用本地当前和过期CSIT执行发射预编码，实现不同时隙的干扰信号相互消除，从而获得自由度增益，以提高系统的可达速率。
由于其良好的电学、热学和力学特性，碳纳米材料互连线成为研究热点.随着技术节点的缩减，串扰效应对电路的影响愈加显著.针对单壁碳纳米管束（SWCNT）、多壁碳纳米管束（MWCNT）、单层石墨烯（SLGNR）及多层石墨烯（MGLNR）的互连线，研究了统一的等效RLC模型，并构建了单粒子串扰（SEC）的等效电路，对比分析了四种互连线在32 nm、21 nm和14 nm技术节点下的SEC峰值电压和脉冲宽度.结果表明，与铜互连线相比，碳纳米材料互连线的SEC较弱，但对传输信号的衰减作用较大，综合信号衰减和耦合作用程度，SWCNT和MLGNR更能有效抑制SEC的传播和影响.最后，利用灰色理论，分析了SEC与RLC参数之间的潜在关联性.
研究影响癌症性状的hub基因时存在如下问题：仅关注强相关性基因进行基因信息处理，缺少对弱相关性基因和不同基因模块间共表达性的研究；仅采用度中心性判断hub基因进行分析基因网络，对蕴含数据挖掘不够全面。本文提出基因模块标签信息游走的图嵌入算法Gene2vec：选取合适软阈值，保留更多弱相关性的基因信息。联合不同种类但与性状高度正相关性的基因模块，构成基因模块共表达网络。针对传统加权基因共表达网络分析方法与图嵌入方法挖掘基因模块网络信息存在问题，利用标签参数与其他参数调节基因模块网络中的随机游走过程，分析游走生成的节点序列以挖掘基因网络的信息。实验表明，Gene2vec在hub基因的检出率上优于其他算法，得到的hub基因在癌症性状中的基因表达量高于常用生物学方法得到的hub基因。
本文提出一种基于双向生成对抗网络（Bidirectional Generative Adversarial Network， BiGAN）的无监督感知哈希生成算法，通过编码网络、生成网络和判别网络间的双向迭代对抗，生成具有较强图像语义特征表示能力的感知哈希码.本算法通过在编码网络和生成网络间添加跳接层网络结构，将原始图像不同维度的特征信息传递到生成网络，提高生成图像语义学习能力与网络收敛速度；同时，在对抗损失中添加均方误差（Mean Sequare Error， MSE）损失，增强生成图像的视觉质量与细节表示能力.最后，基于网络间的多重迭代对抗训练，输出兼备相同来源图像鲁棒性和不同来源图像区分性的高性能图像感知哈希码.本研究首次采用大型图像数据库进行算法性能评价，实验结果表明基双向生成对抗网络的感知哈希生成算法与当前其他最新研究方案相比具有更强的版权认证与来源检测能力.
为了提升无蜂窝毫米波大规模MIMO （Cell-Free millimeter-Wave massive MIMO， CF mmWave mMIMO）系统总能量效率，本文研究时变信道环境中接入点（Access Point， AP）睡眠节能机制.将AP开关切换（AP Switch ON-OFF， ASO） 策略看作一个马尔可夫决策过程，使用深度强化学习（Deep Reinforcement Learning， DRL）工具解决AP开关问题.本文引入干扰感知技术和局部敏感哈希检索方法减少代理与复杂环境的交互以及样本偏差，构造了一个新的效用函数，在严格用户服务质量（Quality of Service， QoS）约束下更好地权衡总能效和可达速率性能.通过对效用函数离散化分级处理，将状态空间映射为更小的分级状态空间，以加快决斗深度Q网络（Dueling Deep Q-Network， Dueling DQN）的收敛速度.仿真结果证明了该方案的稳定性、收敛性和严格QoS约束下的总能效性能优势.
行人重新识别旨在不同的摄像头中识别目标行人的图像。由于不同场景之间存在域偏差，在一个场景中训练好的重识别模型无法直接应用在另一个场景中。为克服该问题，现有的无监督行人重识别方法倾向通过使用聚类算法获得伪标签，再利用伪标签训练重识别模型。但是，由于聚类结果是不准确的，这类方法会引入大量噪声标签，从而限制了模型的泛化能力。因此，为减轻噪声伪标签的影响，本文提出了一种基于异构卷积神经网络集成的无监督行人重识别方法。该框架不使用任何人工标记信息，自动推测目标域中行人图像之间的关系，并构建协作可信实例选择机制，选择可信度高的伪标签用于模型的训练。通过设计双分支异构卷积神经网络学习判别能力强的多种行人特征，并利用记忆单元存储训练过程中的全局特征，减少因噪声标签在训练过程中产生的波动，提高模型的鲁棒性。本文的方法在多个公开行人数据集上进行验证并给出了实验结果。在Market1501和DukeMTMC-reID数据集上mAP分别达到了85.4%和74.8%。
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.
针对图像脉冲噪声去除方法中噪声检测不准确、滤波效果不理想等问题，引入知识测度新理论，提出一种基于模糊知识量的图像去噪新方法.首先改进并简化模糊知识测度公理系统，据此提出一种新的模糊知识测度参数化模型.利用所提模型计算分析噪声图中极值点与邻域像素的相似性特征及知识量差异，有效识别并区分脉冲噪声与普通极值像素.最后提出最大平均关联知识量滤波算法实现图像去噪.对比实验针对标准数据集与测试图分别进行，实验结果表明，所提方法能够准确识别脉冲噪声，切实提高图像滤波质量，去噪结果主要指标及性能明显优于同类其他算法，较本文对比方法平均值，指标PSNR平均提升7.8%，SSIM平均提升10%.本文首次将知识测度新理论应用于图像去噪中并取得优良效果，为该理论在其他相关领域的创新应用开创了新例.
针对由于拍摄视角不同，目标图像在水平或垂直方向发生拉长或压缩等仿射变换，进而无法正确识别的问题，本文设计了一种几何与仿生融合的特征提取方法.首先，对传统的角点和直线检测进行改进，提出自适应Harris角点检测方法和去冗余的直线检测方法，并将角点数、直线数和面积比向量作为几何特征.然后，采用生物启发变换算法提取图像的仿生启发特征，该算法包括两个阶段，每个阶段均需执行方向边缘检测和局部空间频率检测.接着，将输入图像的两种特征向量分别与标准数据库中的特征向量进行Pearson相关距离计算，获得匹配得分.最后，在考虑不同数据库两种特征区分性强弱的基础上自适应确定权值，最高融合分数所对应的标签即为该图像的识别结果.实验结果表明，该方法能较好的提取图像的仿射不变特征，并且该方法在Alphanumeric、MPEG-7、GTSRB和MNIST数据库的识别准确率分别为92.2%、96%、90%和87.3%.
语符不平衡是神经机器翻译（Neural Machine Translation，NMT）语料库中普遍存在的现象。评估NMT语料库的语符不平衡度对于提升语料库质量和翻译效果具有重要意义。针对现有的语符不平衡度测评研究在算法和分词范围上的缺陷与不足，本文提出语符分布离散度算法（The Dispersion of Token Distribution，DTD）用以计算语符不平衡度，并扩大分词范围，从字符、子词和词三种粒度对语料库进行评估。实验结果表明，该算法在准确度、有效性和鲁棒性方面较以往研究有较大提升；语料库在不同分词粒度下的语符不平衡度差异很大，其中字符粒度的语符不平衡度最大，子词粒度次之，词粒度最小。
传统Mextram模型基于雪崩倍增电流源 I a v l 来描述硅锗异质结双极晶体管的雪崩倍增效应，忽略了射频条件下因雪崩倍增相位延迟以及载流子传输时间延迟带来的集电结电感延迟问题.对硅锗异质结双极晶体管的雪崩倍增效应进行了研究，解释了导致器件集电结中出现电感延迟的物理机制.提出采用击穿电感和电阻分别表征器件的RF电感延迟特性和雪崩倍增载流子的贡献，建立考虑RF雪崩倍增效应的电感击穿等效电路模型，并嵌入到Mextram505.00模型中.基于S参数来描述改进模型的验证结果，与传统模型相比改进模型在应用频率小于35 GHz条件下，显著改善了硅锗异质结双极晶体管的增益和输出阻抗的精度，且不会对器件模型的直流特性拟合精度产生负面影响.同时从改进模型的电子击穿电感 L j c n 、电子击穿电阻 R j c n 、输出曲线、增益参数和输出阻抗中提取等效电路模型的敏感参数 A e m 和 V g .结果表明，基于RF电感击穿等效电路的Mextram505.00改进模型可以更精确地预测射频条件下雪崩倍增效应发生时硅锗异质结双极晶体管的器件性能.
针对目前常用的基于参数化非线性模型（Parameterized Nonlinear Model，PNM）的补偿算法存在易陷入局部最小值，导致补偿性能不稳的问题，该文提出了基于最小二乘支持向量机（Least Squares Support Vector Machine，LS-SVM）的宽带接收前端非线性补偿算法.该算法基于减谱-时频变换法（Spectrum Reduction Algorithm based on Time-Frequency Conversion，SRA-TFC）盲分离接收前端输出信号中的大功率基波信号和其他小功率信号，并以此作为LS-SVM逆模型的训练输入-输出样本对.引入最小二乘支持向量回归（Least Squares Support Vector Regression，LS-SVR）算法高精度拟合接收前端非线性逆模型.通过以宽带接收前端的输出信号为测试样本消除其非线性失真分量.仿真与实测结果表明：该算法可使宽带接收前端的无杂散失真动态范围（Spurs-Free-Dynamic-Range，SFDR）提高约20 dB，较基于PNM的补偿算法提高了约5 dB.
为了满足高频段真空器件对阴极提出大电流密度、小电子注尺寸的需求，本文利用聚焦离子束刻蚀技术在通过双离子束辅助沉积技术沉积了锆抑制膜的浸渍钪酸盐阴极表面上制备出发射面直径为100 μm的微型阴极.实验结果显示：沉积的锆抑制膜在370 h内有效抑制了阴极的电子发射；当温度为950 ℃，其发射面的平均电流密度可达到43 A/cm2；当温度为1 000 ℃时，发射区域平均电流密度为58 A/cm2，但抑制区有了轻微发射.为了深入研究阴极微型发射区域的电子发射机理并揭示阴极抑制膜层抑制性能的原因，本文利用第一性原理建立了不同O原子吸附位以及不同Ba原子覆盖度的Ba-Sc-O-W原子结构模型和抑制膜层的Zr-Ba-Sc-O-W原子结构模型.研究发现：O原子吸附的顶位Ba-Sc-O-W发射表面的功函数下降至1.497 eV，与钪酸盐阴极有效功函数为1.41 eV实验测试结果较为相近；随着温度升高，阴极发射能力增强，但活性物质与Zr结合形成的Zr-Ba-Sc-O-W结构使抑制层抑制性能有所降低（Zr的功函数为4.05 eV，Zr-Ba-Sc-O-W计算所得功函数为3.348 eV）.
为克服传统水下弱湍流模型无法准确拟合实测数据的缺陷，选取经实验测试验证的广义Gamma分布（Generalized Gamma Distribution，GGD）来表征弱海洋湍流，并基于此提出建模综合考虑了GGD弱湍流、零视轴指向误差，以及无衰落信道冲激响应（Fading Free Impulse Response，FFIR）所表征的隐路径损耗和多径效应的新聚合衰落信道模型.接下来，利用Meijer-G函数推导出综合了GGD弱湍流与零视轴指向误差的混合衰落概率密度函数闭型表达，并据此分别推导出并行和串行中继水下无线光通信（Underwater Wireless Optical Communication，UWOC）系统中断概率的理论闭型公式.最后，则利用Monte Carlo数值仿真验证了上述推导的中断概率闭型表达的正确性，并考察不同系统核心参数的选择对中断概率的影响.研究结果表明：中继节点的引入可以有效降低长距离传输时UWOC系统的中断风险；而中继节点数、接收机孔径尺寸、入射光轴抖动方差等参数的选取，皆会对系统的中断性能产生重要影响.此外，光源发散角增大导致的FFIR时延扩展将引发严重的符号间干扰，进而导致系统中断概率普遍下降1~3个数量级.
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.
脑电信号（ElectroEncephaloGram， EEG）的跨被试情感识别，充分利用EEG信号库中大规模信息，并避免单被试模型训练对被试数据过度依赖产生的模型失效等问题，进一步推广了脑电识别的广泛应用.然而，不同被试生理与心理等客观差异加剧了模型建立难度.基于此，本文提出统一全局空间表达（Unified Global Spatial Representation， UGSR）的跨被试识别模型.本文构建自适应在线自编码网络，通过对时序数据增量学习，提取EEG信号潜在统一特征，实现生理偏差校正.进一步，本文利用格拉姆角场（Gramian Angular Fields， GAF）转换局部时序特征为全局连续空间表达，避免相同环境下因被试心理差异产生反应信号时序不一致等问题，并建立全局注意力机制的深度卷积神经网络，获得更具判别性的非线性样本表达，提升识别精度.本文模型被验证在流行的脑电信号数据集上，并获得了更好的跨被试识别精度与泛化性.
阿尔茨海默病（Alzheimer’s Disease， AD）是一种目前尚无有效方法治愈的神经系统退行性疾病，其准确分类有助于在AD早期阶段及时采取针对性治疗和干预措施，从而降低AD发病率和延缓AD疾病进展.本论文提出一种使用深度学习和异构特征融合的AD分类新方法.针对大脑中的海马体结构，首先构建三维轻量级多分支注意力网络提取海马体深度特征；然后设计结合双树复小波变换和灰度游程矩阵的三维多尺度纹理特征提取方法提取海马体纹理特征；再使用传统方法提取海马体体积和形状特征；最后构建异构特征融合网络对提取得到的多种海马体特征进行降维表示、拼接和融合，进而实现AD分类.在EADC-ADNI数据集上进行实验，本论文提出的AD分类方法的准确率（ACC）为93.39%， F 1 分数为93.10%，AUC为93.21%.实验结果表明本论文提出的AD分类方法是有效的，且其性能优于传统的AD分类方法.
为了提高车辆检测精度，解决小目标车辆难以检测的问题，本文提出了自适应多尺度特征融合网络（Adaptive Multi-scale Feature Fusion Network，AMFFN），并基于该网络对YOLO v4进行了改进，取得了更好的检测效果.该网络通过使用多个空间金字塔池化，提高特征的表示能力.提出的AMFFN跨层融合了多尺度的特征，并为不同尺度的特征层分配可学习的权重.为了更好地获得特征的细节信息，本文选择了DY-ReLU作为激活函数，它可以随输入动态变化.AMFFN可以被视为一个可重用的模块，通过反复融合特性来获得更精细的特性.为了避免复杂的网络结构导致的巨大参数量，使用深度可分离卷积替换普通卷积，以降低参数量，提高网络检测速度.实验结果表明，本文提出的方法相比YOLO v4提高了1.90%的AP，检测速度提高了5 FPS.
现有的基于深度学习的同步JPEG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%.
对于海表盐度微波遥感，海面粗糙度引起的辐射亮度温度变化与海表盐度的贡献相当甚至更大。因此，海表盐度遥感不仅要利用对盐度敏感的L波段微波频率进行高精度的辐射亮温测量，还要利用同步搭载的L波段散射计获取海面粗糙度信息并进行矫正，这对于提高海表盐度测量精度具有重要作用。本文针对我国首个海面盐度遥感卫星主被动微波盐度计的L波段散射计开展研究，建立了一种多波束推帚式星载微波散射计的系统仿真模型，对比分析了雷达脉冲参数对该系统测量精度的影响，并进行了信号带宽和不同极化方式脉冲数配置的优化设计。研究表明，在L波段散射计的基线参数下，脉冲带宽为1.5 MHz、脉冲重复频率为100 Hz时，可实现同极化后向散射测量精度优于0.1 dB的指标。
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，从而引导网络更加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，能够缓解跳跃连接引入与前景内容不相关特征的问题，以及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 Square Error，MSE）、前景均方误差（foreground Mean Square 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1dB.
该文针对广泛应用的TLS1.3协议，提出了一种高性能的椭圆曲线密码处理器.该处理器支持TLS1.3协议中定义的两类素数域椭圆曲线的通用模数.通过对高基蒙哥马利算法的改进，提出了一种支持521 bit及以下位宽的模乘运算单元，并提出了一种双模乘单元并行结构的标量乘法器.基于该结构在两类椭圆曲线下设计了雅阁比坐标系下并行的点运算时序排布，使模乘单元的利用率在不同点运算情况下达到100%，95.4%和86.5%.与现有设计相比，本文中标量乘法运算消耗的周期更少，运算单元利用率更高，在相似的时间面积乘积前提下，具有更强的通用性和可配置性的优势.在UMC 55nm CMOS工艺下达到454 MHz的时钟频率，等效逻辑门数85.1万，Secp256r1曲线的标量乘运算速度为3.123万次/秒.
