流式通信是光纤通信网络和移动通信网络中重要的通信场景，区别于传统的间歇式或分块通信场景，流式通信中传输的数据具有典型的连续流式特性.面向流式通信场景，耦合码因其相对于传统分组码具有显著的性能提升，加之其天然的低编译码时延结构，成为流式通信场景中重要的信道编码候选技术.本文先回顾现有的耦合低密度校验（Low-Density Parity-Check，LDPC）码技术，包括：乘积类耦合LDPC码、部分重编码类耦合LDPC码、空间耦合LDPC码和全局耦合LDPC码.在此基础上，本文进一步介绍了基于便车码技术的耦合LDPC码改进提升设计，并介绍了基于分组马尔可夫叠加传输技术的一类新型耦合LDPC码.最后，本文对耦合LDPC码的发展前景和研究方向进行展望.

当前，图Transformer主要在传统Transformer框架中附加辅助模块达到对图数据进行建模的目的.然而，此类方法并未改进Transformer原有体系结构，数据建模精度还有待进一步提高.基于此，本文提出一种基于图注意力和改进Transformer的节点分类方法.该方法构建基于拓扑特征增强的节点嵌入进行图结构强化学习，并且设计基于二级掩码的多头注意力机制对节点特征进行聚合及更新，最后引入归一前置及跳跃连接改进Transformer层间结构，避免节点特征趋同引起的过平滑问题.实验结果表明，相较于6类基线模型，该方法在不同性能指标上均可获得最优评估结果，且能同时兼顾小规模和中规模数据集的节点分类任务，实现分类性能的全面提升.

遥感卫星图像在空间分辨率和时间分辨率之间权衡导致图像序列的时空矛盾.时空图像融合提供了一个生成高空间分辨率和高时间分辨率图像的解决方案，以满足各种地球观测应用.基于稀疏表示的时空融合算法通过联合训练字典和稀疏编码表示建立高低空间分辨率图像之间的关系，为物候变化、类型变化等各种情况提供了统一的融合框架.然而，多源遥感图像来自于不同的传感器，高低空间分辨率图像之间关系模型暗含有传感器映射关系，导致模型设备依赖.针对该问题，本文提出将多源遥感图像时空融合过程分解为传感器偏差校正和时空融合两个子问题，即设备依赖部分和设备无关部分.传感器偏差校正部分可以作为时空融合预处理模块，提高融合精度，并且使得后续的融合模型更加具有普适性.当高低空间分辨率图像空间分辨率差异较大时，“高低空间分辨率图像稀疏系数一致”的假设带来的融合误差非常突出.针对该问题，本文提出基于跨尺度相似先验的遥感图像时空融合算法，利用跨尺度相似块构建稀疏结构先验的正则项，优化稀疏表示的目标函数，并构建中间尺度图像，降低跨尺度相似块的二义性.本文分别使用3组典型场景的实验数据集与其他算法进行对比，实验结果表明，在BOREAS数据集上，与次优的指标相比，本文算法的结构相似度（Structural SIMilarity，SSIM）提高了4.2%，光谱角（Spectral Angle Mapper，SAM）提高了4.6%；在CIA数据集上，与次优的指标相比，本文算法的SSIM提高了2.7%，SAM提高了12.8%；在LGC数据集上，与次优的指标相比，本文算法的SSIM提高了7.1%，SAM提高了16.3%；证明本文算法在空间和光谱特性上表现出优秀的特性.

伪装目标检测旨在检测隐藏在复杂环境中的高度隐蔽物体，在医学、农业等多个领域有重要应用价值.现有方法结合边界先验过分强调边界区域，对伪装目标内部信息的表征不足，导致模型对伪装目标的内部区域检测不准确.同时，已有方法缺乏对伪装目标前景特征的有效挖掘，使背景区域被误检为伪装目标.为解决上述问题，本文提出一种基于边界特征融合和前景引导的伪装目标检测方法，该方法由特征提取、边界特征融合、主干特征增强和预测等若干个阶段构成.在边界特征融合阶段，首先，通过边界特征提取模块获得边界特征并预测边界掩码；然后，边界特征融合模块将边界特征和边界掩码与最低层次的主干特征有效融合；同时，加强伪装目标边界位置及内部区域特征.此外，设计前景引导模块，利用预测的伪装目标掩码增强主干特征，即将前一层特征预测的伪装目标掩码作为当前层特征的前景注意力，并对特征执行空间交互，提升网络对空间关系的识别能力，使网络关注精细而完整的伪装目标区域.本文在4个广泛使用的基准数据集上的实验结果表明，提出的方法优于对比的19个主流方法，对伪装目标检测任务具有更强鲁棒性和泛化能力.

网络攻击调查是实现主动防御、溯源反制的重要手段.面向高隐蔽、强对抗的现代网络攻击，研究高效率、自动化攻击调查方法，提升己方快速响应复杂网络攻击能力，是智能网络攻防关键技术之一.现有研究通过将系统审计日志建模成可表达攻击事件因果依赖关系的溯源图，利用溯源图强大的关联分析和语义表达能力，对复杂隐蔽网络攻击进行调查，相较传统方法效果提升显著.在全面收集分析基于溯源图的攻击调查研究工作的基础上，根据溯源图利用方式及特征挖掘维度的差异，将基于溯源图的攻击调查方法划分为基于因果分析、基于深度表示学习和基于异常检测三类，总结凝练每类方法具体工作流程和通用框架.梳理溯源图优化方法，剖析相关技术从理论向产业落地的能力演变历程.归纳攻击调查常用数据集，对比分析基于溯源图的攻击调查代表性技术和性能指标，最后展望了该领域未来发展方向.

高精度X射线光子到达时间转换模型对脉冲星导航的精度至关重要，针对目前完整模型复杂而简化模型精度有限的问题，本文提出了一种精度不低于已有简化模型的快速简化模型.通过对现有完整模型的推导，从理论上分析了各延迟项对模型精度的影响，指出罗曼延迟仍是影响简化模型精度的关键.通过改变罗曼延迟的表达式及其二阶展开方式并考虑物理量的易获取度，得到一种快速简化模型.利用完整模型及所提简化模型对中子星内部组成探测器（Neutron star Interior Composition Explorer，NICER）和慧眼硬X射线调制望远镜（Hard X-ray Modulation Telescope，HXMT）的实测光子数据进行时间转换，分析了所提模型的精度和计算效率；利用数值仿真分析了轨道高度、脉冲星角位置测量误差对简化模型精度的影响，讨论了不同高度地球轨道应用中该简化模型的精度及计算效率.结果表明本文所提简化模型相比Sheikh简化模型和fei模型计算效率分别提高50%和10%，且未造成精度降低.

在合成孔径雷达（Synthetic Aperture Radar，SAR）系统中，舰船目标在中高海情下的三维转动会导致多普勒频谱时变和图像散焦，并对后续SAR舰船目标的信息解释造成不利影响.针对三维转动舰船目标的重聚焦问题，本文提出一种基于最小熵准则与生成对抗网络的SAR三维转动舰船目标重聚焦方法，设计了生成器和判别器的网络结构.生成器将散焦SAR舰船复图像变换到距离-多普勒域，利用相位误差系数估计网络逐距离单元估计相位误差系数，并实现对多阶次相位误差的补偿.判别器由一个复数域卷积神经网络构成，其所有元素，包括卷积层、激活函数、特征图和网络参数，均被扩展到复数域.损失函数中引入最小熵准则和对抗损失进行无监督训练，避免非合作舰船目标标注样本难以获取的问题.在仿真数据和高分三号SAR数据上的实验表明，该方法在重聚焦精度和效率上均有显著提升.

状态空间模型作为一种常见且重要的模型结构在自动化领域有着广泛的应用，本文针对异常值干扰下的非线性状态空间系统辨识问题开展研究.与现有的辨识方法不同，本文充分考虑了状态转移过程和输出量测过程均受到异常值干扰的情况，提出了一种更加全面的鲁棒辨识算法.首先利用两个相互独立的学生氏t分布分别对状态噪声和输出噪声进行建模以保障算法的鲁棒性；其次利用粒子平滑算法估计状态变量的后验概率分布以解决状态未知问题；最后利用期望最大化算法实现未知参数估计.在算法实现过程中使用了学生氏t分布表达式的数学分解，这样做的好处是：（1）更加有利于算法的推导和实现；（2）更清晰地解释了算法的鲁棒性能.并且本文通过数值算例和应用算例验证了该方法的有效性.

融合传统动态随机访问存储器（Dynamic Random Access Memory，DRAM）与新型非易失性内存（Non-Volatile Memory，NVM）可构建平行架构或层次架构的异构内存系统.平行架构的异构内存系统往往需要通过页迁移技术把热点数据从NVM迁移到DRAM以提高访存性能，然而在操作系统中实现热页监测和迁移会带来巨大的软件性能开销.硬件实现的层次架构由于增加了访存层次，对于访存局部性差的大数据应用反而增加了访存延迟.为此，本文提出可重构的异构内存架构，可以运行时在平行和层次架构间进行转换以动态适配不同应用的访存特性.设计了基于新型指令集架构RISC-V（Reduced Instruction Set Computing-V）的DRAM/NVM异构内存控制器，利用少量硬件计数器实现了访存踪迹统计和分析，并实现了DRAM和NVM物理页间的动态映射和高效迁移机制.实验表明，DRAM/NVM异构内存控制器可提高43%的应用性能.

本文提出了一种基于双层超表面的多层复合吸波体的设计方法，设计的吸波体包含两层核心超表面功能层、顶层吸收增强蒙皮和数层支撑介质层，两层超表面Ⅰ和Ⅱ的结构单元分别为加载贴片电阻的异形金属片和加载贴片电阻的六边形金属环，蒙皮为玻璃纤维层压板，支撑介质为PMI泡沫.仿真结果表明，反射系数低于⁃10 dB的吸波频带覆盖范围为2.80~23.64 GHz，低于⁃20 dB的吸波频带覆盖范围为3.56~22.56 GHz.测试结果表明，反射系数低于⁃10 dB的频带为2.36~23.87 GHz；⁃20 dB吸波频带为3.17~23.16 GHz.仿真和测试所得反射系数曲线具有良好的一致性，验证了该设计方法的有效性.仿真和测试结果表明，50°斜入射的⁃10 dB反射系数频带与垂直入射时基本保持一致，起始和终止频率的偏移量小于0.8 GHz；进一步地，斜入射角为60°时，反射系数低于⁃10 dB的相对带宽最大可达141.8%，表明本研究所设计的复合吸波体具有宽角域入射稳定特性.此外，本文研究了该复合吸波体宽频广角强吸收的相关机理以及主要结构参数对吸波性能的影响，结果表明顶层蒙皮在超宽带范围内可提升吸波率0.2（1.0代表100%吸波），两层超表面吸波频带的互补增强设计能够明显改善其斜入射角度稳定性.

大部分光伏电站地处偏僻、地形复杂的区域，受到外界环境的影响，易发生各种故障.而传统的光伏阵列故障诊断方法存在精度不高以及光伏数据利用率低等问题.针对以上问题，本文先是通过引入Levy飞行策略和步长因子动态调整策略改进麻雀搜索算法（Sparrow Search Algorithm，SSA），降低SSA算法陷入局部最优的风险，提升SSA算法的寻优能力.然后采用改进的Levy步长调整麻雀搜索算法（Levy Adjustment Sparrow Search Algorithm，LASSA）对CatBoost模型关键超参数进行寻优，提出了一种基于CatBoost并以LASSA为优化策略的光伏阵列故障诊断模型LASSA-CatBoost，以实现光伏阵列的短路、开路、老化和阴影遮挡故障的精确诊断.实验结果表明，LASSA-CatBoost模型的故障诊断准确率为99.7%，相较于优化前的CatBoost模型，准确率提高了3.6%.与现有的光伏阵列故障诊断模型相比，LASSA-CatBoost模型的准确性和稳定性更高.

本文基于45 nm互补金属氧化物半导体绝缘体上硅工艺（Complementary Metal Oxide Semiconductor Silicon On Insulator，CMOS SOI）设计了一款支持5G毫米波24.25~27.5 GHz和37~43.5 GHz双频段的低相位噪声压控振荡器（Voltage Controlled Oscillator，VCO）.基于CMOS SOI工艺良好的晶体管开关特性，结合开关电容阵列及开关电感方案，提高宽带调谐电容、电感Q值，扩展VCO工作频段，降低相位噪声.同时，输出匹配网络也采用开关电容切换方式，实现了5G毫米波双频段良好阻抗匹配及稳定功率输出.流片测试结果表明该VCO可以完整覆盖5G毫米波双频段24.25~27.5 GHz和37~43.5 GHz，低频段输出功率-4.8~0 dBm，高频段输出功率-6.4~-2.3 dBm.在24.482 GHz载频，1 MHz频偏处的相位噪声为-105.1 dBc/Hz；在43.308 GHz载频，1 MHz频偏处的相位噪声为-95.3 dBc/Hz.VCO核心直流功耗15.3~18.5 mW，电路核心面积为0.198 mm².低频段（高频段）的FoM（Figure of Merit）及FoM_T优值分别达到-181.3 dBc/Hz（-175.4 dBc/Hz）、-194.3 dBc/Hz（-188.3 dBc/Hz）.

由于跟踪过程目标不规则形变的影响，采用固定纵横比的尺度模型无法精确地估计目标的尺度.为解决该问题，本文提出基于纵横比自适应的相关滤波跟踪算法.基于fDSST（fast Discriminative Scale Space Tracking）算法，训练学习纵横比模型，更新目标的纵横比，获取更精确的目标尺度.在此基础上，本文设计了平滑修正方案以及学习率自适应机制，可以有效地缓解因目标出现遮挡导致的模型漂移问题.在OTB100、VOT2016和VOT2018数据集上与其他跟踪算法进行对比实验，结果表明本文算法改善了基准算法的性能，特别是在OTB100上的总体准确率和成功率比fDSST提高了9.6%和6.2%.

本文利用半超结结构进行高压超结功率金属氧化物半导体（Metal Oxide Semiconductor，MOS）器件的设计，基于Sentaurus TCAD（Technology Computer Aided Design）仿真平台设计超结元胞结构并优化高压超结功率MOS器件的击穿电压与导通电阻，随后探究了寄生电容的特性.最后，基于多次外延工艺自主设计出一款器件结构仿真击穿电压1 658 V、工艺仿真击穿电压1 598 V、比导通电阻值303 mΩ·cm²的高压超结功率MOS器件，与相同耐压值器件相比，比导通电阻值下降约50%.同时探究了超结掺杂浓度与厚度以及电压支持层掺杂浓度与厚度4个主要结构参数对器件寄生电容特性的影响.

特征提取是高光谱图像分类的关键.现有分类方法在特征提取时，往往忽略特征的信息保有量和空间分布等因素，导致输出的特征可能面临低信息保有量与无序分布等问题，预测结果不佳.为此，本文提出一种基于结构化特征重构的高光谱图像分类方法，能够有效地减少特征提取过程中信息丢失，提高信息保有量，并充分考虑特征的空间分布，增强特征的判别性.借鉴重构思想以及自表达理论，建立结构特征重构的特征表示模型，可提升图像信息的利用率，并描述反映有序分布的结构信息.针对建立的多变量模型，设计一种基于交替更新的优化策略来求解模型.利用支持向量机来对特征进行分类计算和标签预测.利用Salinas、Pavia Center、Botswana以及Houston数据进行实验验证，结果表明，本文算法优于现有的分类模型，在OA（Overall Accuracy）、AA（Average Accuracy）以及Kappa系数等指标上平均提升了2.6%、3.9%、3.3%.

量子近似优化算法（Quantum Approximate Optimization Algorithm，QAOA）是求解组合优化问题的算法框架，是近期最有可能展示量子计算优势的算法之一.在QAOA框架内，表征解的量子态采取的二进制编码方案导致的对称性限制了QAOA的性能.为了克服这一局限性，本文受Dicke态制备算法的启发，给出了一种新的解编码方案，消除了现有编码方案中的对称性.本文还设计了新的演化算子——星图（Star Graph，SG）算子，及其对应的SG算法，给出了算法求解图分割问题时的量子电路.在IBM Q上的实验结果显示，星图算法比标准QAO算法平均约有25.3%的性能提升.

针对分布式多输入多输出雷达中联合时延-多普勒-角度测量的运动目标定位问题，提出了一种基于半正定松弛的凸优化定位算法，改善了测量误差较大时定位误差偏离克拉美罗界的阈值效应.首先，将定位问题表述为最大似然估计问题，通过引入辅助变量将定位问题转化为带约束的加权最小二乘优化问题，然后使用半正定松弛技术，转化为半正定规划凸问题，并采用内点法对该凸问题求解得到目标位置和速度估计.由于凸优化问题的局部最优解就是全局最优解，本文算法具有良好的全局收敛性.仿真结果表明，与现有算法相比，本文算法的定位误差逼近克拉美罗下界，在大测量误差水平下的定位精度和稳健性优于现有算法.

当前，深度主动学习（Deep Active Learning，DAL）在分类数据标注工作中获得成功，但如何筛选出最能提升模型性能的样本仍是难题.本文提出基于弱标签争议的半自动分类数据标注方法（Dispute about Weak Label based Deep Active Learning，DWLDAL），迭代地筛选出模型难以区分的样本，交给人工进行准确标注.该方法包含伪标签生成器和弱标签生成器，伪标签生成器是在准确标注的数据集上训练而成，用于生成无标签数据的伪标签；弱标签生成器则是在带伪标签的随机子集上训练而成.弱标签生成器委员会决定哪些无标签数据最有争议，则交给人工标注.本文针对文本分类问题，在公开数据集IMDB（Internet Movie DataBase）、20NEWS（20NEWSgroup）和chnsenticorp（chnsenticorp_htl_all）上进行实验验证.从数据标注和分类任务的准确性2个角度，对3种不同投票决策方式进行评估.DWLDAL方法中数据标注的F ₁分数比现有方法Snuba分别提高30.22%、14.07%和2.57%，DWLDAL方法中分类任务的F ₁分数比Snuba分别提高1.01%、22.72%和4.83%.

微血管侵犯（MicroVascular Invasion，MVI）是肝细胞癌（HepatoCellular Carcinoma，HCC）切除或移植患者出现早期复发和长期预后不良的重要影响因素，因此在HCC患者术前评估是否存在MVI具有非常重要的临床价值.近年来，深度学习为MVI影像诊断评估提供了有价值的解决方法，但受数据标注收集困难等因素的影响，目前研究多独立利用电子计算机断层扫描（Computed Tomography，CT）或核磁共振成像（Magnetic Resonance Imaging，MRI）手段采集影像中的单模态序列，缺乏对各成像手段中多模态序列的综合应用.在小样本场景下，为有效利用多模态序列数据，提高诊断效能，本文提出一种高效多模态贡献度感知网络.该网络可以利用模态分组卷积和高效多模态自适应加权模块，在极少计算开销的引入下，学习CT或MRI的各模态影像信息在复杂多样的MVI表象下的诊断贡献.本文在三甲医院收集的临床数据集上进行实验，结果表明该网络模型可以在少量有标注数据的支持下，取得优于多种基于注意力机制的神经网络模型的MVI诊断性能，为专业医师的诊断分析提供了有效参考.

微电网是一个分布式小型发配电系统，根据产消者不同的需求，通过邻近能源交易的方式实现电力的循环流动.为了在微电网的能源交易中制定最优的定价和交易策略，本文结合联盟链的特点提出了双向密封竞价（Double Sealed Bid，DSB）拍卖方案，该方案在满足关键的经济性质（个人理性、预算平衡等）的基础上通过用户的报价、出价、电量和价格期望等因素共同决定获胜者.同时为了保护拍卖过程中参与用户的隐私，本文根据DSB拍卖方案的特点，基于差分隐私理论提出了BDP（Blockchain-based Differential Privacy）算法，并通过隐私分析和数据有效性分析表明该算法既满足了差分隐私要求又满足了均值有效性.最后，本文将BDP算法应用于DSB拍卖方案中，实现了安全高效的双向能源拍卖隐私保护方案-DPDAB（Differential Privacy-based Double Auction on Blockchain），该方案在实现最优的定价和交易策略的同时保护了拍卖过程中参与用户的隐私.此外，本文通过实验分析了BDP算法对拍卖数据的影响以及处理数据的时间开销对拍卖方案的影响，并通过对比实验证明了DPDAB方案在平均效益、用户满意度和社会福利方面的有效性.

基于差分隐私的深度学习隐私保护方法中，训练周期的长度以及隐私预算的分配方式直接制约着深度学习模型的效用.针对现有深度学习结合差分隐私的方法中模型训练周期有限、隐私预算分配不合理导致模型安全性与可用性差的问题，提出一种基于数据特征相关性和自适应差分隐私的深度学习方法（deep learning methods based on data feature Relevance and Adaptive Differential Privacy，RADP）.首先，该方法利用逐层相关性传播算法在预训练模型上计算出原始数据集上每个特征的平均相关性；然后，使用基于信息熵的方法计算每个特征平均相关性的隐私度量，根据隐私度量对特征平均相关性自适应地添加拉普拉斯噪声；在此基础上，根据加噪保护后的每个特征平均相关性，合理分配隐私预算，自适应地对特征添加拉普拉斯噪声；最后，理论分析该方法（RADP）满足 \epsilon-差分隐私，并且兼顾安全性与可用性.同时，在三个真实数据集（MNIST，Fashion-MNIST，CIFAR-10）上的实验结果表明，RADP方法的准确率以及平均损失均优于AdLM（Adaptive Laplace Mechanism）方法、DPSGD（Differential Privacy with Stochastic Gradient Descent）方法和DPDLIGDO（Differentially Private Deep Learning with Iterative Gradient Descent Optimization）方法，并且RADP方法的稳定性仍能保持良好.

多图学习是一种非常重要的学习范式.与多示例学习相比，在多图学习中包表示一个对象，包中的每一个图对应一个子对象.这种数据表示方法能够表达子对象的结构信息.但是，现有的多图学习方法不仅隐含假设包内的图满足独立同分布，而且多采用将多图学习问题转变为多示例学习问题的技术思路.这类多图学习方法容易损失图自身及图间的结构信息.针对上述问题，本文提出一种基于结构感知的多图学习方法，有效学习图自身和图间的结构信息.该方法利用图核，通过计算图之间的相似度保留图自身的结构信息，通过生成包级图表达图间的结构信息，并且设计包编码器有效学习图间的结构信息.在NCI（1）、NCI（109）和AIDB三个多图数据集上的实验结果表明，所提方法相较于现有方法在准确率、精确率、F ₁值和AUC上分别平均提高了5.97%、3.44%、4.48%和2.56%，在召回率上平均降低了2.12%.

现有的采样率偏移（Sampling Rate Offset，SRO）估计算法在低信噪比条件下性能严重下降.为了解决这个问题，本文提出一种基于子带二次互相关函数的频率滑动窗二次互相关（Frequency Sliding Double-Cross Correlation Processing，FS-DXCP）算法.该方法使用频域滑动窗口构建无线节点观测信号间的子带二次互相关函数矩阵，进而利用奇异值分解来自适应地消除低信噪比频段对二次互相关函数估计的影响，最后搜寻二次互相关函数的极大值点获得SRO的估计.计算机仿真实验表明：在信噪比为-5 dB时，所提方法的采样率频偏平均估计误差为4.21百万分率（part per million，ppm），这比现有的DXCP-PHAT算法的估计误差降低了约8.17 ppm.所提算法有效提升了低信噪比条件下采样率频偏的估计精度.

金刚石表面沟道场效应管以氢终端金刚石表面的二维空穴气2DHG（Two-Dimensional Hole Gas）作为沟道实现输入电压对输出电流的控制，是目前金刚石电子器件的主流结构.该2DHG面电导具有可大范围调控的面电荷密度和较高空穴饱和漂移速度.本文回顾了金刚石场效应管器件在直流、频率和功率特性的研究进展，揭示了低迁移率是制约金刚石低功耗高速数字电路、高频器件和高功率微波器件发展的主要因素.从理论和实验总结了金刚石表面电导出现的类调制掺杂的新掺杂机理，尤其实现了室温下2DHG霍尔迁移率提升到680 cm²/Vs，材料方阻从10 kΩ/sq数量级降低到1.4 kΩ/sq电导性能的突破.相信这将会引起金刚石场效应管性能极大提升和器件的快速发展.

基于超像素技术，针对彩色硅基OLED（Organic Light Emitting Diode）微显示器，提出一种数字驱动策略，通过复用相邻像素信息，使单像素用于多个相邻像素成像，大幅提高显示分辨率.设计了一种数字驱动彩色OLEDoS（Organic Light Emitting Diode on Silicon）微显示器驱动电路，在120 Hz帧频的条件下，可实现256级灰度和4K显示分辨率，且电路面积和每秒数据传输量仅为传统驱动方式的50%.经测试验证，该驱动电路可实现的OLED像素平均电流范围为13.1 pA~3.74 nA，可满足微显示器近眼显示需求.

现代战场环境日益复杂，随着空中机载装备技术的升级，海量多源异构传感器数据不可避免地出现信息不一致、不完备问题.传统面向机载多源传感器量测数据的融合处理方法忽略传感特征间的相关性，单依赖物理传感器的数据驱动形成封闭识别系统.考虑到专家认知、领域参数、属性规则等知识能以专家经验、规则约束等辅助认知形式在目标综合识别的模型构建、推理识别等环节起到指导作用，本文提出一种知识辅助的空中目标类型综合识别方法，利用上述知识，首先构建典型空中目标特征军事作战知识图谱，提取关键特征参数、识别规则阈值等建立目标辨识框架关联关系模型；然后在特征级识别、决策级识别层分别构建数据基本信任指派与证据冲突可信度；此外，针对证据出现高冲突情况制定时域融合规则，引入历史数据重构调整数据时序融合权重因子；最后在静态推理与动态融合下分层实现异构多源传感器的置信类型综合识别.本文在典型空中目标类型识别任务下识别准确率优于现有算法，验证了所提方法的有效性.

频控阵（Frequency Diversity Array，FDA）雷达于2006年由Antonik和Wicks提出.由于FDA雷达每个相邻的天线之间存在一个频率偏移，因此在发射阵列存在距离角度二维依赖性.而对于双基地频控阵多输入多输出（FDA-Multiple Input Multiple Output，FDA-MIMO）雷达而言，在导向矢量中耦合了波离方向、到达方向、距离（Direction Of Departure-Direction Of Arrival-range，DOD-DOA-range）三个信息，如何对三者信息进行解耦便成为研究的重点.本文针对双基地FDA-MIMO雷达的目标参数估计问题，提出了一个张量框架下的降维多重信号分类（Reduced-Dimension MUltiple SIgnal Classification，RD-MUSIC）的参数估计算法.首先，为了将发射阵列中的DOD和距离信息进行解耦，需要对发射阵列进行子阵的划分.紧接着利用高阶奇异值分解（High-Order-Singular Value Decomposition，HOSVD）算法获得信号子空间，并构建二维空间谱函数.其次，通过拉格朗日算法对空间谱进行降维，使其仅与DOA有关，从而得到DOA估计.然后利用子阵之间的频率增量来对DOD和距离信息进行解耦，同时消除相位模糊，最终得到与DOA估计自动匹配的DOD和距离估计.所提算法利用高维数据的多维结构提高了估计精度，同时能够有效地降低运算复杂度.数值实验证明了所提算法性能的优越性.

篇章级关系抽取任务旨在从非结构化文档的多个句子中提取事实，是构建领域知识库和知识问答应用的关键环节，相较于句子级关系抽取，该任务既要求模型能够基于文档结构特征捕获实体间的复杂交互，还要应对严重的关系类别长尾分布问题.现有基于表格的关系抽取模型主要对文档进行“实体/实体”二维建模，采用多层卷积网络或局部注意力机制提取实体间的交互特征，由于未显式对关系语义进行解耦建模，使得模型无法避免类别重叠影响和捕获关系的方向性特征，导致缺乏实体交互的充分语义信息.针对上述挑战，本文提出了一种基于三维表征建模的篇章级关系抽取模型DRE-3DC（Document-Level Relation Extraction with Three-Dimensional Representation Combination Modeling），对二维表格建模方式进行扩展，形成“实体/实体/关系”三维表征建模，采用基于形变卷积的三重注意力机制有效区分和聚合不同语义空间下的实体间及实体与关系的交互表征，自适应地增强模型对文档结构特征的聚合.同时，采用多任务学习方法增强模型对文档整体关系类别组合的感知来缓解篇章级关系抽取任务中的关系类别长尾分布问题.在DocRED和Revisit-DocRED两个篇章级关系抽取数据集上进行的实验结果表明，DRE-3DC模型性能良好，并通过消融实验、对比分析和实例分析，验证了本文所提方法的有效性.

设计并构建全光纤型少模掺铒放大器，实验对比研究不同泵浦模式及方向对LP₀₁、LP_11a、LP_11b这3个信号模式的增益特性影响.实验对泵浦功率、输入信号功率以及多波长情况下的放大器特性进行分析.结果表明，4种泵浦方案中，前向LP₁₁泵浦情况下放大器有最佳性能，在整个C波段上信号增益超过20 dB、模式增益差低于0.9 dB，噪声系数小于9.6 dB；信号输入功率为-10 dBm/模式时，在1 550 nm处，3个信号模式的增益均超过20.8 dB、DMG低至0.3 dB、LP₀₁信号光的噪声系数低于6.2 dB以及LP₁₁信号光的噪声系数低于9.6 dB.4种泵浦方案下对比不同泵浦方向可得：前向泵浦放大器的噪声系数最小，但3种信号模式的增益也较小，而采用后向泵浦时，高阶信号模式增益增加，但噪声系数也会变大.对比泵浦模式可发现，相比于LP₀₁泵浦，LP₁₁泵浦能大幅提高LP₁₁信号光的增益，对LP₀₁信号光增益影响较小，从而可降低DMG值.

交通流量因受周期性特征、突发状况等多重因素影响，现有模型的预测精度无法满足实际要求.对此，本文提出了基于误差补偿的多模态协同交通流预测模型（Multimodal Collaborative traffic flow prediction model based on Error Compensation，MCEC）.针对传统预测模型不能兼顾时间序列和协变量的问题，提出基于小波分析的特征拓展方法，该方法引入聚类算法得到节假日标签特征，将拥堵指数、交通事故图、天气信息作为拓展特征，对特征进行多尺度分解.在训练阶段，为达到充分学习各部分数据、最优匹配模型的效果，采用差分整合移动平均自回归模型（Autoreg Ressive Integrated Moving Average Model，ARIMA）、长短期记忆神经网络（Long Short-Term Memory network，LSTM）、限制动态时间规整技术（Dynamic Time Warping，DTW）以及自注意力机制（Self-Attention），设计了多模态协同模型训练.在误差补偿阶段，将得到的相应过程值输入基于支持向量机回归（Support Vector Regression，SVR）的误差补偿模块，对各分量的误差进行学习、补偿，并重构得到预测结果.使用公开的高速公路数据集对MCEC进行验证，在多个时间间隔下对比实验结果表明，MCEC在交通流量预测中的平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）达到17.02%，比LSTM-SVR、ConvLSTM（Convolutional Long Short-Term Memory network）、ST-GCN（Spatial Temporal Graph Convolutional Networks）、MFFB（Multi-stream Feature Fusion Block）、Transformer等预测模型具有更高的预测精度，MCEC模型具有较好的有效性与合理性.

在任意说话人语音转换中，训练阶段通常采用编码器对同一说话人语音进行解耦，然后用解码器进行自重构，而转换阶段的解码器是对源语音的内容信息与目标语音的个性特征进行耦合，因此解码器在转换阶段与训练阶段会存在性能失配现象，影响语音转换性能.对此提出了一种采用双重交换表示分离的语音转换方法DERS-VC（Double Exchange Representation Separation Voice Conversion）.该方法在训练阶段的自重构过程中，用同一说话人的语音模拟不同说话人的语音进行自监督训练.训练过程引入转换不变损失和周期循环一致损失，通过双重交换表示分离的循环过程使自重构语音与原始语音更加逼近.实验结果表明，DERS-VC算法在梅尔倒谱距离（Mel-Cepstral Distortion，MCD）上比现有的AGAIN-VC（Activation Guidance and Adaptive Instance Normalization Voice Conversion）转换方法平均降低了4.03%，平均意见分（Mean Opinion Score，MOS）提升了3.62%，转换语音质量和相似度都有提高.这说明，通过双重交换表示分离的方法可以更好地训练解码器，实现更好性能的任意说话人之间的语音转换.

Si/SiC级联H桥逆变器， 能够利用不同器件的开关组合保证低输出电流谐波畸变率（Total Harmonic Distortion，THD）和装置效率， 但也带来了Si/SiC子模块开关分配的难题. 对此， 本论文设计一种变权重的模型预测控制方法（Model Predictive Control，MPC）选择总开关状态并分配子模块开关组合. 该方法在选取逆变器总开关状态和Si/SiC子模块开关组合的代价函数中引入基于器件开关损耗的变权重，以改善逆变器的效率和输出电流谐波畸变率. 在五电平Si/SiC级联H桥逆变装置上验证了变权重MPC的有效性， 相比于固定权重MPC， 输出电流THD最多降低2.05%， 装置损耗最多降低4.53%.

基于云-边缘计算的车联网（Cloud-Edge computing for the Internet of Vehicle，CEIoV）能够支持大规模车辆的实时访问与服务请求，为了保证其内部资源的安全性，需要对车辆进行身份认证而后才能接入CEIoV；但是车辆本身处于运行状态且计算、存储和通信资源受限，给CEIoV车辆的身份认证带来挑战.本文基于具有简单密码操作的变色龙哈希函数，提出了一个连续轻量级身份认证协议（Lightweight Continuous identity Authentication，LCA），实现了对于资源受限车辆的认证和CEIoV内部资源的安全保障.本文在随机预言机模型下证明了LCA协议的语义安全性；并通过实验验证LCA协议在连续认证过程中具有较低的计算和通信成本.

联邦学习作为一种新兴的分布式机器学习架构，允许车联网中多个车辆终端进行本地模型训练，并在兼顾数据隐私保护的条件下实现模型的全局聚合，从而提供可靠的车联网服务.然而，在联邦学习训练过程中，车辆终端往往因其高移动性在不同区域间切换训练，导致全局模型精度低.此外，恶意终端频繁上传无效或错误模型数据将导致车联网服务可靠性差.因此，本文提出了一种基于双层联邦学习的高动态车联网业务边缘协作计算机制.首先，综合考虑车辆终端的移动性、计算能力和可靠性，构建了终端服务能力模型，并提出了基于深度强化学习的边缘协作计算域构建算法，通过将多个边缘节点覆盖下的车辆终端进行聚簇训练，降低了终端本地模型的切换概率，从而保证联邦学习模型训练的持续性.进而，构建了包含边缘协作计算域内聚合层和域间聚合层的双层联邦学习框架，分别采用基于自适应聚合因子的本地模型半异步聚合机制和基于数据量的区域模型异步聚合机制，提升了联邦学习系统的聚合效率.特别地，考虑终端高速移动引起的跨域问题，引入了本地模型部分条件更新机制，避免了高质量模型被低质量模型覆盖的情况，进一步提高了全局模型准确率和系统资源利用率.仿真结果表明，本文所提机制在模型精度和服务可靠性等方面均优于本地计算、同步联邦学习和异步联邦学习算法.

阿尔茨海默症（Alzheimer’s Disease，AD）是一种神经退行性疾病，患者会出现失语症、语言流畅性降低等症状.目前已经有研究者使用发音特征，流畅性、停顿等副语言学特征，或者从转录的文本中提取特征检测阿尔茨海默症.但是，传统声学特征检测方法难以获取语义信息，而将语音转录成文本又费时费力，并且由于老年人口音、患病等影响，转录质量下降明显.本文使用离散变分自编码器（discrete Variational Autoencoders，dVAE）将语音转换为伪音素序列后，利用BERT（Bidirectional Encoder Representations from Transformers）模型对伪音素序列的连接关系进行建模， 提出一种dVAE-BERT模型，从而提取音频在语言维度的表征.该模型在ADReSSo（Alzheimer’s Dementia Recognition through Spontaneous Speech only）数据集上，模型的准确率为70.42%，比基线系统提高5.63%，其与Wav2vec2.0、HuBERT（Hidden-unit BERT）模型融合后，准确率分别为76.06%、71.83%.

为了提取更具表达能力和区分度的重点特征，减少网络传递时关键特征的流失，提高神经网络图像分类能力，提出一种新的门控机制图像分类网络（image classification Network of Gating Mechanism，GMNet）.首先，使用门控卷积提取浅层特征，通过门控机制选择性地进行卷积操作，提高网络对原始图像关键特征的提取能力；其次，设计了一种插值门控卷积（Interpolation Gated Convolution，IGC）模块，利用Lanczos插值与门控卷积相结合，强化浅层特征的同时提取更具区分度的特征，提高特征的非线性表达能力；然后，设计了大核门控注意力机制（Large kernel Gated Attention Mechanism，LGAM）模块，将大核注意力与门控卷积相融合，实现了特征的选择性增强和选择性融合，提高关键区域特征的贡献度；最后，将大核门控注意力机制模块嵌入到残差分支中，让模型更有效地学习输入数据的特征和上下文信息，减少关键特征在网络信息传递时流失，提高网络的分类能力.本文方法在图像数据集CIFAR-10、CIFAR100、SVHN、Imagenette、Imagewoof上分别达到了97.05%、83.68%、97.68%、90.60%、83.05%的分类准确率，与当前先进的方法相比分别平均提高了3.26%、7.08%、3.44%、2.65%、5.02%.与现有主流网络模型相较，本文门控机制图像分类网络能够增强特征的非线性表达能力，提取更具表达能力和区分度的重点特征，减少关键特征流失，提高关键区域特征的贡献度，有效地提高神经网络图像分类能力.

随着电子设备的广泛应用，印刷电路板（Printed Circuit Board，PCB）在电子制造行业中具有重要意义.然而，由于制造过程中的不完美和环境因素的干扰，PCB上可能存在微小的缺陷.因此，开发高效准确的缺陷检测算法对于确保产品质量至关重要.针对PCB微小缺陷检测问题，本文提出了一种基于多维注意力机制的高精度PCB微小缺陷检测算法.为降低网络的模型参数量和计算量，引入部分卷积（Partial Convolution，PConv），将ELAN（Efficient Layer Aggregation Network）模块设计为更加高效的P-ELAN，同时，为增强网络对微小缺陷的特征提取能力，引入多维注意力机制（Multi-Dimensional Attention Mechanism，MDAM）的全维动态卷积（Omni-dimensional Dynamic Convolution，ODConv）并结合部分卷积，设计了POD-CSP（Partial ODconv-Cross Stage Partial）和POD-MP（Partial ODconv-Max Pooling）跨阶段部分网络模块，提出了OD-Neck结构.最后，本文基于（Youo Only Look Once version 7，YOLOv7）提出了对小目标更加高效的YOLO-POD模型，并在训练阶段采用一种新颖的Alpha-SIoU损失函数对网络进行优化.实验结果表明，YOLO-POD的检测精确率和召回率分别达到了98.31%和97.09%，并在多个指标上取得了领先优势，尤其是对于更严格的（mean Average Precision at IoU threshold of 0.75，mAP75）指标，比原始的YOLOv7模型提高28%.验证了YOLO-POD在PCB缺陷检测性能中具有较高的准确性和鲁棒性，满足高精度的检测要求，可为PCB制造行业提供有效的检测解决方案.

网络功能虚拟化通过将网络功能从专用硬件设备迁移到商用服务器上运行的软件中间盒中，简化了网络服务的配置和管理.在网络功能虚拟化的环境下，由一系列有序的虚拟网络功能组成的服务功能链正在成为承载网络服务的主流形式.将底层物理网络资源分配给服务功能链的需求称为服务功能链部署问题.对于基础设施提供商来说，在有限的资源条件下获得长期高回报是一个重要的挑战.本文形式化定义了服务功能链部署问题，提出了一种基于图注意力网络与模仿学习的服务功能链部署方法（Graph Attention Network and Imitation Learning，GAT-IL）.该方法使用图注意力网络评估每个物理服务器的放置潜力，通过蒙特卡洛树搜索方法给出专家示范，并采用模仿学习方法进行智能体的训练，融入集束搜索策略优化解空间.大量的实验结果表明，本文提出的GAT-IL方法在平均收益代价比和接受率的性能指标上均优于现有代表性算法.

场景文本图像超分辨率（Scene Text Image Super-Resolution， STISR）旨在提高文本在低分辨率图像中的分辨率和可读性.但是在空间变形或低分辨率的文本图像中，由于缺乏文本区域细节，语义线索和视觉特征信息难以与字符位置匹配对齐，文本识别效果不佳.针对该问题，本文提出多域字符距离感知的场景文本图像超高分辨率重建方法（Perceiving Multi-Domain Character distance super-resolution， PMDC），强化视觉语义特征，提高文本区域和纹理信息.首先，采用非对称卷积以及语义先验信息模块，提取文本图像的视觉和语义特征信息；其次，融合字符距离感知模块中的视觉和语义特征，得到增强位置编码感知字符间的间距变化和语义相似性；最后，结合引导线索和视觉特征对像素进行重组得到超分辨率文本图像.在公开数据集TextZoom上的实验结果，与最近TATT文本超分网络性能相比，在峰值信噪比指标上提高0.11 dB，有效提高文本清晰度和边缘纹理细节，同时提升1.5%的平均识别准确率，改进文本图像的可读性.

本文提出了一种低剖面的宽带双极化基站天线.该天线由两个相互交叉的扇形偶极子演变而来.首先，在扇形偶极子末端增加环形窄微带和金属化通孔，使天线端口输入阻抗增大，达到降低天线高度的目的.然后，增大扇形偶极子臂的张角，产生第二谐振点，提高天线带宽.该双极化天线工作在2.17~2.7 GHz频段，可提供22%的带宽.而且，由于两个偶极子围绕几何中心高度对称，该天线在工作频带内可以获得较高的隔离度和交叉极化鉴别度，其中隔离度仿真值可达51 dB，0°交叉极化鉴别度仿真值可达48 dB.该天线的峰值增益仿真值高达9.6 dBi.综上所述，该天线具有高隔离、高交叉极化鉴别度和高增益等优点，在基站系统中具有良好的应用前景.