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.

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.

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.

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.

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）.

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%.

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%.

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.

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%.

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.

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%.

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.

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.

现有的视觉语言多模态预训练方法仅在图像和文本的全局语义上进行特征对齐，对模态间细粒度特征交互的探索不足.针对这一问题，本文提出了一种基于跨模态引导和对齐的多模态预训练方法.该方法在模态特征提取阶段，采用基于视觉序列压缩的双流特征提取网络，在视觉编码器中联合图像和文本信息逐层引导视觉序列压缩，缓解与文本无关的冗余视觉信息对模态间细粒度交互的干扰；在模态特征对齐阶段，对图像和文本特征进行细粒度关系推理，实现视觉标记与文本标记的局部特征对齐，增强对模态间细粒度对齐关系的理解.实验结果表明，本文方法能够更好地对齐视觉文本的细粒度特征，在图文检索任务中，微调后的图像检索和文本检索的平均召回率分别达到了86.4%和94.88%，且零样本图文检索的整体指标相较于经典图文检索算法CLIP（Contrastive Language-Image Pre-training）提升了5.36%，在视觉问答等分类任务中，准确率也优于目前主流多模态预训练方法.

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.

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.

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%.

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.

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.

基于指令扩展的密码算法实现是兼顾性能和面积的轻量级实现方式，特别适用于日益普及的物联网设备.SM2、SM3和SM4等国密算法有利于提高自主可控设备的安全性，但针对这些算法进行指令扩展的相关研究还不够充分.RISC-V由于其开源、简洁及可扩展等优点已成为业界最流行的指令集架构之一，本文主要基于国产开源RISC-V处理器对国密算法SM2、SM3和SM4进行指令扩展和高效实现.本文基于软硬件协同的理念提出总体指令的扩展方案.对相关密码算法进行深入分析和方案对比，分别设计了硬件单元，提出高效的实现方式.设计实现的协处理器具有2级流水线结构，顺序派遣、乱序执行和顺序写回的指令执行模式，以及独立内存访问单元和大位宽寄存器.协处理器统一接管了密码算法的部分控制逻辑，降低硬件资源消耗.实验结果表明，本文设计的密码协处理器硬件结构精简，资源利用率高.SM2、SM3和SM4算法占用资源少，但执行速率相比纯硬件有一定程度下降，资源面积和花费时间的乘积与其他相关文献相比有不同程度的优势.

损失函数的设计在深度人脸识别中至关重要.常见做法是给所有类别添加固定的间隔项，以修改类别间的决策边界，压缩类内特征间距，提高模型分离不同类别特征的能力.然而，为所有类别添加相同的间隔项可能会忽略人脸识别数据集内类别间的不一致性.为进一步提升模型效果，模型应依据类别的学习难易程度，对不同类别样本特征给予不同程度的关注.文中设计了基于类均值中心与类权重中心之间的偏差挖掘难类的方法，称之为中心偏差估计.本文提出的方法会根据中心偏差估计的程度，为不同类别自适应分配不同大小的间隔项.同时，为解决训练前期中心偏差计算不稳定问题，提出了动态变化的收敛参数，调整中心偏差估计的可信度，开展相关实验验证收敛参数的有效性.在人脸验证基准数据集中，本文提出的方法比基准方法的平均准确率提高了0.26%，达到96.62%.在2个大型人脸验证测试数据集上，在FPR等于0.01%时，提出方法的TPR分数分别提高了0.58%和0.22%，获得88.47%和92.29%的实验结果，且多组实验结果表明提出的方法优于一般现有算法.实现代码参见https：//github.com/TCCofWANG/FR-Centers-Bias.

连续微流控生物芯片是生物化学实验自动化、微型化的革命性技术.多路复用器的控制模式分配作为连续微流控生物芯片自动化设计的关键环节之一，是难的NP（Non-deterministic Polynomial）优化问题.现有工作采用粒子群优化算法求解控制模式分配问题存在过早陷入局部最优解、收敛速度慢以及算法稳定性差的缺点.为此，本文提出一种连续微流控生物芯片下基于混合离散粒子群优化的控制模式分配算法.首先，为了加快算法收敛速度及避免过早陷入局部最优解，提出了离散的自适应区域搜索策略.其次，通过基于样例的社会学习机制提高了算法的稳定性.然后，采用等距抽值的方式筛选出自适应区域搜索策略中重要参数的最佳组合，以进一步提高分配方案的质量.最终实验结果表明，所提算法在多路复用器中阀门使用数量上平均优化了19.01%，在算法稳定性上提高了29.18%，且在现实的生化应用中有良好的性能表现.

视听双模态情感识别是情感计算领域的研究热点.目前情感识别方法存在无法同时提取视频局部和全局特征，多模态数据融合简单，损失函数在模型优化中无法关注错分样本等问题，导致情感识别结果精确度不高.本文提出一种基于改进的ConvMixer和动态权重焦点损失函数的视听情感识别方法.采用空间和时间邻接矩阵代替ConvMixer中的深度分离卷积，提取视频时域空域上的全局和局部特征.提出跨模态时间注意力模块，以对称结构捕捉模态间的时间相关性，提高特征融合效果.结合混淆矩阵计算具有动态权重的焦点损失函数，差异化地加大错分样本在损失中的占比，优化模型参数.在公开数据集上的实验结果表明，本文方法能提取到代表性特征，可有效优化网络结构，提高了情感识别的准确率.

随着工业互联网的蓬勃发展，工业生产需要满足用户的个性化需求.由于个性化产品规格多样种类繁多，一个高效的智能排产方法对企业的生产制造尤为重要.从部署模式来看，现有的智能排产系统可分为企业本地部署和云排产服务两类.本地排产系统的计算与存储资源相对有限，难以满足精确排产算法的需求；而云排产系统需要大量工业核心排产数据的支撑并按需计费，计算存储与网络传输的开销使排产服务成本较高.此外，工业核心数据上传至云可能存在数据泄露的风险.针对以上问题，本文以钢铁热轧生产为例，将边缘计算技术引入智能排产，提出了一种云边协作的工业互联网排产框架（Production Scheduling based on Edge-Cloud-Collaboration，PSECC），本框架在边缘端预处理原始工业数据，保证核心生产数据保留在企业端；在云端进行算法求解，通过部署通用型求解算法又为框架赋予了可扩展性.本文基于PSECC框架设计实现了针对钢铁热轧排产任务的云边分解方法，实验证明本文提出的云边协作排产方法与常规求解器的性能相似，但是可以避免工业核心数据上云，且云端求解器的选择更加灵活.在性能方面，云排产的总排产时间是 PSECC 的1.4~3.7倍，其中网络传输时间是10~15倍.

星座成形技术是通信系统的关键技术之一，可以通过成形技术来获得成形增益.然而，近年提出的定型概率幅度成形方案仅适用于方形星座调制，不适用于一般结构的二维星座.为此，本文提出了适用于一般二维星座的定型匹配成形编码调制方案，其可以直接应用于实际工程中任意对称结构的二维星座.在此基础上，针对5G 低密度校验（Low-Density Parity-Check，LDPC）码的打孔特性进行特殊设计，提出了基于定型匹配成形的5G LDPC编码调制方案.仿真结果表明：（1）本文提出的基于定型匹配成形的二维编码调制方案与通常的概率幅度成形方案性能相一致，且所提方案具有更好的二维星座普适性；（2）本文提出的基于定型匹配成形的5G LDPC编码调制方案可以获得约0.6 dB的成形增益和约0.5 dB的打孔增益（相比于非打孔设计）.

工业过程数据涵盖离散和连续变量，它们之间内在的统计分布特性是揭示系统运行状况的关键.然而，现有的监测模型多聚焦于高斯假设下的连续过程变量，忽略了离散变量、连续变量的多模分布特性以及数据中的噪声、离群点对模型的影响，难以精准反映数据的真实分布特性，对非高斯、非平稳过程的异常检测效果欠佳.因此，本文提出一种鲁棒的工业过程异常检测方法——连续和离散变量协同分析的变分贝叶斯混合判别方法（Continuous and Discrete Variables-Concurrent Analysis-based Variational Bayesian Mixture Discriminant，CDVCA-VBMD）.通过构建基于变分贝叶斯推断的面向连续变量的混合学生分布模型与面向离散多变量的混合多项分布模型，有效解决过程变量非高斯分布特性难以有效提取的问题，实现了过程变量复杂相关性的高效处理与分析；同时，在过程监测中引入了持续学习的理念，确保对非平稳时变工业过程异常的有效检测.以数值仿真系统和田纳西·伊斯曼过程为例，进行了大量验证性和对比性实验.结果表明，CDVCA-VBMD能准确估计非平稳工业过程多变量的混合多模分布特性，并对数据中的噪声和离群点具有较强的鲁棒性，从而实现工业异常的准确检测，为非高斯复杂工业过程的长期、鲁棒监测提供了有力支持.

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.

本文提出了一种新型高带宽密度、低功耗的面向片上（Die to Die，D2D）互连的7阶相关非归零（Non-Return-to-Zero，NRZ）编码接口电路结构.为了进一步提高5阶相关NRZ编码在D2D互连中的信噪比和带宽密度，设计了基于发射矩阵和接收矩阵的编解码电路.基于发射矩阵，在发射端设计了基于电压模驱动的编码电路，有效降低了功耗；基于接收矩阵，在接收端设计了基于有源可调电感的解码均衡电路，提高了通信速率.同时，为了解决接收端时钟偏斜问题，还设计了误码校准电路.该接口电路采用28 nm CMOS（Complementary Metal Oxide Semiconductor）工艺设计，核心面积为3 mm²，可适用于10~50 mm的片上互连.后端仿真结果表明，在奈奎斯特频率为20 GHz、信道插损为-8 dB的条件下，接收端最窄眼宽为0.45 UI，误码率小于 {\mathrm{10}}^{-\mathrm{15}}，能耗效率为1.2 pJ/b，带宽密度为448 Gbps/mm.

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.

多波束卫星通信系统由于其高吞吐量和高资源利用率而受到广泛关注.已有研究主要考虑多波束卫星通信系统的信道或功率分配问题，但较少考虑用户分组和动态资源分配策略的联合优化设计，导致系统性能受限.此外，现有研究往往假设固定的波束覆盖半径，忽略了波束覆盖半径可变性对波束覆盖性能提升的影响.本文研究了多波束卫星通信系统中的用户分组和资源分配问题，提出了一种两阶段资源管理方案.针对动态和多样化的用户服务需求，首先设计一种基于Voronoi图的迭代用户分组算法以实现分组之间的负载均衡，然后将子信道和功率分配问题建模为系统平均效用函数最大化问题.为解决该问题，将每个波束视为一个智能体，采用一种基于多智能体深度Q网络（Deep Q Network，DQN）的算法来确定子信道和功率分配策略.仿真结果表明，与K-均值用户分组方案相比，本文所提出的基于Voronoi图的迭代用户分组算法对应的用户组负载差异值可降低49.2%，体现了本文所提算法在实现用户组间负载均衡方面的优势.此外，本文所提两阶段资源管理方案与现有文献中所提算法相比，系统所提供容量与用户需求差值可降低83.43%，体现了本文所提算法在实现系统资源高效利用及用户服务需求保障方面的性能优势.