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.

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.

物联网的快速发展催生了大量新型的应用模式和互联生态，推动了产业数字化和智能化发展.物联网通过连接传感器、可穿戴设备、智能表计等低数据率、低功耗终端，赋予大量普通设备计算和联网的能力.随着应用场景和系统规模的扩展，传统无线技术难以适应物联网大规模、低功耗、远距离的设备组网要求.如何降低设备接入门槛、实现设备低功耗远距离连接，是当前物联网面临的重要挑战.LoRa（Long Range）作为一种代表性的低功耗广域网技术，有效解决了低功耗设备远距离连接问题，已成为物联网的核心支撑技术.然而LoRa在规模化应用中仍面临以下三方面重要挑战：（1）大规模连接场景高并发传输导致信号冲突，设备并发接入困难；（2）远距离无线链路信号衰减剧烈，弱信号可靠传输困难；（3）物联网共享信道异构协议干扰问题突出，广域异构共存困难.本文概述了现阶段低功耗广域物联网技术研究进展，重点阐述现有技术在实际应用场景中面临的三方面研究挑战及对应的技术方案.针对高并发冲突问题，现有研究提出冲突避免和并发解码方法；针对弱信号问题，现有研究在弱信号增强传输和接收端解码优化两个方面展开探索；针对异构协议竞争问题，现有研究设计了多种设计跨协议通信机制.本文综述了LoRa低功耗广域网最新相关研究，分析现有工作的创新点和局限性，并指出了低功耗广域网未来研究和发展的方向.

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.

概念漂移是影响流数据挖掘性能的重要因素，当前主要通过增量更新或重训练模型进行处理，但对已有知识并未充分利用.从综合利用全体样本出发，本文构建了一种基于动态样本选择的概念漂移自适应分类方法.该方法在新样本到来时进行基于局部一致性的漂移检测，在发现漂移发生时去除区域内的噪声样本，当检测到新概念出现时，对历史相似概念进行重用.最后，对区域内不同类别样本进行多代表点归纳，并同步更新预测模型.本文在含有不同漂移类型的合成数据集上进行去噪效果验证，并在真实数据集上进行预测任务.实验结果表明，该方法可以有效去除因概念漂移而形成的漂移噪声，有效提升了预测模型性能，整体预测表现优于流行的概念漂移自适应模型.

结合胃镜超声和白光内镜可以更准确地识别胃肠道间质瘤.但是现有的多模态方法往往仅关注于图像特征，忽略了诊断文本信息中所包含的语义信息对于精确理解和诊断医学图像的重要性.为此，本文提出一种新的基于文本引导下的多模态医学图像分析算法框架（Text-guided Multi-modal Medical image analysis framework，TMM-Net）.TMM-Net使用多阶段的诊断文本来引导模型学习，以提取图像中的关键诊断信息特征，然后通过交叉模态注意力机制促进多模态特征之间的交互.值得注意的是，TMM-Net通过预测病变属性来模拟临床诊断过程，从而增强了可解释性.验证实验在两个中心包含10 025个模态数据对的数据集上进行.结果表明，该方法相比目前最优的GISTs诊断方法精度提升7.7%，同时获得了最高的（Area Under the Curve，AUC）值：0.927，其可解释性可以更好地适合临床需求.

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，该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.

针对传统粒子群算法在处理自主水下机器人（Autonomous Underwater Vehicle，AUV）全局路径规划时面临的寻优时间长、能耗高的问题，本文提出一种改进的T分布烟花-粒子群算法（T-distribution Fireworks-Particle Swarm Optimization Algorithm，TFWA-PSO），该算法融合了烟花算法的高效全局搜索能力和粒子群算法的快速局部寻优特性.在变异阶段，提出自适应T分布变异来扩大搜索范围，并在理论上证明了该变异方式能够使个体在局部最优解附近增强搜索能力.在选择阶段提出了适应度选择策略，淘汰适应度差的个体，解决了传统烟花算法易丢失优秀个体的问题，并对改进的T分布烟花算法与传统烟花算法的收敛速度进行对比.将改进算法的爆炸操作、变异操作和选择策略融合到粒子群算法中，对粒子群算法的速度更新公式进行了改进，同时从理论上对所改进的算法进行了收敛性证明.仿真实验结果表明，TFWA-PSO能够有效规划出一条最短路径，同时与给定的智能优化算法相比，TFWA-PSO在寻找最优路径的时间上平均降低了24.72%，能耗平均降低了17.33%，路径长度平均降低了16.96%.

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.

本文提出一种多阶段调度框架，实现对麻雀种群的初始位置、觅食、侦查与反捕食不同阶段的多策略调度.利用Halton序列与Tent映射提升种群个体质量与初始位置的分布均匀性.在觅食阶段，针对发现者与加入者因位置争夺导致种群质量劣化，设计最佳适配比调控二者数量关系，对超出适配比的加入者采用碰撞反弹算子改变其优化轨迹.满足适配比后则通过侦查判断是否存在天敌，若有则进入反捕食阶段，并利用Levy飞行并结合指数分布设计随机迁移机制，生成潜在的全局最优解区域；当连续多次没有发现天敌时为避免种群陷入局部极值，建立模拟预警机制并采用蝗虫算法进行多路径开发，避免寻优方向单一化.不同策略与机制的交替运行、协同调度，平衡了算法的多样性与收敛性. 实验结果表明，与最近麻雀变体算法和元启发改进算法相比，该算法在寻优效率与收敛精度上显著优于对比方法.

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.

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.

基于多层元胞自动机的时空混沌系统设计了一款用于图像加密的伪随机数发生器.针对现有的基于耦合映像格系统仍存在参数空间有限、局部混沌行为等问题，本文提出一种基于多层元胞自动机的伪随机耦合映像格系统.在初等元胞自动机基础上设计出多层元胞自动机，将耦合系统与多层元胞自动机同时进行迭代，通过自动机的迭代输出得到耦合系统中每个格子的动态耦合方案以及伪随机扰动方法.本文通过分岔图、Kolmogorov Sinai熵和输出序列均匀性对耦合映像格系统进行对比分析，并分析了系统生成序列的随机性和任意两个格之间的相关性.理论分析和实验结果表明，与其它耦合映射格系统相比，该系统具有更好的混沌特性和更大的参数空间，系统生成的序列具有较好的遍历性、均匀性和随机性.研究结果表明该系统在密码学领域具有广阔的应用前景.

攻击、干扰、不确定性通常存在于微电网中危害系统的安全运行.为了解决此问题，设计了一种带攻击补偿的电压控制器，以减小或抵消攻击对系统稳定性的影响.设计攻击观测器对微电网中受到的攻击进行观测；利用多智能体一致性协议，考虑全状态约束问题，采用正切型障碍Lyapunov函数约束所设计的状态量，使系统状态约束在预设范围内，并实现无功功率分配.采用自适应模糊系统对系统中一些参变量的变化进行估计，提高控制器的自适应能力.仿真验证了控制器的有效性.

当前，越来越多的医学图像分割模型都采用Transformer模型作为基础结构，然而，Transformer模型的计算复杂度与输入序列呈二次关系且需要大量的数据进行预训练才能取得较好的结果，在数据量不足的情况下无法发挥优势；此外，Transformer往往无法有效提取图像的局部信息.相比于Transformer，卷积神经网络则能够很好地规避上述两个问题.为了充分发挥卷积神经网络与Transformer的各自优势并进一步挖掘卷积神经网络的潜力，本文提出一个多尺度卷积调制网络模型（Multi-Scale Convolution Modulation Network，MSCMNet），该模型将视觉Transformer领域模型结构设计方法融入传统卷积网络.采用卷积调制和多尺度特征提取策略，构建基于多尺度卷积调制机制的特征提取模块（Multi-Scale Convolution Modulation，MSCM）.并提出高效的patch组合与patch分解策略分别用于特征图的下采样以及上采样，进一步提升模型的表征能力.在腹部多器官、心脏、皮肤癌以及细胞核四个不同类型以及不同规模的医学图像分割数据集上取得的mDice分别为0.805 7、0.923 3、0.923 9、0.854 8，以较低的运算量和参数量取得了最好的分割性能，为卷积神经网络以及Transformer在医学图像分割领域提供了一个新颖而高效的模型结构设计范式.

由于单目深度估计中图像与深度图存在一对多的对应关系，单目深度估计本身就存在着尺度歧义的问题. 因此，本文引入基于多视图立体匹配（Multi-View Stereo，MVS）的单目多帧深度估计方法，构造移动深度，挖掘尺度线索，将传统单目深度估计与MVS深度估计有机结合，以改善单目深度估计几何建模中固有的模糊性问题.在此基础上，设计两个通道注意力模块，分别提高网络的场景结构感知能力和对局部信息的处理能力，从而更充分地融合不同尺度的特征，产生更精确、更清晰的深度预测.在KITTI数据集的测试结果中，本文方法的平均相对误差和平方相对误差相较基准网络分别最高提升4.7%和8.0%，所有误差和准确率指标均超越其他主流的无监督单目深度估计方法.

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.

四旋翼无人机系统具有参数不确定性及强耦合性的特点，其飞行性能容易受到外部干扰而下降.为了保证四旋翼无人机飞行的稳定性，本文提出了一种基于改进线性扩张状态观测器（Linear Extended State Observer，LESO）的模糊线性自抗扰控制方法.通过模糊算法自适应调节线性自抗扰控制器的参数，基于Levant跟踪微分器跟踪四旋翼无人机位置及姿态角的二阶微分信号进而提取四旋翼无人机系统的总扰动，使用总扰动偏差及偏差的微分作为输入的模糊控制器来优化LESO对总扰动的估计精度.此外，分析了LESO的收敛性及闭环系统的稳定性.最后通过对比仿真验证了所提控制策略的有效性，并从系统的控制信号，动态响应能力和抗干扰能力等方面对控制方案的性能进行了定量分析.

针对具有不规则形状的扩展目标跟踪（Extended Target Tracking，ETT）问题，本文提出了一种基于随机超曲面模型的自适应渐进贝叶斯滤波器（Random Hypersurface Model-Adaptive Progressive Bayesian Filter，RHM-APBF）.首先，对扩展目标连续状态先验概率密度的局部累积分布进行随机采样，再最小化连续概率密度和狄拉克混合概率密度的局部累积分布之间的修正克莱默冯米塞斯距离得到粒子的最优位置，以自适应地变步长进而渐进更新将粒子迁移到扩展目标后验的密集区域求得更加准确的后验概率密度近似；其次，利用随机超曲面描述任意星凸形扩展目标的量测源分布，提出了星凸形不规则形状扩展目标跟踪自适应渐进滤波器，有效实现了不规则形状扩展目标多特征概率密度信息的递归.最后通过不同噪声水平以及复杂随机环境的扩展目标（Extended Target，ET）和群目标（Group Target，GT）的跟踪仿真实验验证本文方法的有效性.

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.

场-路耦合仿真可以支持跨越芯片-封装-系统的多层级协同分析，多物理场仿真能够对多物理约束下芯片封装的信号完整性、电源完整性以及可靠性进行提前设计.因此，针对场-路结构的多物理场耦合仿真能够实现在初期对芯片封装的设计方案进行筛选和优化，是先进封装仿真技术最重要的发展方向之一.本文基于场-路耦合仿真和多物理场耦合仿真方法的最新研究进展，提出针对非线性场-路结构的频域仿真方法以及电磁-热耦合计算方法.该方法能够解决基于时域仿真方法的场-路耦合仿真的长时间迭代问题，实现多物理约束下非线性场-路结构的电磁与热特性快速分析.计算结果验证了本文方法的准确性和高效性.

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%.

为更好地应对动态多目标优化中的环境变化，提出了一种对差分向量进行角度修正以及分级多种群协同进化（Angle Correction and Hierarchical Multi-Population， ACHMP）的进化算法.根据历史信息，使用无迹卡尔曼滤波模型来预测种群的中心点，通过不同时刻的中心点产生不同的差分向量，再使用无迹卡尔曼滤波对差分向量进行角度修正；提出的多种群协同进化模式将种群分为三部分并使其沿不同的方向进化，子种群监督主种群进化，在提升了算法性能的同时，也保证了种群的多样性.与10种对比算法在不同测试问题上的实验结果显示，ACHMP算法的性能总体优于其他算法，证明了本文提出的角度修正和分级多种群方法在处理动态多目标优化问题时具有较强的竞争力.

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%.

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.

为满足中低压消费电子的市场需求，小尺寸高密度Bipolar-CMOS-DMOS技术得到了蓬勃发展，低损耗和高可靠成为Bipolar-CMOS-DMOS技术中横向双扩散金属氧化物半导体场效应管（Lateral Double-diffused Metal-Oxide-Semiconductor field effect transistor，LDMOS）设计的重点和难点.本文介绍了一种基于高温氧化层（High Temperature Oxidation layer，HTO）结构的LDMOS，并对其热载流子注入退化机制进行了研究分析，利用高温氧化层结构改善了传统浅槽隔离（Shallow Trench Isolation，STI）结构中氧化物台阶嵌入半导体内部对器件热载流子注入造成的不利影响，提高器件可靠性，同时还缩短了器件导通情况下的电流路径长度，降低损耗.此外本文还提出了对P型体区的工艺优化方法，利用多晶硅作为高能量离子注入的掩蔽层，改善阱邻近效应对器件鲁棒性的影响，同时形成更深的冶金结，可以辅助漂移区杂质离子耗尽，降低漂移区表面电场，在不需要额外增加版次的情况下提高了器件击穿电压.最终得到的基于HTO结构的LDMOS击穿电压为43 V，比导通电阻为9.5 mΩ·mm²，线性区电流在10 000 s之后的退化量仅为0.87%.

在当今数字化时代，海量数据的生成和积累呈现出爆炸式增长的趋势，因此对存储容量的需求急速上升.传统磁记录磁盘CMR因其高容量和低成本而被视为解决海量数据存储的首选.然而，由于超顺磁效应的制约，CMR（Conventional Magnetic Recording）磁盘面密度的提升已触及极限.为了突破这一限制，叠瓦式磁记录技术SMR（Shingled Magnetic Recording）应运而生.基于传统硬盘架构，该技术以重叠磁道的方式，显著提升了磁盘面密度.但SMR磁盘在处理随机写时，会产生不可预测的写放大效应，从而严重影响I/O性能.为解决这一问题，业界随即提出了交错式磁记录技术IMR（Interlaced Magnetic Recording），利用优化的磁道布局和热辅助磁记录技术，有效实现了存储容量与性能的平衡.本文首先详细介绍了SMR和IMR的技术原理和磁盘类型，并量化分析了影响设备I/O性能的关键问题.然后，重点介绍了设备级优化方案，分析并总结了不同策略的优缺点与优化目标.接着，概述了面向设备的系统级和应用级设计方案，如文件系统、独立磁盘阵列技术和数据库等.最后讨论了在未来优化SMR磁盘和IMR磁盘性能可能的研究方向.

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%.

对于多个可控事件（控制指令）允许同时执行的情形，离散事件系统的监控器进行随机选择.然而，在实际应用中，如交通调度、机器人路径规划，可控事件的定向选择和数值优化是必须要考虑和解决的两个问题.对此，引入一种优化机制量化控制成本，将监督控制理论与强化学习结合，提出一种基于强化学习的离散事件系统最优定向监控器求解方法，使被控系统实现以下三个目标：（1）遵循安全性和活性控制规范；（2）每个状态下至多允许一个可控事件执行；（3）从初始状态到标记状态事件执行累计成本最小.首先，建立系统和控制规范的自动机模型，做同步积运算后可得到目标模型，通过定义的成本函数为目标模型中每个事件的执行赋予成本.其次，利用监督控制理论求解无阻塞且行为最大许可的监控器.最后，将监控器转化为马尔可夫决策过程，并利用Q学习算法求解出最优定向监控器.使用单向列车导轨控制案例和多轨道列车控制案例验证所提方法的有效性和正确性.仿真结果表明，所提出方法能够实现系统的无阻塞定向控制，并且使得定向监控器的数值成本最小.

面对日益严峻的交通堵塞问题，智能交通系统获得飞速发展和广泛应用，作为基石工作的交通速度预测因此备受关注. 近些年来，深度学习被广泛用于交通速度预测的研究工作，并且研究方向也从单一的建模时间相关性迁移到复杂的时空相关性，图神经网络由于契合交通路网的图结构数据这一本质属性，成为建模空间相关性的主流方法. 目前，大多数的研究工作已经注意到动态的空间相关性对交通速度预测任务的重要性. 然而，基于这一发现所提出的建模思路主要预定义矩阵或自适应矩阵，属于静态矩阵，并不足以应对空间相关性的复杂和动态的特性. 同时通过对真实交通速度数据集的分析，本文发现交通节点间依赖的局部波动相比交通路网的全局影响具有更强的动态性，这表明空间相关性可以从全局和局部的角度分开建模，因此本文提出了一个端到端全局和局部融合的动态图神经网络模型来进行交通速度预测. 首先，交通速度流被自分解层分解为静态分量和动态分量，随后动态图生成模块为动态分量构造实时的动态图以匹配其动态性. 基于构造的动态图和输入的预定义图，本文借助图卷积操作来学习这两类空间相关性的高阶表达. 除此之外，本文在时间模块使用空洞因果卷积捕获交通数据中时间相关性. 最后，残差连接被用来聚合时空相关性并输送给输出层完成最终的速度预测. 在两个高速公路数据集和一个城市路数据集上的实验结果表明本文提出的模型相比主流模型在平均绝对误差和均方根误差两个预测指标上均优于主流模型.

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.

随着智慧牧业的高速发展，牛脸识别已成为牛场智能化养殖的关键，但牛场养殖环境复杂且动物的自主能动性差，导致牛脸数据采集与识别过程会受到模糊、遮挡和光照等环境因素的严重干扰.针对此问题，提出一种复杂场景自适应选择双分支牛脸高效识别算法.该算法首先设计了基于像素融合的数据增强策略，通过Beta分布计算融合系数，将牛的左右脸图像按融合系数进行像素级整合，在丰富样本特征信息同时，增强网络学习模糊和遮挡下的牛脸特征，提升网络对复杂场景的泛化能力；其次，在主干特征提取网络中引入一种新型注意力机制CDAA（Composite Dual-branch Adaptive Attention），可随着场景信息变换，自适应加强通道与空间注意力分支的权重，提高网络在复杂场景下的特征筛选能力；之后，设计FaceNet与U-LBP（Uniform Local Binary Patterns）结合的双分支特征提取结构，并将提取的特征向量实现自适应加权融合，增加网络在过亮或过暗环境下的鲁棒性；最后，在损失函数中加入改进交叉熵损失（Focal Loss），根据场景信息复杂度动态调控权重系数，实现对难易分类样本自主控制.为检测算法的有效性和实时性，在特定数据集上进行消融试验，与多种典型识别算法进行对比.实结果表明，提出的算法能很好满足实时性要求，在开集测试集上准确率达到87.53%，识别速度达到108帧/s，且在复杂场景下，识别效果均优于对比网络.

方面级情感分析是一种细粒度的情感分类任务，具有广泛的应用前景，正因为如此，得到了广泛关注与研究，尤其是近年来，基于依赖树的图神经网络和基于注意力的网络模型的研究取得了较大进展.但是，由于在线评论表达的复杂性和依赖关系不易解析使得这些方法在情感分析的性能上得不到有效提升.为了克服这些挑战，本文提出了一种同时考虑句法语义和上下文语义的深度语义挖掘模型（Deep Semantic Mining Model，DSMM）.具体地，为了深度挖掘句法背后隐含的深度语义，模型采用并行的图卷积和多头注意力机制挖掘丰富的语义；为了充分利用句法语义和上下文语义的内在关联关系，采用了关联注意力机制获取句法语义和上下文语义的相关性，并且采用自适应方面路由机制有效获取方面的情感语义，并在此基础上，通过引入基于依赖树的语义位置嵌入，进一步增强方面-意见词的关联.在三个公共数据集上的实验结果表明，该模型在复杂句情感分析中既能从不同语义空间挖掘句子的语义特征，也能有效利用句法特征强化句子的语义表征，在分类准确率和泛化能力上的表现优于相关工作.

全球定位系统（Global Positioning System， GPS） L5/北斗 B2/Galilea E5是全球卫星导航系统（Global Navigation Satellite System， GNSS）的重要组成部分，为民用航空提供与生命安全相关的应用服务.然而L5/B2/E5信号处于受保护的航空无线电导航服务（Aeronautical Radio Navigation Service， ARNS）频段内（962~1213 MHz），同时工作在该频段内的还有民用航空导航系统测距机（Distance Measuring Equipment， DME）等.DME发射的大功率脉冲信号会对L5/B2/E5等卫星导航信号造成干扰，使得接收机无法正常捕获卫星信号或导致跟踪环路失锁.传统的DME干扰抑制方法通过在干扰稀疏域，如时域、频域和时频混合域进行DME干扰置零，这会在抑制干扰的同时完全消除与干扰重叠的卫星信号.为了降低DME干扰抑制对卫星信号的损失，本文提出基于鲁棒统计理论的局部鲁棒预处理的DME干扰抑制方法，根据DME干扰所在的稀疏域特性提取出存在干扰的信号片段后，应用非高斯分布下的鲁棒统计理论对提取出的数据样本进行鲁棒预处理，从而在抑制干扰的同时降低对卫星信号的影响.实验结果表明本文所提出的稀疏域局部鲁棒预处理的DME干扰抑制方法的性能优于相应的传统稀疏域方法，输出捕获因子比传统稀疏域方法提高1~2 dB.

工业互联网中节点数据具有高维、冗余和海量等特性，传统的恶意行为检测模型无法对工业互联网恶意攻击行为做出快速且准确的判断，提出基于特征组合优化的工业互联网恶意行为实时检测方法.采用改进的相关性快速过滤算法和基于奇异值分解的主成分分析算法对工业互联网恶意行为样本数据进行特征组合优化，基于对称不确定性信息度量指标和近似马尔科夫毯准则进行特征相关性计算、冗余特征识别与排除，通过参数特征维度的不同配置得到若干候选特征组合；利用决策树评估器筛选出准确率最高的候选特征组合；通过奇异值分解的主成分分析进一步进行特征降维，得到低维高信息量的最优特征组合；结合极端梯度提升算法和优化的特征组合对工业互联网恶意行为样本进行分类，基于密西西比州立大学多分类电力系统攻击样本数据对本文方法进行了验证；实验结果表明，特征组合优化检测模型训练时间可缩减57.53%，单个样本的平均检测时间为0.002 ms，可减少23.99%，基于特征组合优化的检测模型的准确率、召回率和F1值较特征优化前分别提升了1.11%、1.25%和1.01%.本文方法的突出优势表现为在提升模型检测效果的同时可明显降低模型检测时间，能更好适应工业互联网的实时性要求.

生物医学事件作为生物医学文本挖掘的重要组成部分，在生物医学研究和疾病的预防中发挥着重要作用.触发词识别是生物医学事件抽取的关键和前提步骤，旨在提取描述事件类型的关键词.传统方法在特征提取过程中过分依赖自然语言处理工具，导致耗费人工成本.另外，由于生物医学文献的特殊性—长文本语句多，导致长距离依赖问题比较明显.为了解决这些问题，我们提出了一种混合结构，由残差卷积神经网络和双向长短期神经网络、混合神经网络和多头注意力机制组成.该模型利用残差卷积神经网络提取单词级特征并利用双向长短期神经网络提取上下文语义信息.此外，本文通过空间域滑动窗口将长句划分为等长短句，在不破坏上下文信息的前提下，避免了长距离依赖.实验结果表明，本文提出的方法在生物医学事件抽取通用语料MLEE（Multi-Level Event Extraction）上取得了较好的效果，F值达到81.15%.

基于格子Boltzmann方法的多层网格局部加密技术，通过多尺度网格计算不同层次的流动特征，避免了单层均匀笛卡尔网格中的低效率与计算资源的浪费，但仍存在并行性能上的不良影响.本文考虑并行计算中的负载均衡效应，从单层网格出发，通过考虑多层网格的运算特点来研究基于负载均衡的网格划分方法.同时，将网格划分与程序实现进行分离，在单层和多层网格中均完成了任意网格划分下的并行计算.在单层网格中，以二维血管流动的不同并行策略为例，研究了负载量划分与不同进程的各自时间开销的关系.在多层网格中，首先论述了多尺度网格在运算顺序上的特征，其次以三种不同的多层网格验证二维翼型绕流的计算结果，最后在每种网格中均使用三种不同的网格划分方法进一步探讨负载均衡与时间开销的关系.在128核的高性能计算平台上进行并行性能测试，强可扩展性可达到60%左右，弱可扩展性可达到82.78%.这种高可扩展性结果表明本文通过改进负载均衡性能，明显提升了多层网格计算中的并行性能.

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）.

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.

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.