边缘侧大模型外部环境的不确定性（如路边摄像头画面中天气、光照、物体密度的变化），导致其输入数据分布持续改变，因此需进行重训以维持高精度.受限于设备可用资源和重训窗口，现有技术仅能训练固定压缩模型，其有限的泛化能力导致模型精度显著降低.本文提出云边协同大模型块粒度重训方法，引入模型重训缩放定律评估不同块对边缘侧当前数据的精度贡献，以此为依据生成有限资源下最优重训方案，将云平台大模型中精度最相关部分动态转换为边缘侧可重训小模型，构建大小模型协同训练系统.真实云边平台上对比实验表明，本文方法可以在相同资源消耗下提升大模型重训精度81.24%，并支持最大至330亿参数大模型重训.
人工智能技术广泛应用于海洋气象预报，且越来越依靠物联网获取海洋环境中多种模态的海量感知数据.针对数据的获取数量和传输速度不足以支撑模型精准预报的问题，提出了面向海洋气象预报的低时延智能物联网构建方案.首先，设计了智能物联网海洋气象预报融合架构，该架构不仅充分适配了人工智能技术和物联网技术，更实现了对海洋气象数据的高效采集、处理与分析，为海洋气象预报提供了有效灵活的底层结构.其次，优化了异构海洋感知设备协同组网方法，通过优化多层耦合网络拓扑，实现了异构海洋感知设备的高效互联，保证了数据收集的全面性和准确性.最后，提出了海洋感知网络低时延路由算法，该算法通过智能路径选择和数据传输优化，减少了信息从感知设备到数据中心的传输延迟，确保预报数据的快速更新.经实验验证，该方案充分利用智能物联网的优势，解决了海洋气象预报中数据获取难和处理延迟长的问题，所提方案的时延均值降低37%，时延中值降低38%，为海洋气象实时和准确的预报提供有力支持.
随着物联网和智能终端的普及，边侧产生的数据量远远超出了边缘节点的计算与存储能力，亟需云边协同处理以满足大规模数据的实时分析需求.共享缓存架构因其计算、内存与存储解耦的特点，成为满足边缘海量数据处理需求的关键方案.然而，在共享缓存架构中仍然存在一些亟待解决的问题.首先，在事务处理场景中，当热点缓存数据在节点间频繁迁移时，现有系统的日志落盘机制会产生大量日志写入操作，进而影响系统性能.此外，现有的缓存写失效机制会导致部分热点缓存数据频繁被淘汰，致使一些执行较慢的事务无法及时从共享缓存中读取目标数据，触发大量缓存重载而引发系统性能下降.针对这些问题，本文提出了一种基于依赖表的日志延迟写入机制，通过整合多条日志写盘操作，并推迟到日志缓冲区填满或事务提交时刻，降低了日志刷写频次和写盘开销；设计了一种异步缓存延迟失效机制，通过引入异步回放失效消息、页面可见性判断及优化的缓存替换策略，有效延长缓存数据服务时间，提升了缓存命中率和系统性能.基于这些机制，本文实现了一套高性能共享缓存数据库系统EBASE-T.实验结果表明：与优化前相比，EBASE-T的吞吐量提升了19.5%，时延降低了13.1%，在TPC-C（专门针对联机交易处理系统的规范）测试中，EBASE-T相较于大多数共享缓存数据库系统表现出了显著的性能优势.
车联网（Internet of Vehicles，IoV）边缘计算通过将移动边缘计算和车联网相结合，实现了车辆计算任务从云服务器向边缘服务器的下沉，从而有效降低了车联网服务的响应时延.然而，车联网中不规则的交通流时空分布会导致边缘服务器计算负载不均衡，进而影响车联网服务的实时响应.为此，本文提出了一种车联网边缘计算环境下基于流量预测的高效任务卸载策略.具体而言，首先设计了能充分挖掘路段间连通性和距离信息的切比雪夫图加权网络（Chebyshev graph Weighted Network，ChebWN）进行交通流量预测.然后，设计了一种基于深度强化学习的二元任务卸载方法（DRL-based Binary task Offloading Algorithm，DBOA），该算法将二元任务卸载的决策过程分为两个阶段，即首先通过深度强化学习得到卸载策略，再通过一维双端查找算法确定最大化总计算速率的时间片分配方案，降低了决策过程的复杂度.最后，通过大量的对比实验验证了ChebWN在预测交通流量方面的准确性，以及DBOA在提升车联网服务响应速度方面的优越性.
纠删码技术和近数据处理技术是构建高效的云边端协同数据管理系统的两大基石，前者通过对数据添加编码冗余方式来保障系统的可用性，而后者则通过在存储端处理数据的方式避免大量的网络传输开销.云边端协同的数据管理系统通常采用成熟的分布式存储系统作为底层存储引擎，然而主流的分布式存储系统中的纠删码实现方式并不能高效地支持近数据处理.本文提出了一种支持近数据处理的纠删码技术架构，其基本原理是通过对待编码的一组数据进行重新布局，保证语义相关数据被存储在同一个存储设备上，避免执行近数据处理时的跨节点数据传输.该方案在分布式存储系统Ceph上获得实现，并测试典型场景的读写性能.实验结果表明，在近数据处理场景下和常规数据读取场景下，读取对象的性能分别提升59.4%和10%，对象写入性能则与原版保持一致.
随着现代通信和信息技术的飞速发展，智能交通系统（Intelligent Transportation System，ITS）逐渐成为热门研究领域，车载自组网（Vehicular Ad Hoc Network，VANET）作为其关键技术，在实时道路信息共享和车辆间通信中起重要作用.然而，现有VANET分簇算法仍存在簇稳定性低、分簇开销大等问题.为解决这些问题，本文提出了一种端云协同的VANET分簇算法，在端云协同阶段，车辆通过路边单元（Road Side Unit，RSU）将自身特征数据上传至云，云侧根据特征变化，对车辆进行动态稳定性分类.稳定的端节点具有更高的可靠性和更长的连接持续时间.在端端协同阶段，考虑了稳定节点的相对移动性和覆盖节点数量等因素，进行簇头选举，简化簇头选举过程，提高了簇的稳定性.此外，针对控制开销大的问题，本文提出了一种邻居发现和更新机制，限制HELLO消息的转发操作，降低开销并优化资源使用.实验结果表明：本文提出的算法在簇稳定性、簇数量及分簇开销等关键性能指标上均优于基线算法，展示了其在实际交通场景中的应用潜力.
随着人工智能、大数据、云计算等新技术和新业务的蓬勃发展，其中起支撑性作用的互联网应用间的通信范式也逐步由传统的“请求—获取”一段式演进到复杂的“请求—计算—获取”二段式.新的通信范式不仅要求网络提供传统的数据传输与信息传递的渠道，还要求网络将计算以互联网公共服务的形式对外开放，深化计算与网络融合，促进社会的数字经济发展.然而，在当前TCP/IP架构为代表的网络体系架构中，解析发现、网络感知、路由计算等关键机制存在一些弊端，使其难以成为面向通信计算融合新型应用的数据基座.本文提出服务感知网络（Service Aware Network，SAN）实现架构，该架构系统性地改变了现有主机互联的设计，为算网融合等新应用场景提供全面、开放、有保障的内生服务互联支持.在SAN中，语义服务标识使用户终端能根据服务类型发起位置无关的高效端到端连接，算网需求感知为网络主动获取算力与带宽需求提供有效途径，两级两层路由既实现了联合算网二维资源的路由编排，又保障了在不同的网络开放程度下SAN部署的可行性和有效性.SAN的重要优势是在设计之初就系统性考虑了与现有网络基础设施的兼容和共存，通过增量部署的方式避免对现有网络进行重大改造，在不影响现网已有功能的同时实现全新机制，推动网络从主机互联到服务互联的平滑演进.实验表明SAN路由机制与基准路由算法相比分别降低了35.4%和17.5% 的服务完成时间上限，同时实现了更为均衡高效的算网资源利用.
传统可调谐太赫兹宽带吸收器大多具有结构复杂和功能单一等特点，使其实际应用场景受到局限.针对这一问题，本文基于二氧化钒（VO2）的热相变特性与光敏硅（Si）的泵浦光敏感特性提出了一种双功能THz超材料吸收器.通过调节VO2与Si的电导率不仅可实现宽带吸收与电磁诱导透明（Electromagnetically Induced Transparency，EIT）之间的动态切换，还可以动态调节吸收率与EIT谐振峰的振幅值.当σ（VO2）=2×105 S/m且σ（Si）=10 S/m时，吸收器在1.24~3.65 THz范围内表现为平均吸收率在94%以上的宽频带吸收.当σ（VO2）=20 S/m且σ（Si）=1×106 S/m时，吸收器的透射传输曲线表现为EIT效应，在1.50~2.50 THz范围内形成了幅度大于90%的谐振透明窗口.此外，利用阻抗匹配和等效电路理论进一步分析了吸收器的物理机制.随后分析了EIT谐振峰的折射率传感特性，f 1和f 2的传感灵敏度分别为224 GHz/RIU和310 GHz/RIU，Q值分别为3.82和18.5，具有良好的传感性能.最后分析了EIT窗口的慢光效应，结果表明该器件具有良好的慢光效果.本文提出的吸收器结构简单、工作频带宽、可调谐范围大并且双功能可切换，未来在光学器件、电磁隐身和传感检测等领域具有潜在的应用前景.
现有无源定位模型均假定运动传感器的位置在电磁波信号传播过程中不变或近似不变，该模型对于自由空间中电磁波信号定位场景较为合理.然而在声波、地震波等慢信号定位场景中，传感器与目标相对运动导致的定位移动距离与信号传播距离的比值不容忽略，继续采用现有无源定位模型可能会带来较大性能损失.针对该问题，本文以水声定位为例，开展存在传感器运动效应（Sensor Motion Effect，SME）和未知水声信号传播速度的无源定位方法研究.首先建立存在SME的水下无源定位观测模型，分析现有定位模型未考虑SME的性能损失原因，并导出新模型下的克拉美-罗下界（Cramer-Rao Lower Bound，CRLB）；随后提出联合估计合作目标位置与水声信号传播速度的闭式解；最后通过理论分析与仿真实验验证了本文所提方法的有效性和优越性.
在后量子密码高速演进的过程中，为兼顾灵活性与高效性的需求，本文面向多种格基后量子密码算法提出了一款并行可重构的采样加速器.本文结合数学推导分别提出了7种采样的高效并行实现模型，并从中提炼了4种共同运算逻辑.以这4种共同运算逻辑为核心，引入数据重排限制运算数据的有效位宽，提高了拒绝采样的接受率并简化了运算逻辑，提出了一种高能效的可重构并行采样算法.为提升采样算法的硬件实现效能，本文采用蝴蝶变换网络在单个时钟周期内完成任意有效位宽数据的并行切分、归并与查找，高效实现了算法前后处理的并行化，构建了参数化的并行可重构采样加速器架构模型，结合实验探索，提出了一款数据带宽为1 024 bit的并行可重构采样加速器.实验结果表明，使用40 nm CMOS工艺库，在ss、125 ℃工艺角条件下进行后仿，电路最高工作频率可达到667 MHz，平均功耗为0.54 W.完成256点均匀采样需6 ns，完成256点拒绝值小于216的拒绝采样平均仅需22.5 ns，完成256点8 bit以内的二项采样需18 ns，完成509点简单三值采样需36 ns，完成701点非负相关三值采样需124.5 ns，完成509点固定权重三值采样需11.18 ，完成一次Falcon算法中的离散高斯采样需3 ns.与现有研究相比，本文提出的采样器完成一次均匀-拒绝采样的能耗值降低了约30.23%，完成一次二项采样的能耗值降低了约31.6%.
为了解决接收机射频前端单片多频段兼容性问题，本文提出了一种新型的面向超宽带应用的带宽可重构低噪声放大器（Low Noise Amplifier，LNA）结构.该LNA基于开关切换式可重构设计方法，将开关可调设计嵌套在级联LNA电路的负载中，通过对并联电阻反馈结构的负载电感进行可重构设计，控制低频阻抗谐振点和对应增益极点的位置来实现不同UWB工作模式带内匹配和增益曲线的切换，相较于在输入/输出匹配通路引入开关的设计方法，将开关置于负载级，在不影响阻抗匹配的前提下优化增益和噪声；并对传统电感并联峰化技术中的电阻和电感进行可调设计兼顾不同工作带宽内的增益平坦度.基于SMIC 28 nm CMOS工艺，电磁建模提参后的仿真结果表明，LNA有3.1~10.6 GHz、6~10.6 GHz和3.1~5 GHz3种工作模式，可实现的带内电压增益（S 21）均处于16.59 dB以上，最小噪声系数小于3 dB；在0.8 V的电源电压下，3种模式的输入输出匹配（S 11、S 22）均小于-10 dB，静态功耗仅为9.03 mW；引入MOS开关后，3种带宽的LNA噪声系数恶化均小于0.2 dB.
针对大多数基于图神经网络（Graph Neural Network，GNN）的社区搜索方法中存在的时间开销巨大和“搭便车”效应问题，本文提出一种基于图组合优化的高效社区搜索模型（Efficient Community Search Based on Graph Combinatorial Optimization，CS-ROMF）.该模型设计基于GNN的社区定位器来快速定位查询节点的潜在社区，减少时间开销.在此基础上设计基于强化学习（Reinforcement Learning，RL）的社区优化器调整候选社区的结构，减轻“搭便车”效应.在5个具有真实社区的数据集上进行大量实验，结果表明CS-ROMF在所有评估指标上均优于基线模型.其中，相比结果最好的基线模型，CS-ROMF在F 1值、Jaccard值以及NMI上分别最高提升14.99%、20.67%和21.37%，表明CS-ROMF减轻了“搭便车”效应.同时，CS-ROMF能够显著提升搜索效率，其运行速度比基于GNN的基线模型最多快10倍.
将产品转移给不受管理员信任的实体，极易造成产品伪造、窜货和隐私泄露等问题.因此，本文提出一种基于区块链的RFID供应链产品所有权转移方案BPOTS.首先，设计了一种基于中国剩余定理与Pedersen承诺的秘密值共享与验证算法，实现了产品在指定新所有者集合的转移，并利用Pedersen承诺的同态性质实现了产品批量转移，提高了产品的转移效率；其次，提出了一种基于对称加密的伪ID生成算法，平衡了供应链的隐私性与透明性；再次，本文对BPOTS进行了安全性分析和性能评估，结果表明：与现有基于区块链的RFID供应链产品所有权转移方案相比，BPOTS有效平衡了供应链的隐私性和透明性，并在产品转移的运行效率上提高了约12倍.最后，本文在长安链平台上实现了所提出的BPOTS并在Github上开源.测试结果表明：BPOTS产品转移效率相比于产品串行转移提高了约70.4%，有效降低了供应链节点的成本.
隐私保护和交易数据审计是区块链系统相关方较为冲突的两个需求.比特币采用未花费交易输出（Unspent Transaction Output，UTXO）的方式，保证用户能迅速查询到每笔交易的资金来源和去向，具有天然的可溯源性，确保了资金不会被“双花”.然而，由于每笔交易的交易金额及交易双方的地址都公开存储于账本，用户的交易行为变得公开可追溯，导致用户面临隐私风险.对交易数据进行加密是一种简单有效的隐私保护手段，但也给交易的验证和审计带来不便.本文提出了一种可审计的隐私保护机密交易方案，利用Pederson承诺实现交易合理性的公开可验证而不泄露交易的具体金额；支持交易发起方独立发起交易而无需经过接收方许可，与其他需要交易双方进行通信的机密交易方案相比，更符合实际情况同时节约了通信开销；引入陷门机制，账本和监管方外其他用户无法辨认交易发起方身份，保护了用户身份隐私；实现了多种审计功能，并根据监管方和私人审计者给出不同的审计方式；本文给出了一种新的范围证明方法，在适用于大数时较Prcash具有一定优势：对于256位大数的范围证明生成时间与Prcash基本相同，对于512位大数的范围证明生成时间节省29.78%，对于1 024位大数的范围证明生成时间节省56.86%.
区间树（IntervalTree）是一种对动态集合进行维护的搜索树，可用于高效地存储和搜索区间集合.当前实现了IntervalTree在Isabelle/HOL的建模与验证，其区间信息是在二叉搜索树上进行扩充的，IntervalTree结构支持的基本操作时间复杂度较高.为此，本文对IntervalTree结构的节点附加额外颜色信息且保证树的平衡，提出了IntervalTree+结构，相较于IntervalTree结构的实现，插入和删除等操作最坏时间复杂度O（n）改进到O（log n）.然后使用Isabelle定理证明器对IntervalTree+结构及其操作函数进行了函数式建模，对其不变量进行了机械化验证，保证了IntervalTree+结构操作函数的正确性和可靠性.进一步，首次提出一种区域匹配算法的通用验证规约，旨在解决一系列的区域匹配算法正确性验证问题.提出的IntervalTree+结构通过严格的机械化验证，且操作最坏时间复杂度相较于IntervalTree结构由O（n）优化到O（log n），可应用于区域匹配、视觉日志和评估模型等相关算法优化.
随着磁存储记录密度的提高，记录位间距减小，磁化跃迁噪声显著提高，由此极大地影响回读信号质量.为了降低超高密度磁存储系统记录图案磁化跃迁噪声的干扰，本文分析研究了磁化跃迁噪声对回读信号质量的影响，提出了限制连续跃迁的最大跃迁游程长度受限（Maximum Transition Run，MTR）约束编码MTR（j=1），与允许连续跃迁的约束编码MTR（j=2）和MTR（j=3）相比，可有效抑制磁化跃迁噪声.通过实验测试了回读信号的检测效果，当信噪比为12 dB时，与MTR（j=2）、MTR（j=3）相比，MTR（j=1）相对误码率分别降低了约30%和60%，证实了限制连续跃迁约束编码MTR（j=1）的数据检测可靠性更高.
近年来，通过图像与文本的联合表示，基于对比语言-图像预训练（Contrastive Language-Image Pre-training，CLIP）的方法将文本信息作为分类器的权值，在通用图像识别任务中展现出卓越性能.但是现有方法仅单独构建类别文本提示，比如上下文优化（Context Optimization，CoOp）和条件上下文优化（Conditional Context Optimization，CoCoOp）等，没有考虑图像的内容语义信息与类别的重要性，限制了模型对图像类别的理解与判别.为了解决上述问题，本文在CLIP的基础上提出了一种新方法：基于图像内容理解的判别性类别提示学习（Discriminative Category Prompt Learning based on image content understanding，DCPL），借助图像中丰富的内容特征来学习文本提示，提高文本提示对类别的判别性.具体来说，DCPL包含提示生成（Prompt Generation，PG）模块和文本监督（Text Supervision，TS）模块. PG模块将图像特征和初始化的查询向量作为输入，通过自注意力机制和交叉注意力机制使输出的文本提示中包含充分的图像语义信息；TS模块将固定的类别提示模板作为监督，为可学习文本提示在类别层面和logits层面注入类别信息，增强了类别的重要性.最后，DCPL在ImageNet、Caltech101和Oxford-Pets等11个公开分类数据集上的16-shots平均准确率达到了81.84%，较以往最优方法Cross-Modal的平均准确率提升了0.98个百分点.
房颤是一种常见的心律失常，通常与中风、心力衰竭等心血管疾病相关.近年来，虽然有许多研究者使用深度学习方法在房颤检测上取得了重大进展，但所提出的方法大都需要大量的计算资源，并且由于深度学习模型的黑盒效应，模型的检测结果较难以在临床上推广应用.为此，本文提出一种基于特征融合的轻量房颤检测模型并对其开展可解释性研究，模型由ECG（ElectroCardioGram）主干网络和RRI（R-R Interval）支路组成.ECG主干网络使用深度可分离卷积以及少量的标准卷积来提取心电信号的深层形态特征，RRI支路使用多尺度卷积提取RRI的深层节律特征，网络通过融合二者来学习全面鲁棒的特征表示，实现准确的房颤检测.进一步，基于Grad-CAM++来可视化不同特征对于分类结果的贡献实现模型的可解释性分析.本文在长期房颤数据库LTAFDB进行训练与数据集内部测试，准确率达到了97.99%.为了验证模型的泛化性能，利用MIT-BIH心房颤动数据库AFDB与中国生理信号挑战赛数据库CPSC2021开展跨数据集的外部测试，分别取得了95.17%和93.81%的准确率.实验结果表明，本文提出的方法具有轻量级特性，稳定性和准确性良好，同时可解释性深度学习的引入使得本文所提出的方法在房颤的临床诊断中具有更加广阔的应用前景.
低照度环境下获取的图像往往亮度低、对比度低、光照不均匀，从而造成图像特征变弱及模糊难于提取，同时在有限提取的特征中也存在大量噪声信息，导致目标难于检测识别，因而现有低照度目标检测成果极少.针对低照度目标特征难于提取及特征空间噪声大的问题，本文提出一种基于光照矫正与特征交互增强（Illumination Correction and Feature Interacted Enhancement，ICFIE-YOLO）网络的低照度目标检测方法.该方法首先利用提出的ICFIE-YOLO内部多尺度光照矫正网络（Multi Scale Illumination Correction Network，MSICN）对低照度图像进行光照矫正，突出隐藏在图像背景中目标的模糊特征，使特征提取模块能更好地提取到目标特征；其次，为充分利用有效特征信息，过滤特征图中的噪声干扰，提出特征交互增强（Feature Interacted Enhancement，FIE）检测头，通过特征注意力交互方式实现特征增强，建立低照度图像中各个区域特征之间的空间关联和语义关联，从而抑制噪声对有效特征的干扰，实现降噪效果；最后，在增强特征及去除噪声的基础上用改进的检测头实现高精度目标检测.在ExDark和DarkFace数据集上的实验表明，所提方法较主流目标检测方法mAP提高2.1个百分点以上，较现有低照度目标检测方法召回率提高4.2个百分点以上，同时召回率较基线模型提高了2.6个百分点，所提方法具有较好的泛化性.
增强水下图像质量对水下作业领域的发展具有重要意义.现有的水下图像增强方法通常基于成对的水下图像和参考图像进行训练，然而实际获取与水下图像对应的参考图像比较困难，相比之下获得非成对高质量水下图像或者陆上图像较为容易.此外，现有的水下图像增强方法很难同时针对各种失真类型进行图像增强.为了避免对成对训练数据的依赖和进一步降低获得训练数据的难度，并应对多样的水下图像失真类型，本文提出了一种基于分频式生成对抗网络（Frequency-Decomposed Generative Adversarial Network，FD-GAN）的非成对水下图像增强方法，并在此基础上设计了高低频双分支生成器用于重建高质量水下增强图像.具体来说，本文引入特征级别的小波变换将特征分为低频和高频部分，并基于循环一致性生成对抗网络对低频和高频部分区分处理.其中，低频分支采用结合低频注意力机制的编码-解码器结构实现对图像颜色和亮度的增强，高频分支则采用并行的高频注意力机制对各高频分量进行增强，从而实现对图像细节的恢复.在多个标准水下图像数据集上的实验结果表明，本文提出的方法在使用非成对的高质量水下图像和引入部分陆上图像的情况下，均能有效生成高质量的水下增强图像，且有效性和泛化性均优于当前主流的水下图像增强方法.
睡眠是人体保持健康的重要生理过程，基于多导睡眠图（PolySomnoGraphy，PSG）的睡眠分期是诊疗睡眠疾病和评估睡眠质量的重要依据.人工睡眠分期法在处理大规模PSG数据时存在耗时久、效率低的问题，采用深度学习模型有效表征PSG的自动睡眠分期法显现出广阔的研究前景.针对现有模型未充分考虑PSG片段内波形信息、通道间相关性信息、片段间睡眠转换信息的问题，本文提出一种基于Transformer架构的多层级睡眠分期网络模型（Hierarchical transFormer sleep staging model，HierFormer），采用Transformer编码器有效提取片段内波形特征、通道相关性特征、片段间转换特征，并结合注意力机制综合提升模型对于PSG片段内、通道间、片段间三种视角信号特性的可解释性.基于睡眠集-欧洲数据格式（sleep-European Data Format，sleep-EDF）扩展睡眠数据集开展的实验结果表明：本文模型利用更少的参数量取得优于多种现有基线模型的分期性能，分类准确率、宏平均精确率、宏平均召回率、宏平均F1分数、科恩卡帕系数分别可达到0.807、0.784、0.735、0.750和0.721.通过在三种视角下不同特征编码方式的性能对比和注意力分数的可视化，本文进一步证明了所提模型良好的编码能力和可解释性.本研究旨在为睡眠分期领域的深度学习应用提供新途径和新技术，从而辅助医生提升睡眠疾病诊疗效率.
随着电商领域图像数据的爆炸式增长，针对目标图像的检索成为信息检索研究中的挑战性工作.现有的传统图像检索模型仅依靠单一文本描述或相似图像，难以准确捕捉用户的检索意图，导致检索结果不理想.为了解决该难题，本文提出了一种融合图像与文本特征的组合检索方法，采用Swin Transformer（SwinT）提取参考图像的多层特征，将图像与文本特征在多个层级上进行融合，使文本特征能够多层次、细粒度地修改参考图像特征，以更接近目标图像特征.然后，将修改后的图像特征与目标图像特征嵌入到一个空间中进行相似性度量，并采用基于批次的分类损失来优化检索性能.在Fashion200k、MIT-States和CSS这3个数据集上的实验结果表明，相较于现有主流方法，本文方法在性能上平均提升了5个百分点.
将权重分布、激活分布和梯度尽可能地还原为原始全精度网络数据，能够极大提高二值网络的推理能力.然而，现有方法将正向传播中的还原操作直接作用于二值数据，同时用以控制反向传播的梯度近似函数均为固定或手动方式确定，导致二值网络的还原效率有待改进.针对这一问题，构建了高效还原式二值神经网络.首先提出面向信息熵最大的分布恢复方法，通过对原始全精度权重均值平移和模长缩放，使量化后的二值权重直接具备分布最大还原特性，同时采用基于简单统计的平移和缩放因子，极大提高了权重和激活的还原效率；进一步提出基于自适应分布近似的梯度函数，根据当前全精度数据的实际分布，以P分位动态确定当前梯度的更新范围，进而自适应改变近似函数的形状，使训练过程中的梯度得到高效更新，从而提高了模型的收敛能力.在保证执行效率提升的前提下，通过理论分析证实了本文方法能够使二值数据达到最大程度还原.与当前现有的先进二值网络模型相比本文方法实验结果表现优异，其中针对ResNet-18和ResNet-20量化的分布还原操作计算时间开销分别下降了60%和67%；同时在CIFAR-10数据集上针对VGG-Small二值量化取得93.0%的准确率，在ImageNet数据集上针对ResNet-18二值量化取得61.9%的准确率，均为当前二值神经网络的最佳性能表现.相关代码开源在https：//github.com/sjmp525/IA/tree/ER-BNN.
本文从空间维度和时间维度分析了场景弱变化区域和类型变化区域的融合规律、物理模型的差异性和效果上的互补性，提出了共享超分辨率的双分支（Shared Super-Resolution Dual-Branch，SSRDB）遥感图像时空融合算法.该算法具有如下3个特点：（1）构建了互补性的网络框架，虽然该框架是端到端的深度学习模型，但每个模块有各自的物理意义和任务，通过增加中间监督，分别实现空间维的超分建模，时间维的变化预测建模，以及两者优势互补的融合建模；（2）对变化预测的数学表示进行推演，利用一个非线性补偿模块，使得两分支共享超分模块，在共享超分模块和递归复用超分单元的双重策略下，显著降低了网络参数；（3）递归超分模块使用固定的2倍率超分单元，在有效监督和有效参考下，渐进式进行特征增强与图像重建，这可以有效提高超分精度，且通过调整超分单元个数，灵活适应不同倍率差异的时空融合任务.SSRDB算法在空间和光谱特性上以及变化区域上都展现了优秀的融合效果，RMSE（Root Mean Squared Error）、SAM（Spectral Angle Mapper）和SSIM（Structural Similarity）3个定量评价指标显示，在CIA（Coleambally lrrigation Area）数据集上分别优于次优方法7.067%、2.065%、0.563%；在LGC（Lower Gwydir Catchment）数据集上分别优于次优方法5.319%、5.490%、1.455%；在Nanjing数据集上分别优于次优方法6.486%、16.290%、0.481%.
冻雨作为一种常见的灾害性天气，常导致高压输电线路积冰，当积冰达到一定的厚度后，覆冰的脱落会引发导地线间的闪络，进而导致城市电力供应大面积中断.在冻雨频发区域，故障线路相较于正常线路而言，呈现出导线位移和张力变化较大的显著特征.这些新的特征对现有监测方案提出了更高的要求，为此，本文提出一种基于无线位姿传感器的冻雨区输电线路监测方法.首先分析了无线位姿传感器的优势，开发对应的上位机，设计了一种将传感器安装在直线塔悬垂绝缘子串上，利用测量的倾角结合串长计算实时档距的方案；其次，算法解决实时线长难以测量的问题，并结合实时档距和实时线长得到导线动态张力提出一种基于导线弹性变形的输电线路监测算法，依据相似准则搭建四塔三线输电线路缩比实验平台，验证模型的有效性.结果表明：该方法可以有效利用位姿传感器的实时数据实现对线路张力和位移进行实时精准监测，为电力系统的安全稳定运行提供了有力的技术支撑.
由于维数灾难问题的存在，如何在高维数据中摒弃冗余特征、保留关键信息成为一个关键问题.无监督特征选择无需任何先验类别信息就能进行维数约减的特点引起更多研究者的关注.尽管如此，现有的无监督特征选择算法仍然存在两个问题需要解决：模糊性是数据的普遍特性，但现有大多数基于正则化回归的无监督特征选择算法忽略了数据中的模糊性，导致特征子集不理想；多数算法无法有效区分正常样本和噪声样本且易受噪声的影响.针对这些问题，本文提出了基于双模糊学习的鲁棒无监督特征选择（Robust unsupervised Feature Selection with Double Fuzzy，DFRFS）算法.DFRFS算法在基于正则化回归的无监督特征选择中引入模糊隶属度，允许数据在多个簇之间共享，能够更好地反映数据的复杂结构和不确定性.此外，DFRFS算法通过鲁棒权重学习框架为样本赋予不同的权重，从而在降低噪声样本影响的同时，保留可靠样本的作用.对比相关算法，在合成数据集与真实数据集上的实验结果验证了DFRFS算法的有效性.
半导体器件物理作为研究半导体器件工作机理及相关物理现象的关键科学，是半导体科学与信息器件领域的重要基础研究方向.它融合了材料学、物理学、化学和微电子学的多学科理论，为推动信息技术与半导体产业发展提供了理论支持.本文统计了近五年来（2020—2024）半导体科学与信息器件领域F0405代码方向各类项目的申请量、资助率情况，并通对过近五年资助项目题目和关键词的热点词云进行分析，总结半导体器件物理方向基础研究的主题和热点变化.本文旨在探究近年来半导体器件物理领域的自然科学基金资助特点，为国内科研院所、企事业单位的研究人员了解该领域的研究热点、未来发展方向及路径提供借鉴.
高可靠低时延通信技术是目前无线通信领域的热点问题之一，其关键在于高性能的中短码长信道编码技术的实现.与以往长码设计不同的是，在有限码长下，编码速率受误码率性能制约，因而需要针对性地进行编码构造、译码算法设计以及编码性能分析与优化.目前已有面向中短码长的极化码、咬尾卷积码等编码技术的研究，但主要都是面向特定码长码率的优化设计，难以满足实际应用对灵活编码参数的要求.基于此，本文对中短码长编码技术进行全面归纳梳理与深度探讨分析，首先综述了现有有限码长编码性能界的理论分析方法，随后对近年来提出的编码技术进行了梳理，并分析比较每种编码技术的优缺点，最后详细探讨了针对低时延高可靠场景的新型编码技术，并对未来研究方向与发展趋势进行探讨和展望.
为了降低空分复用弹性光网络（Space Division Multiplexing Elastic Optical Networks，SDM-EONs）的自发辐射噪声和非线性物理损伤问题对业务传输性能的影响，提出基于辅助图的比特加载和物理损伤感知资源分配（Bit Loading and Physical Impairment-sensing Resource Allocation，BL-PIRA）方法. 在BL-PIRA中，使用辅助图实现业务多策略最小代价优化的路由选择；采用比特加载机制为业务选择满足芯间串扰和非线性物理损伤的纤芯和频谱块. 仿真结果表明，所提BL-PIRA能降低业务阻塞率，提高频谱利用率.
