现有会话推荐模型长于提取用户当前偏好，但不善于捕捉用户兴趣随时间和情境的动态演变，难以从短时交互序列数据中提取项目之间的隐性关系.本文提出了一种基于邻域与超图协作学习会话推荐模型（Neighborhood and Hypergraph Collaboration for Session-based Recommendation Model，NHG-Rec），首先综合利用自适应多跳超图卷积和邻域卷积，以同时捕捉项目间的显性和隐性关系；然后利用基于上下文感知的位置动态注意力机制，来挖掘会话内各项目的重要程度，从而捕捉用户实时兴趣；再采用多视图会话嵌入，通过局部-全局对比学习策略，以期捕捉项目间的多维特征、辨别语义差异.实验结果表明：对于Tmall、Diginetica、Nowplaying三个基准数据集，相比SR-GNN、GCE-GNN、DHCN等主流基准模型，该模型的P@10、P@20、MRR@10、MRR@20性能指标分别平均提升了12.38%、5.47%、6.53%、6.39%.NHG-Rec模型能够捕捉用户兴趣的动态变化和项目间的多维关系.

信道编码参数的盲识别作为非合作通信和自适应调制编码（Adaptive Modulation and Coding， AMC）系统中的一项重要技术，近些年受到了更多关注.在第五代移动通信技术（5th Generation Mobile Networks， 5G）中，其采用了低密度奇偶检验（Low-Density Parity-Check， LDPC）码作为数据信道的前向纠错码，但其使用了删余和填充导致传统的盲识别技术不再适用.我们提出了一种新的方案，借鉴置信传播（Belief Propagation， BP）译码迭代思路来进行盲识别.该方案基于传统平均对数似然比（Log-Likelihood Ratio， LLR）算法，进一步采用BP译码的思想对删余和填充比特进行迭代，以解决传统算法无法识别这部分比特的问题.仿真结果表明：与现有的相关算法相比，本文算法具有更好的性能.

针对现有语义分割任务在复杂场景下全局语义与局部细节特征融合时难以平衡的问题，本文提出KA表示定理启发的图像语义分割动态融合网络（Dynamic Kolmogorov-Arnold Network，DynKANet），包含多级特征提取模块和动态特征融合模块.在多级特征提取阶段，设计基于残差连接的U型上下文增强模块和基于差异图的特征细化模块，分别用于精准捕捉全局语义和局部细节特征，以增强特征表达能力.在上述特征提取基础上，设计KA表示定理启发的动态特征融合模块，采用内外两层函数对前序模块提取的全局语义与局部细节特征进行深度提取和精准拟合，并结合自学习动态特征融合策略，确保全局语义与局部细节信息的平衡互补，有效缓解两类特征融合时难以平衡的问题.此外，设计CE/TopK+Dice动态联合损失函数，并采用条件触发策略，增强模型对困难样本的特征学习能力.实验结果表明，所提模型在涉及5个领域的10个公开数据集上均取得优异性能，平均在每个数据集上性能提升8%，具备较强的泛化能力与应用潜力.

随着机器学习模型的参数量与训练数据集爆炸式增长，单一计算节点已无法满足人工智能（Artificial Intelligence，AI）大模型的算力需求，分布式机器学习系统成为支持模型训练的主要平台，该系统通过数万设备的并行训练缩短机器学习的训练时间.其中数据并行是一种常用的分布式训练并行框架，该框架将训练数据划分至不同的计算节点，通过节点间周期性参数同步实现训练任务的协同，由于计算节点在每轮迭代前需要传输大量数据以完成参数同步，通信成为影响计算效率的关键因素.经典参数同步策略存在通信次数较多或接收端链路拥塞的问题，基于网内聚合的参数同步策略则存在交换机计算、存储能力有限、服务器输出端口拥塞的问题，对此本文提出一种混合参数同步策略PASSING（Hybrid Parameter Synchronization Strategy with In-host and In-network Aggregation），该策略首先在服务器内或机架内预先进行模型参数的本地同步，随后利用可编程交换机完成全局的参数同步，这种方式既保证了机内小规模计算节点间的高效通信，也减轻了交换机侧的计算和通信负载.论文使用多GPU（Graphics Processing Unit）服务器和可编程交换机搭建了实验平台，并部署了所提出的混合同步策略，实验结果表明PASSING相较于传统的参数服务器算法最多提升了65.25%的训练性能，有效加速了分布式训练的速度.

中轨（Medium Earth Orbit，MEO）合成孔径雷达（Synthetic Aperture Radar，SAR）具有中等分辨率，宽幅观测，短重访周期等优势，结合机载SAR接收机构成双基系统，可突破传统低轨（Low Earth Orbit，LEO）星机双基地SAR的覆盖限制，具有广阔的应用前景.然而，MEO SAR因轨道曲率显著、回波传播时延较长，其成像几何构型更为复杂，导致传统LEO星机双基地SAR成像算法失效；相比之下，尽管地球同步轨道（Geosynchronous Earth Orbit，GEO）SAR也面临“走停”假设和轨迹曲率引起的偏差，但由于其平台高度高、运行速度缓慢、加速度极小，引起的非线性误差通常可通过二阶多项式近似模型予以补偿.MEO SAR平台运动速度与加速度均大得多，引发的高阶非线性相位误差更为严重，使得GEO斜距模型在MEO场景下难以满足精度要求.针对这些挑战，本文提出了一种基于改进等效单基的频域成像算法.首先结合MEO的轨道特性，创新性地引入轨道弯曲补偿因子，提出改进的非“走停”等效单基斜距模型，突破传统等效单基方法对高机动非线性轨迹的建模局限.在此基础上，本文利用级数反演的方法推导信号精确的频域形式，并考虑了场景的方位空变效应，精确补偿了MEO曲线轨迹及长传播时延引起的相位误差，且具有低计算复杂度.实验表明：相比传统方法，所提算法的点目标峰值旁瓣比、积分旁瓣比和分辨率均接近理论值，在扩展面目标仿真中，图像熵降低约30%，对比度提升约20%，可有效抑制MEO SAR复杂轨迹导致的散焦现象.

准确预测学生答题表现是智能导学系统为学生提供个性化学习服务的先决条件.认知诊断和知识追踪作为主流的学生表现预测方法，均将学生表现仅归因于知识状态，而忽视了学生答题过程中的应试心理状态，限制了模型预测精准性的进一步提升.为此，本文将学生的应试心理状态融入以知识为中心的学生表现预测模型中，并结合认知诊断可解释与知识追踪动态预测的互补优势，提出了一种应试心理状态增强的学生表现预测模型（Test-taking psychological state enhanced Student Performance Prediction model，TSPP）.该模型通过捕捉习题与学生答题行为之间的复杂高阶关系，对学生应试心理状态进行建模；同时通过提取异构知识图中丰富的节点间关系对学生动态知识状态进行建模；最后设计了一种渐进式融合门，其采用可解释渐进式的方式融合应试心理状态与知识状态，得到可解释的预测结果.在3个真实世界数据集上的大量实验结果表明，TSPP模型在AUC（Area Under the Curve）和ACC（Accuracy）2项指标上，相较于9种对比模型的平均表现，分别提升了6.05%和7.27%，在RMSE（Root Mean Square Error）指标上降低了6.76%.此外，通过对TSPP中的应试心理状态和知识状态进行可视化分析，并探究其可解释性参数的优势，本文进一步验证了TSPP的可解释性.

采用显式龙格-库塔（Runge-Kutta，RK）时间积分格式的时域间断伽辽金（Discontinuous Galerkin Time-Domain，DGTD）方法求解涉及有耗媒质的电磁问题时，时间步长会受到电导率或导磁率的严格限制。虽然已经有研究通过数值试验验证了有耗媒质对稳定性的影响，但缺乏严格的理论依据。因此，本文基于理论推导建立了有耗媒质中显式RK-DGTD方法的稳定性条件，得到时间步长上限的估计值，并对其准确性进行了数值验证。此外，为了提高计算效率，本文提出了一种适用于DGTD方法的隐式-显式时间离散格式，采用隐式Crank-Nicolson（CN）格式对损耗项进行离散，而对其余项采用显式RK格式，从理论上证明了该方法的时间稳定性不受媒质损耗的影响，并通过数值算例验证了其可靠性与效率。

近年来，工业5.0已逐渐成为全球制造业发展的新兴方向，大量资源受限的智能设备广泛应用于开放环境中.针对现有工业5.0认证协议中计算开销过大、关键安全属性缺失等问题，本文提出了一种基于物理不可克隆函数（PUF）的轻量级匿名认证协议，有效解决了工业5.0环境下计算开销低与高安全性需求之间的矛盾.所提协议使用了可信执行环境（TEE）增强PUF，优化了现有三方认证协议的信息流，提出了链式挑战-响应对（CRP）更新机制，实现了用户、网关与工业5.0智能设备的三方认证与密钥协商.同时，基于形式化与非形式化的安全分析证明了该协议能够有效抵御智能设备窃取攻击及其他常见攻击类型.与近几年相关协议的对比分析表明，本文协议在平均降低了54%的计算开销的同时满足了更多安全需求.

多角度平面波相干复合（Multi-angle Plane Wave Coherent Compounding，MPWCC）实现了高帧率超声扫描，有助于彩色血流成像技术提供更准确的血流信息和组织图像.然而，MPWCC的低通效应会导致血流速度估计值偏低，且无法通过计算的方式确定杂波抑制滤波器的最佳阈值.对此，本文提出一种基于深度卷积神经网络（Deep Convolutional Neural Network，DCNN）的超快超声彩色血流成像方法.基于Field II平台搭建颈动脉仿真模型，以获得不同速度的血流超声多普勒信号，该信号经过奇异值分解（Singular Value Decomposition，SVD）、归一化等处理转换为训练数据.DCNN模型通过对训练数据进行有监督学习实现对不同速度多普勒信号的特征学习和杂波抑制，随后将特征信息转化为速度信息用于彩色成像.与高通滤波（High Pass Filtering，HPF）或SVD相结合的自相关测速法相比，本文方法在仿真、人体颈动脉的测试数据上均表现出了更好的性能：在估计正反向的仿真血流速度剖面时，该方法的归一化均方根误差（Normalized Root Mean Square Error，NRMSE）比HPF和SVD平均降低了45.65%和41.95%；在仿真及人体数据的彩色成像结果中，该方法呈现出最好的杂波抑制效果和血管完整度.综上，该方法能够实现超快超声彩色血流成像，在血流流态可视化方面具有应用价值.

正常照度环境下的图像小目标检测具有挑战性，而低照度环境下的图像因低亮度、低对比度、低信噪比等，信息丢失严重，使得小目标特征信息更加弱化，更加难以获取特征等信息，从而导致低照度环境下小目标检测的研究极少.本文针对这一问题，提出一个低照度小目标检测方法MC-YOLO.该方法包含多尺度特征融合增强（Multi-Scale Feature Fusion Enhancement，MFFE）模块、细节特征提取（Detail Feature Extraction，DFE）模块、Neck模块和Head模块.该方法的第一部分由MFFE模块采用可变形卷积和多尺度特征融合来提取低照度环境下的小目标特征，再通过全局平均池化进行全局特征增强，从而使小目标特征信息更加显著；第二部分由DFE模块在充分利用上下文信息提取小目标特征的同时保留小目标的位置信息，解决低照度小目标物体细节特征信息易丢失的问题；第三部分由Neck模块进行特征提取和多尺度特征融合；最后，在Head模块的大分辨率特征图上引入小目标检测层，实现低照度小目标的检测.实验结果表明，本文方法在低照度小目标检测精度方面具有良好的表现，在自制低照度小目标数据集LLSOD上的mAP为83.2%，比目前先进的目标检测方法YOLOv11高出3.6%.

传统超表面器件可实现的功能较单一，难以满足复杂多变的实际应用需求.针对这一问题，本文提出了一种基于二氧化钒（VO₂）的多功能可调控太赫兹超表面，该超表面单元由VO₂与金属组成的2个双裂环、介质层和金属衬底组成.利用VO₂材料的相变特性以及几何（Pancharatnam-Berry，PB）相位原理，超表面单元可以在低频（0.8~1.2 THz）和高频（1.2~1.8 THz）2个频段上呈现出2种不同的相位分布，实现对反射圆极化波的独立调控.在此基础上，本文排布了3个具有不同功能的太赫兹超表面阵列，分别在宽带范围内产生了携带多拓扑荷数的涡旋波束和偏转涡旋波束，以及在1.2 THz处实现了平面聚焦波束与涡旋波束之间的功能切换.所设计的超表面在动态调控、宽带响应、多功能集成方面表现出优异性能，为光学元件的小型化、多功能化提供新的可能性，在太赫兹通信和自适应光学系统等方面具有潜在的应用价值.

为解决传统电阻式电压采样电路中由于通道漏电流存在和运算放大器失配的非理想因素影响采样精度的问题，本文提出了一种基于低漏电流高压开关的高精度电池电压采样电路.采用高压选择开关阵列和复用电阻式电平移位电路结合的方式进行电压采样，通过设计电流补偿电路解决了P型和N型横向扩散金属氧化物半导体（Laterally Diffused Metal Oxide Semiconductor，LDMOS）作为高压开关使用时栅极驱动电路存在通道漏电流的问题.此外，通过自适应电流补偿电路消除电平移位电路中漏电流对电池电压一致性和采样精度的影响，并通过斩波技术消除运算放大器失配对采样精度的影响.基于0.35 µm BCD工艺对电路性能进行验证，结果表明，高压选择开关阵列最大通道漏电流为18.75 nA，在TT工艺角、27 ℃和0 mV失调电压的标准情况下，电压采样电路最大测量误差为±1.4 mV.在全面蒙特卡罗的仿真下，电压采样电路最大测量误差为±2.5 mV.

Turbo码已被广泛应用于第三代移动通信技术（3rd Generation Mobile Communication Technology，3G）、第四代移动通信技术（4th Generation Mobile Communication Technology，4G）等通信系统中.为了提高信道编码效率，在Turbo码的实际应用中常结合删余技术.由于部分校验位的缺失，删余Turbo码的盲识别难度更高，且目前针对删余Turbo码的交织识别研究较少.本文在删余Turbo码的随机交织器识别中，基于对数符合度的概念，提出利用软输出维特比算法（Soft Output Viterbi Algorithm，SOVA）对后验信息进行更新以辅助识别，从而弥补对数符合度的近似计算所导致的性能损失.仿真结果表明：与现有的相关算法相比，本文算法具有更好的性能；加之对数符合度和SOVA两者的计算复杂度均相对较低，所以本文算法也具备较高的实时性.

本文针对深度神经网络对抗样本在黑盒攻击中迁移性受限的核心问题，提出了一种基于类别语义关联的动态伪目标对抗攻击框架.现有方法因忽视类别间语义关联性，导致对抗扰动容易陷入模型特异性过拟合，严重制约对抗样本跨模型迁移效能.研究表明，对抗样本在迁移过程中倾向于被误分类为语义相近的类别，而非随机类别，揭示出类别相似性是影响迁移性的关键因素.本研究通过挖掘模型特征空间中相似类别的共享对抗子空间特性，创新性地提出了基于类别相似性驱动的动态伪目标对抗攻击方法.首先，构建一个动态伪目标筛选策略.在每一次扰动迭代中，根据当前模型对对抗样本的预测置信度分布，从所有非正确类别中选取预测概率最高类别作为“伪目标”.该目标并非固定，而是随迭代过程自适应调整，确保扰动方向始终指向最具迁移潜力的语义区域.其次，提出双梯度协同更新框架.将原始基于真实类别的对抗损失梯度与伪目标类别的误导梯度进行线性加权融合，通过梯度场的叠加效应，扰动更新不仅能逃离源模型的决策边界，还能同时朝向多个模型共享的语义子空间推进，从而显著提升对抗样本的跨模型可迁移性.此外，本文方法具有广泛的兼容性与可扩展性，可作为一种通用优化机制与多种主流梯度攻击策略无缝融合，在每次梯度更新计算中，通过引入动态伪目标梯度项，在不破坏原方法梯度结构的前提下，显著增强其跨模型迁移能力.实验表明，本文方法在跨架构（Convolutional Neural Network，CNN/Transformer）、跨规模（轻量化模型）攻击场景下均展现出优越的迁移鲁棒性.此外，该方法展现出良好的兼容性，可与多种梯度攻击策略及数据增强计算结合，在单一攻击、组合攻击与集成攻击模式下均优于现有方法.本研究为对抗攻击提供了一种基于语义相似性的通用优化范式，为提升黑盒攻击的迁移性提供了新思路.

基于Transformer的图像恢复方法在单图像超分辨率（Single Image Super-Resolution，SISR）任务中展现了卓越的性能，这得益于其自注意力（Self-Attention，SA）机制能够有效捕捉非局部信息，从而实现更高质量的高分辨率（High Resolution，HR）图像重建.然而，SA机制中的矩阵乘法操作需要消耗大量计算资源，这使得基于Transformer的模型通常难以适配计算能力和内存受限的低功耗设备.此外，SA机制的低通特性限制了其捕获高频局部细节的能力，从而导致平滑的重建结果.为了解决以上问题，本文提出了一种基于多尺度特征自适应调制的单图像超分辨率网络（Multi-scale Feature Adaptive Modulation Network，MFAMNet），其核心是多尺度特征自适应调制（Multi-scale Feature Adaptive Modulation，MFAM）模块，该模块通过下采样操作获取不同尺度的低频内容，计算输入特征的全局方差来调制处理后的低频特征，然后使用调制后的特征自适应地聚合输入特征，从而实现对非局部信息的高效建模.在聚合输入特征之后，本文引入通道注意力机制，从通道维度对融合特征进行细化处理，以增强所有通道间公共信息的提取能力，同时实现跨通道权重的动态重分配.此外，由于MFAM从远程角度处理输入特征，因此需要补充局部上下文信息.为此，本文还设计了空间增强模块（Spatial Enhancement Module，SEM），作为复杂自注意机制的有效替代方案，以显著提高空间局部聚合能力，在空间和通道维度上进一步细化从MFAM输出的特征.大量实验表明：所提出的MFAMNet，在公共基准数据集上实现了重建性能和计算效率之间的更佳权衡.特别是在4倍超分辨率（Super-Resolution，SR）下，与最新的自调制特征聚合网络（Self-Modulation Feature Aggregation Network，SMFANet）相比，MFAMNet在五个公共测试集上的平均性能提高了0.15 dB，而模型复杂性，如每秒浮点运算次数（FLoating-point Operations Per second，FLOPs），与前者几乎相同.

人工智能（Artificial Intelligence，AI）生成图像技术发展迅猛，高逼真内容对网络安全与社会信任构成重大威胁，而人类自主鉴别准确率仅约59%，接近随机猜测水平.现有检测方法普遍存在性能有限、跨模型泛化能力不足等问题，尤其无法有效捕捉生成图像中物理光照的不一致性.为此，本文提出融合光影敏感特征及Kolmogorov-Arnold（K-A）表示定理的特征融合鉴别方法（Light-enhanced Kolmogorov-Arnold Networks，L-KAN）.在红绿蓝三原色（Red、Green、Blue，RGB）语义特征、频域特征和边缘特征的基础上，构建光影敏感特征.该特征通过整体光照分布、阴影面积及方向、和多尺度光照梯度特性，捕捉生成图像中的光照异常.引入K-A表示定理进行特征融合，通过内外层函数协同作用，在保证特征互补性的同时有效抑制特征冗余.在3组公开数据集上，与9种先进方法进行对比，所提方法平均分类准确率均有显著提升.

语音是现有嵌入式移动设备广泛使用的一种输入接口.尽管现有的云端服务提供商提供了强大的语音语言理解（Spoken Language Understanding，SLU）服务，但也对用户隐私造成了极大的威胁.为此，基于信息解耦的隐私保护编码器被提出，以在不影响SLU功能的前提下，从语音信号中移除敏感信息.然而，这些编码器往往需要较高的内存和复杂的计算，因而在资源受限的小型设备上难以实际应用.本文基于大量实验观察到了一个关键现象，即SLU依赖于整个语句的全局信息，而隐私敏感词的识别则多为局部信息依赖.利用这一观察，我们提出了一个面向语音意图理解的的高效编码器（SImpLe ENCodEr designed for efficient privacy-preserving SLU offloading，SILENCE）系统.我们在STM32H7微控制单元上实现了该系统，并在不同的攻击场景下评估了其效果.实验结果表明：SILENCE在语音意图提取任务的性能和隐私保护能力上可与传统隐私保护编码器媲美，同时实现了高达53.3倍的速度提升和134.1倍的内存占用减少，首次在内存仅有1 MB的微控制单元上实现了隐私保护的SLU服务.

猜测随机噪声译码算法（Guessing Random Additive Noise Decoding，GRAND）是线性码的一类通用译码算法.其中，ORBGRAND（Ordered Reliability Bits GRAND）算法是一种软判决猜测随机噪声译码算法，具有运算简单、易于实现等优点，引发了广泛的研究和关注.但是，在限定查询次数的条件下，ORBGRAND算法的译码性能与软判决最大似然译码有一定差距.针对这一问题，本文提出了一种基于校正子译码（Syndrome Decoding，SD）算法和ORBGRAND算法的混合译码算法.该算法为ORBGRAND算法引入一种辅助度量，将接收序列并行输入SD算法和ORBGRAND算法进行译码，选择二者中与接收软判决序列具有最大相关值的码字估计作为译码输出.仿真结果表明，提出的混合译码算法在增加不多复杂度的条件下相对ORBGRAND算法能够获得译码性能改善，并且随着信噪比的增加改善更明显.此外，提出的混合译码算法保持了ORBGRAND算法的通用性，适合于各种类型的线性码译码.

时频表征的准确性直接影响脑电信号内在含义和动态特性的解析.针对基于多小波的时频表征方法中存在的尺度固定、回归项选择不当等问题，本文提出一种基于尺度自适应稀疏多小波的时频表征框架，以提升表征精度.该方法通过稀疏贝叶斯学习-信息熵联合优化，从全局角度筛选时变模型的最优回归项，有效规避传统方法的局部收敛缺陷；进一步，为小波基分配尺度，从最优个体、粒子群变异和种群更新3个方面改进遗传算法并进行尺度寻优，实现小波基与最优尺度的自适应匹配，增强多小波基对时变信号的拟合能力.最终，估计的时变参数经由参数谱估计转化为准确的时频表征.在3个仿真模型的实验结果表明，所提方法至少降低23.08%的时变参数估计误差，增强2.93%的时频信息估计精度，在动态参数跟踪和时频信息估计上展现出强大竞争力.在BCI Competition II-data set III的实验结果显示，所提方法在估计事件相关同步/去同步的性能较先进时变建模方法增强（3.37→8.78）；进一步将所提方法提取的时频信息与简单卷积神经网络结合，即可在BCI Competition IV-data set 2b中取得与最先进但复杂的分类模型相当的识别准确率（88.04%），侧面证实了所提方法的时频表征能力.本文方法从模型结构筛选、寻优算法改进和基函数尺度配置3个方面进行设计，实现时变参数估计准确率与时频分辨率的协同提升，为脑电信号处理提供了一种新方法.

面向多智能体路径寻找（Multi-Agent Path Finding，MAPF）问题，基于优先级搜索（Priority-Based Search，PBS）算法融合了优先级机制和冲突搜索（Conflict-Based Search，CBS）的节点拓展框架，在路径规划效率方面具有显著优势.然而，PBS算法中对路径代价优先的贪婪机制会导致算法在优先级树（Priority Tree，PT）拓展过程中冲突消减速度慢.因此，本文提出基于冲突代价Bayesian权重的改进PBS算法IPBS-ccbw（Improved Priority-Based Search with conflict cost bayesian weight）.在路径代价的基础上，引入冲突数量构造了基于路径代价和冲突数量的综合指标，并在规划拓展时对子节点的冲突代价权重进行Bayesian更新，以此在冲突数量与路径代价之间进行有效权衡.进一步设计了冲突数据监测和策略性重构机制，避免算法在特定分支上陷入深度搜索陷阱.在Benchmark标准测试地图上的仿真对比实验以及小规模实物实验的结果显示，IPBS-ccbw算法在不同环境下均展现出优越的路径优化能力.与PBS算法相比，在大规模密集场景中，IPBS-ccbw算法展现出更强的冲突消减能力和更高的求解效率.其求解时间可减少27.3%~91.9%，在智能体数量达到最大值时，求解成功率提升幅度可达40%~85%.

针对图像语义分割任务中下采样过程导致的信息丢失问题，以及现有上采样方法在处理复杂场景中普遍存在的全局信息丢失、细节模糊、生成过程不稳定及信息冗余等局限，本文提出了一种融合物理扩散-聚焦机制的轻量级语义分割模型——DFRNet.该模型引入了液体表面张力的扩散-聚焦机制，并进一步设计了动态上下文窗口选择（Dynamic Context Window Selection，DWS）模块作为调节优化机制，从而实现了物理启发的能量传播上采样（Physics-Inspired Energy Propagation Upsampling，PIEPU）新方法.该方法包含扩散、聚焦与调节三大机制，分别承担全局上下文信息扩展、关键区域特征增强与信息流动优化的功能，协同提升模型在复杂场景下的细粒度感知与语义一致性表达能力.在7种类别14个数据集的验证表明：所提DFRNet在mIou、F1分数和Accuracy指标上均领先于其他先进模型，且在不同数据集上，mIou提升幅度为0.165%~4.259%；F1分数提升为0.140%~2.888%；Accuracy提升为0.035%~1.386%，验证了方法在多样化任务环境下的鲁棒性与泛化能力.本文模型参数量仅为3.34 MB，可满足轻量化实时应用.

随着量子计算技术的不断发展，依赖传统公钥密码体制三大功能（密钥协商/数字签名/公钥加密）的各种应用系统将不再安全.为应对量子威胁，以美国国家标准与技术研究院（National Institute of Standards and Technology，NIST）为首的国际标准组织积极征集与部署后量子密码（Post Quantum Cryptography，PQC）算法的标准化工作，致力于在真正实用型量子计算机问世之前，提前完成传统公钥密码算法到PQC算法的迁移过渡.Crystals-Dilithium是NIST-PQC标准中的一种基于格的数字签名算法，其安全性高，运算速度快，是实现抵抗量子攻击数字签名算法的重要路径之一.本文从主流Crystals-Dilithium数字签名算法的理论基础出发，从底层关键组件的优化方法和整体硬件构架设计方法着手，围绕硬件资源优化和性能优化等现有方法和成果对比展开分析介绍，为研究者们后续研究探明方向，希望为设计性能与硬件资源均衡的后量子数字签名密码芯片提供有力参考.

驾驶场景中的静态智能体、动态智能体、道路结构及各元素间的交互通常是复杂且随时空快速变化的.因此，自动驾驶车辆的运动预测是一项十分具有挑战性的任务，其中一个尚未解决的难题就是如何高效表征和融合多模态场景信息，包括路况信息、不同智能体状态及其历史交互信息.现有方法大多依靠独立设计的模块并行处理多个模态的数据，但这种方式会造成系统灵活度较差、调整困难，且独立组件往往会引起较高的计算冗余，系统计算效率较低.此外，由自动驾驶场景的时间信息和空间信息解码获得保障安全驾驶的动作指令本身就是一项十分具有挑战性的任务.本文提出基于时空注意力Transformer的自动驾驶运动规划方法，由分阶段多模态场景编码器和时空融合解码器组成，能够逐过程构建多模态运动场景描述，同时在时空融合下预测自车的未来安全运动.本文在大规模自动驾驶数据集nuScenes上搭建了全新的比较基线，取得了较为领先的结果.

智能反射面（Intelligent Reflecting Surface，IRS）辅助通信被认为未来无线网络中最具前景的技术之一.然而，当电磁干扰存在时，IRS在放大有用信号的同时也会放大干扰信号，从而导致IRS辅助通信系统的性能显著恶化.超可靠低延时通信（Ultra Reliable and Low Latency Communication，URLLC）是未来无线网络的一个重要应用场景.本文研究了电磁干扰对IRS辅助短包通信（Short Packet Communication，SPC）实现URLLC的影响.在假设小尺度衰落服从莱斯分布且IRS基于统计信道状态信息（Channel State Information，CSI）进行相位偏移调整的情况下，本文首先利用中心极限定理（Central Limit Theorem，CLT）、矩匹配方法以及SPC相关理论，推导出了用户平均块错误率（BLock Error Rate，BLER）闭合表达式；其次，在用户可靠性约束下，提出了一种基于二分法的优化算法，以最小化系统传输时延；最后，通过仿真验证了理论分析的准确性.仿真结果表明：在用户可靠性约束条件下，相较于无电磁干扰环境，电磁干扰的存在显著削弱了通过增加IRS单元数目来降低SPC传输时延的能力.

联邦学习可以在云边端构建一个分布式、安全的计算环境，以适应数据隐私保护和实时性要求高的应用场景.其作为一种跨设备分布式学习，其中客户端异构及隐私安全是两个关键性的问题.首先，在客户端数据异构和设备异构的条件下，其响应速度和数据分布均存在较大差异，会导致客户端之间存在滞后问题，对联邦学习的性能造成很大影响；其次，在隐私安全方面，联邦学习仍存在中心服务器遭受单点攻击、客户端不可信以及推理攻击的安全性问题.本文设计了分层联邦学习系统FATChain来解决以上问题.首先针对客户端异构的问题，提出一种高效的客户端选择机制，将被选中客户端按响应速度分组，对每组客户端采用基于代表性梯度的聚类采样，保证具有独特数据分布的客户被选中，通过分层桥接的方式将同步和异步训练相结合，降低全局同步带来的压力，并解决了数据异构和设备异构造成的客户端间的滞后问题；同时设计了基于影响力函数的加权聚合算法，通过提高高质量局部模型的聚合权重，解决由于数据异构造成低质量局部模型权重过高而影响全局精度的问题，加速全局模型的收敛，提升了模型训练准确率.其次针对隐私安全问题，将联邦学习算法与区块链相结合，实现了去中心化，解决单点攻击问题；系统中设置投毒攻击检测模块，在聚合前过滤掉不合格的本地更新，解决投毒攻击问题；利用区块链组网中群组里参与方节点只上传更新而不生成区块的办法，有效预防了恶意参与方造成的推理攻击.分析表明，本文提出的联邦学习系统很好地实现了各方的隐私安全防护，同时性能相较于同类方案有了很大的提升，具有很好的可扩展性，适用于大规模且对隐私保护要求较高的应用场景.

基于中心化差分隐私（Central Differential Privacy： CDP）与本地化差分隐私（Local Differential Privacy： LDP）的数据查询和分析已得到了研究者的广泛关注.数据查询与分析的解决方法在CDP/LDP下取得不断突破的同时也凸显出相应的局限性，其局限性源自于CDP/LDP是针对收集者信任度变化而设置的两个极端模型.CDP假设用户完全信任收集者，收集者结合用户的原始数据产生噪音来响应分析者的查询，响应的误差较低.然而，该模型中的用户无法掌控自己的原始隐私数据.LDP假设用户不信任收集者，用户只是把本地扰动结果传输给收集者.然而，该模型下查询与分析的误差很高.混洗差分隐私（Shuffled Differential Privacy： SDP）模型的出现有效均衡了CDP与LDP之间的矛盾.本文对SDP的保护模型、实现机制、研究方向以及存在的问题进行系统地综述.首先介绍SDP的理论基础，主要包括SDP模型、SDP框架、以及满足SDP算法的核心思想.重点介绍当前该领域的研究热点：聚集查询估计、直方图估计、频率/均值估计以及机器/联邦学习等，对相应的研究热点进行总结与归纳.在对已有技术深入对比分析的基础上，指出了混洗差分隐私保护技术的未来发展方向.

现在的移动通信系统中信源信道联合编码（Joint Source-Channel Coding，JSCC）可以达到端到端的优化效果，提升频谱效率.而混合自动重传请求（Hybrid Automatic Repeat reQuest，HARQ）则通过灵活的重传机制，改善链路的可靠性和自适应性，增强系统的鲁棒性.将JSCC和HARQ进行联合优化可以进一步提高可靠性和频谱效率.本文提出了HARQ系统中的基于极化矩阵扩展（Polarizing Matrix Extension，PME）的信源信道联合编码方案，简记为PME-JSCC-HARQ方案.PME-JSCC-HARQ方案首先进行信源极化编码，然后扩展信源极化矩阵，并将信道比特放置在扩展位上.重传过程依次对极化矩阵进行扩展，并将重传比特放置在扩展位上.由于极化矩阵的下三角结构，在联合编码过程中每次传输的比特都不会影响信源比特和之前传输的编码比特.为了提高PME-JSCC-HARQ方案的译码可靠性，要选取扩展后的长极化码的最可靠的比特子信道作为信息比特子信道.仿真结果表明，在列表大小等于32时，与分离式的基于信源极化编码和具有重传的信道极化编码方案相比大约可以获得2.8 dB以上的性能增益.

为了解决在遮挡环境下的实时手势识别问题，本文提出了一种基于远距离无线电（Long range Radio，LoRa）信号的实时手势识别算法.该算法利用LoRa信号频段较低、穿透性较好的特性，通过两根接收天线计算信号比值，并结合短时傅里叶变换（Short-Time Fourier Transform，STFT）得到包含手部运动特征的时频图.在此基础上，设计了Gesture Encoder编码器进行手势时频图的特征提取，从而得到体现手势特征的特征向量，进而用于手势的分类识别.本算法不仅有效解决了实际应用中有物体遮挡场景下的识别问题，还提出了系统状态转换机（System status Transition Machine，STM）和数据增强方法，实现了对手势开始和结束时间的精准控制，从而完成了手势的自动分割与实时识别.最终，在搭载Android系统的边缘计算设备上进行了系统部署，并在遮挡场景下进行测试.实验结果表明：所提出的手势识别系统能够在边缘设备上高效、准确地完成手势分类，具有较强的实用价值和应用前景.

作为5G/6G网络的重要空中载体，无人机（Unmanned Aerial Vehicle，UAV）通信系统在复杂无线环境中面临着信号衰减和干扰的严峻挑战.特别是在高动态、多障碍物场景下，通信链路的稳定性和可靠性往往难以保障.尽管可重构智能超表面（Reconfigurable Intelligent Surface，RIS）技术通过动态调控电磁波特性可以显著提升通信质量，但其灵活的电磁调控能力也可能被恶意利用，从而引发新型物理层安全威胁，给现有通信系统的安全性带来新的挑战.本文首次提出了一种基于恶意RIS的隐蔽波束成形攻击模型：攻击者通过劫持或利用UAV平台部署RIS单元阵列，生成可控频移的反射信号，破坏正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）子载波的正交性，并通过空-频域协同攻击机制实现对目标接收机的精准干扰.通过建立超表面反射信号的数学模型，并结合IEEE 802.11协议对攻击可行性进行了验证.攻击信号能够与目标接收波束精确匹配，从而在目标设备未察觉的情况下实施高效干扰.实验结果表明：在室内外场景中，该攻击可导致目标设备吞吐量下降高达88%，严重威胁通信系统的可用性和安全性.该攻击方案同样适用于基于OFDM的其他协议，如长期演进（Long Term Evolution，LTE）和5G新空口（New Radio，NR）等.研究进一步讨论了基于子载波能量检测的防御机制，为UAV-RIS融合系统的安全防护提供了理论依据和技术支撑.

高分遥感图像目标检测是遥感信息智能化处理的研究热点，具有广泛的应用背景和重要的应用价值.相比于自然图像，高分遥感图像目标检测面临目标朝向任意、尺度变化大、背景复杂易受干扰以及排列密集度高等诸多难点.为了进一步提升高分遥感图像目标检测算法的性能，本文从特征融合与特征增强的角度出发，以YOLO11为基准算法提出一种旋转框遥感图像目标检测算法EIMYOLO，并设计了边缘特征增强、多尺度特征增强提取器和多尺度注意力机制动态融合3个即插即用的模块.边缘特征增强模块通过提取目标的边缘特征，提高了算法对旋转目标的方向敏感度以及复杂背景下的特征提取能力.多尺度特征增强提取器和多尺度注意力机制动态融合模块，分别从层内特征增强及层间特征融合角度出发，提高了算法对密集目标和细长目标的检测能力.为了验证本文算法的性能，在公共遥感数据集HRSC2016和DIOR-R上进行了实验.结果表明，所提算法的平均检测准精度分别达到了90.80%和72.40%，优于基准算法和对比算法.

深亚微米工艺下传统时序模型的延时计算不再准确，针对米勒效应愈发不可忽视、互连线电阻性增大和互连线延时比重越来越大等问题，本文提出一种基于动态电容的复合电流源阶段延时计算方法。首先，本文引入基于电压的插值方法支持复合电流源的延时计算；其次，构建Π模型为负载的单元延时计算方法，采用多阈值分析改进有效电容并推导动态电容，实现迭代计算流程；随后，扩展动态电容概念到阶段延时计算中，实现以分布式RC网络作为负载的阶段延时计算方法，并使用机器学习优化互连线延时。基于ASAP 7 nm Predictive PDK （ASAP 7）工艺，本文提出的阶段延时计算方法与Simulation Program with Integrated Circuit Emphasis （SPICE）对比分别实现了1.49%、3.16%、1.70%、0.88%的单元延时、单元转换时间、互连线延时与互连线转换时间的平均相对误差，平均在4~5次迭代后达到收敛。

连续学习广义上指智能算法与智能体学习和适应动态变化世界的能力，这使得智能算法能够在部署周期中不断获取、更新、积累和利用知识.连续学习技术赋予了智能系统自适应发展的前景和能力.在深度学习中，连续学习具体指的是能够从非平稳数据流中学习和适应不断变化的训练目标，这一任务通常面临着灾难性遗忘的挑战，即学习新任务通常会导致旧任务性能的大幅下降.近年来，随着深度学习在语言、视觉等诸多领域的迅速发展，涌现了诸多进展，有效拓展了对连续学习的理解和应用.本工作对现有连续学习工作进行了较为广泛而深入的调研，并从连续学习基础定义、代表性方法、在视觉领域的应用等多角度分析.最后，本文也对连续学习当前的前沿发展和未来研究趋势进行探讨.基于对连续学习领域相关工作的探讨，期待本文这一综述可以有效促进该领域和后续研究工作的进一步发展和探索.

太赫兹通信是第六代（6G）移动通信的关键技术之一，可用带宽巨大，支持超高的传输速率，具有广阔的应用前景.太赫兹信道建模是太赫兹通信系统设计、仿真与优化的基础.太赫兹的信道研究主要分为信道测量、特性分析和信道建模几个方面.本文首先介绍了目前太赫兹信道测量主要使用的时域和频域测量方法，对当前开展的太赫兹信道测量进行总结，包括研究机构、测量场景、测量方法、天线配置与所测量的信道特性.接着，对太赫兹的传播特性进行了总结，包括太赫兹频段电磁波的传播机制、信道的大小尺度特性.然后，分别介绍不同的建模方法及其在太赫兹频段最新的研究进展.最后，针对太赫兹信道研究提出未来研究的挑战.

在云边端算力网络中，传输、计算和存储资源的协同优化是一个关键且极具挑战性的课题.如何有效融合高性能的云资源、低时延的边缘资源、广泛分布的节点资源以及低成本的用户资源，实现智能化的资源分发、关联、交易与调配，对于整网资源的最优化配置和高效利用意义重大.本文针对传输与计算融合的云边端异构算力网络，构建了详细的数学模型.从算力需求、资源分发、交易与调配等多个维度出发，将异构计算与传输资源调度中的时延和成本最小化联合优化问题，转化为混合整数非线性规划问题.随后，本文提出了一种创新的串行子任务路径分配机制，并结合最优路径最大化分配算法（Optimal Route and Assign Maximizer Algorithm，ORAM），以实现任务计算与传输路径的高效协同优化.该机制将计算任务分割为多个子任务，感知并处理串联子任务之间的依赖关系，利用ORAM算法实时选择符合依赖关系的最优计算路径，指导计算结果以最少跳数的方式传输至目标节点，形成端到端的高效资源调度通道.这不仅降低了传输时延和资源成本，还将传统的“先传后算”模式有效转变为“传算协同”模式.实验结果显示，在不同的计算需求、感知范围和节点数量条件下，本文所提出的算法相较于多种基准算法，在时延、成本及路径优化等方面均表现出更优的性能.

区块链存在资源消耗大、吞吐量低等问题，严重影响区块链技术的落地应用.分片技术为解决区块链可扩展性问题提供了可行的方案.本文首先结合区块链逻辑结构对不同层级的区块链可扩展性方案进行总结.然后从分片结构层次、系统运行流程、研究问题、功能组件四个不同的角度对分片区块链进行概述.本文将分片区块链的设计分为9个功能组件，在此基础上，从功能组件视角总结了分片区块链的研究现状，详细地介绍了典型的分片方案.最后，从安全、性能以及均衡性角度讨论了分片技术当前所面临的挑战，并对未来研究进行了展望.

安卓系统占据移动操作系统七成以上的市场份额，成为许多不法分子传播恶意软件的平台.其中，重打包恶意软件通过嵌入少量恶意代码到良性软件中，利用大量良性行为掩盖恶意行为，从而绕过普通恶意软件检测方法.然而，当前学术界对重打包恶意软件的研究相对较少，现有基于函数调用图分区的检测方法存在通用性不足的问题，且在敏感API中心性特征方面未充分考虑恶意行为的语义特征.本文提出了一种安卓重打包恶意软件检测方法Partdroid，该方法通过分析清单文件和smali代码，提取应用程序的组件信息并生成组件函数调用图，将所有含有敏感API的组件的函数调用图合并，利用污点分析的方法发掘组件间调用关系，形成敏感组件函数调用图来避免函数调用图分区的局限性.同时，该方法通过挖掘敏感API与入口函数、交互函数的关系突出恶意行为的特征，并结合中心性算法综合计算敏感API的重要性，避免直接使用中心性算法提取特征的局限性.实验结果表明，本方法对安卓重打包恶意软件检测的综合性能优于其他同类工具，随机森林分类器的F1值和准确率分别达到91.34%和91.93%，投票算法则为91.63%和92.15%.此外，Partdroid在新恶意软件检测中表现突出，从谷歌应用商店随机选取的2 000个应用中检出3个可疑软件.

随着人工智能应用场景的集中式爆发，移动应用对数据通信和计算的需求日益增长，位于远端的传统云计算处理方法难以满足快速响应的要求.因此，整合利用海量的用户侧终端设备算力（包括计算、存储、通信等）的端侧算力网络，通过分布式协作合理地利用终端算力完成计算任务成为一种新的处理方法.鉴于单台终端设备的资源受限，高企的通信开销限制任务协同效果，导致终端很难高效协同完成高度复杂的计算任务.本文提出利用点对点通信（Device-to-Device Communication，D2D）辅助终端节点协同计算，并设计了基于有向图卷积网络（Directed Graph Convolutional Network，DGCN）的协作拓扑和资源分配决策算法（Multi-Agent Soft Actor-Critic，MA-SAC），将有向无环图（Directed Acyclic Graph，DAG）任务中包含的子任务部署到多个终端进行协同计算，满足DAG子任务部署在多个不同节点间的跨节点传输需求，降低子任务间数据传输在基站侧的网络通信开销.仿真结果显示，所提算法能够在保证业务时延要求下，降低38.2%网络通信开销，有效提升31.9%端侧资源利用率.

针对现有电动汽车实时荷电状态（State-Of-Charge，SOC）预测模型在运行状态感知、动态校准与长时序预测精度方面存在的瓶颈问题，本文提出了一种融合因果思维树推理机制与深度强化学习策略的时序预测框架.该框架通过引入动态进化与多分支因果推理机制，使其在保持单模型高效计算结构的同时，实现对复杂工况下电池状态变化的感知建模与自适应优化.首先，设计了基于因果分级结构的多级近端策略优化（Proximal Policy Optimization，PPO）模型，并提出了以时间序列网络为核心的Actor网络架构.该架构分层建模温度、电阻等关键变量对电池SOC的直接与间接因果影响，并通过值函数迭代与长期回报优化策略，实现了模型参数的持续进化与泛化能力提升，增强了预测的可解释性与因果认知能力.其次，引入了思维树结构构建多路径策略评估网络，结合策略搜索、路径追踪与回溯修正机制，在动态工况中实现策略的逐层优化与异常分支校正，提升了模型的预测鲁棒性与泛化能力.实验结果表明：在不同运行工况下，本文算法在多个评价指标上均显著优于Transformer、FED former、Mamba和长短期记忆（Long Short-Term Memory，LSTM）网络模型.本文算法的平均绝对误差（Mean Absolute Error，MAE）低于0.26%，均方根误差（Root Mean Squared Error，RMSE）低于0.35%，决定系数（Coefficient of Determination，R²）高于99.5%，在不同车型条件下均表现出卓越的鲁棒性与稳定性.

在空间态势感知任务中常存在绕飞机动航天器，其持续的自旋、自旋轴变化和绕飞机动矢量构成了三维转动，导致相邻逆合成孔径雷达（Inverse Synthetic Aperture Radar，ISAR）图像帧间散射特性差异较大，难以识别.为此本文提出基于关键部件特征关联的ISAR空间目标多角度识别模型，构建基于自监督学习策略的对比学习模块，减少成像和目标姿态参数变化对图像识别的影响；构建关键部件特征关联模块，利用图信息推理方法挖掘图像关键部件之间的局部关联信息；构建复数域Transformer层，提取图像区域块之间的全局上下文特征，并通过特征融合实现对目标的有效表达.基于实测雷达数据的实验结果表明所提方法可显著提升多角度识别效果，在相同数据量识别条件下，与现有目标识别方法相比识别率提高了5.58%，验证了对目标多角度识别的性能.

电磁无损检测（Non-Destructive Testing，NDT）是一种非侵入型介质内部信息检测与评估方法，广泛应用于生物医学检测、建筑内部损伤探测与定位、地下空间及介质内部目标识别与成像等领域.在检测过程中，信号进入待测介质（Material Under Test，MUT）内部前会在空气-MUT交界面产生反射，反射信号不仅不携带任何有用信息，还减弱了探测信号的总能量.因此，通过阻抗匹配的方式消除空气-MUT交界面的反射，能够提高信号透射率，进而有效增加NDT回波信号的强度.电磁超表面作为一种新颖的匹配层结构，在NDT信号增强领域得到了广泛应用.本文从阻抗匹配的原理出发，综述其在生物医学检测、水体内外信号传输、室内信息穿墙交互及地下管线增强探测等方面的发展与应用，总结现阶段超表面阻抗匹配层在应用中的需求、面临的困难与挑战，为NDT及信号传输增强领域中阻抗匹配技术的发展提供参考与启发.