本文基于低温共烧陶瓷（Low Temperature Co-fired Ceramic，LTCC）三维封装技术，通过将多节四分之一波长阻抗变换线进行折叠布局和垂直堆叠设计，实现了多节宽带功分器的高度集成.本设计将7节阻抗变换线分别放置在LTCC介质的奇数层上，相邻阻抗变换线之间采用垂直过孔进行连接，偶数层用来隔离阻抗变换线之间的耦合效应.该功分器不仅实现了180%的相对带宽，而且尺寸仅为4 mm×4 mm×1.33 mm.相比同样传输节数平面型功分器，本设计的水平尺寸减小了84.6%.在2~38 GHz的频率范围内，S ₁₁，S ₂₁，S ₂₂，S ₃₁和S ₃₂的实测值分别优于 - \mathrm{15}， - \mathrm{4.1}， - \mathrm{16}， - \mathrm{4.0}和 - \mathrm{17} dB.该功分器同时具有超宽带特性和小型化、高度集成的优势，可广泛应用于移动通信，雷达探测，卫星导航、工业测量等领域中.

复杂电磁环境下卫星信号往往淹没在背景和噪声中，传统的信号检测算法在没有准确先验知识的情况下性能急剧降低，目前基于深度学习的信号检测算法往往需要依赖专家经验的数据后处理步骤，无法对信号进行端到端检测.针对上述缺陷，提出一种基于DETR_S（DEtection with TRansformer on Signal）的卫星信号智能检测方法.DETR_S以编码器-解码器架构为基础，利用Transformer网络全局建模能力捕获频谱信息，采用多头自注意力机制有效改善频谱信息长距离依赖的问题.基于匈牙利算法的预测框匹配模块摒弃了非极大值抑制的数据后处理步骤，将信号检测问题转变为集合预测问题，使模型并行输出检测结果.引入信号重构模块，将频谱重构损失函数加入到损失函数中，辅助模型挖掘频谱深层表征，提升信号检测性能.实验结果表明，在仅使用信号频谱幅度信息条件下，DETR_S能够在信噪比等于0 dB及以上对卫星信号进行精确检测（>95%），优于典型的目标检测方法.

无造影剂分割的CT肝脏肿瘤图像在推进结直肠癌伴肝转移瘤筛查方面显示出巨大潜力，能够直接从无造影剂的CT图像中提供可靠的肝脏肿瘤分割结果，避免了造影剂的毒性、CT扫描的辐射和高昂的造影剂费用.本文提出了一种创新的“双模态知识协同驱动的教师-学生模型（Bimodal Knowledge Collaborative Driven Teacher-Student Model， BKC-TS）”，用于精准分割无造影剂的肝脏CT图像中的肝脏肿瘤，显著提升诊疗的安全性、准确性和时效性.BKC-TS利用教师网络学习显性肝脏肿瘤知识，指导学生网络从无造影剂图像中识别几乎不可见的肿瘤.它还协同临床检查文本数据和医学影像数据构建肝脏肿瘤知识，文本作为先验信息指引CT图像中肿瘤的学习过程，提升知识的精准性及指导的准确性.首先，文本-影像协同学习的教师学生框架通过引入文本知识，改进CT图像分辨率低的问题，提高无造影剂图像的肿瘤分割准确性.其次，双模知识融合传递模块通过知识提炼、知识融合和知识传递，深度整合影像和临床数据，有效支持学生网络在无造影环境中的肿瘤定位和识别.最后，高斯分布约束的学生自主学习策略采用学生网络异步迭代计算分割分布的方法，评估并筛选出有益知识，提高学生网络的自主学习能力、泛化能力和鲁棒性.所有实验均在一个泛化的数据集上进行，该数据集包含各1 140张增强前后的CT肝脏图像.实验结果表明，BKC-TS在肝脏肿瘤分割任务上获得了最佳性能（IOU提升至少2.17%），证明了其在无造影剂肝脏肿瘤分割技术发展中的重要作用.

单图像高动态范围（High Dynamic Range， HDR）重建能够避免多曝光HDR成像可能造成的鬼影伪像，正受到广泛研究.然而，现有方法由于缺乏对重要信息的关注，尚不能很好地恢复曝光不良区域的细节信息.为解决该问题，本文提出了一种基于多重注意力和感知加权学习的单图像HDR重建方法，其旨在从单幅低动态范围图像中推断出高保真的HDR图像.具体而言，考虑到恢复曝光不良区域需参考其他区域的补偿信息，本文设计了具有全局-局部感受野的多重注意力视觉Transformer （Multi-Attention Vision Transformer， MA-ViT），其将深度可分离卷积和注意力机制相结合，从而实现更有效的全局和局部特征提取与交互.此外，还提出了一种损失感知加权图以引导网络聚焦曝光不良区域，进一步提升HDR重建质量.本文在多个基准数据集上构建了全面的对比实验，结果表明所提出方法相较于目前最先进的方法在平均峰值信噪比（Peak Signal to Noise Ratio， PSNR）上提高了0.23 dB，同时生成了具有更高视觉质量的HDR重建结果.

在实际应用中互连结构的导体是有损耗的，在低频时其趋肤深度会很大，电流会渗入导体内部并覆盖整个导体横截面，这时传统上采用完全电导体（Perfect Electric Conductor，PEC）近似或采用表面阻抗计入损耗的单一区域形式的积分方程可能不再有效，因此在积分方程法中需要采用双区域积分方程形式来描述.在低频时电场积分方程（Electric Feld Integral Equation，EFIE）容易出现崩溃现象，为此人们提出了采用增强电场积分方程（Augmented Electric Field Integral Equation，AEFIE或Augmented Electric Field Integral Equations，AEFIEs）来解决单一导体或介质结构中的低频崩溃问题.文章将有损导体视为可穿透的介质物体，提出了采用双区域增强混合场积分方程（Augmented Hybrid Field Integral Equations，AHFIEs）来解决有耗导体互连结构的低频崩溃问题.混合场积分方程（Hybrid Field Integral Equations，HFIEs）由描述导体外部的EFIE和描述导体内部的磁场积分方程（Magnetic Field Integral Equation，MFIE）组成.由于磁荷密度出现在HFIEs的 \mathrm{ℒ} 算子中，文章将磁荷密度作为新的独立未知函数并引入磁流密度连续性方程作为附加约束方程描述导体部分，对互连结构中任意可穿透的介质部分则采用体积分方程（Volume Integral Equations，VIEs）描述，将2类方程通过场耦合结合起来便建立了整个结构的双区域增强体-面积分方程（Augmented Volume-Surface Integral Equations，AVSIEs）.基于AEFIEs的传统方法只能求解包含PEC和各向同性及均匀介质衬底的封装结构，而文章提出的基于AVSIEs的方法可以求解包含有损耗的导体和任意性质的介质衬底的封装结构，因而大大增强了求解此类问题的能力. AVSIEs采用矩量法求解，其中Rao-Wilton-Glisson （RWG）基函数用来表示增强混合场积分方程（AHFIEs）中的表面电流密度和表面磁流密度，而Schaubert-Wilton-Glisson （SWG）基函数则用来表示体积分方程（VIEs）中的体电流密度或体磁流密度，脉冲基函数用来表示AHFIEs中的电荷密度和磁荷密度.文章通过数值算例验证了提出方法的有效性和优越性.

移动群智感知（Mobile Crowd Sensing， MCS）通过用户随身携带的感知设备来收集数据，是1种大规模数据感知范式，其中任务分配是主要挑战之一.文章研究具有异构质量延迟敏感任务的混合用户任务分配问题，设计目标是在机会式用户和参与式用户共享总预算下，最大限度地提高任务完成质量.针对现有预测方法预测精度不足问题，文章提出1种基于迁移学习的移动性预测模型，通过将轨迹丰富的旧参与者的数据转移给新参与者，解决历史数据稀缺导致的预测误差.基于此预测模型，设计了1个混合用户任务分配算法，该算法利用移动性预测模型为机会式用户分配任务；此外，将剩余任务聚类到不同区域，构造二部图匹配问题使参与式用户和任务区域绑定；之后提出1种基于行程距离平衡的蚁群优化算法（Ant Colony Optimization algorithm based on Travel Distance Balance，ACOTDB），在用户行程距离预算下实现最优路径规划.通过在真实数据集上的大量仿真实验，文章与现有算法进行比较，结果表明，该算法在任务完成质量和任务分配效率方面具有显著的优势，验证了其有效性.

为处理随时间不断演化、非平稳数据流中的概念漂移问题，文章提出1种适用数据流概念漂移检测和适应的增量密度聚类算法（InCremental Density-based Clustering algorithm，ICDC）.ICDC改进了1次遍历聚类框架，采用惰性方式处理离群点，由新达数据触发离群点评估，以区分潜在微簇和噪声；聚类过程中要求数据点和微簇满足特征依赖及时序依赖的条件，有效去除离群点集中的异常值，克服了现有离群点处理方式中因异常点的加入导致类簇结构以不可逆转方式持续恶化的情形；设计了1种离群点生命周期调节机制，有效控制缓存大小的增长；以类簇结构变化作为概念漂移指示器，设计了相应检测算法，提升了增量密度聚类算法对数据流演变过程中局部模式和全局模式变化的敏感性.在多个真实和合成数据集上对数据流聚类质量及聚类性能、概念漂移检测和适应、算法的内存开销和计算开销等方面开展实验，结果表明，该算法在大多数数据集上的聚类结果都优于现有算法，同时能够有效检测概念漂移.

为解决多模态网络数据平面资源分配和业务流量用网需求的适配问题，文章提出了1种多模态网络环境下网络模态共存与优化部署方法.该方法充分考虑多模态网元资源约束、链路资源约束、流量转发延迟等关键约束以保障用户服务质量，并通过联合路由优化的方法确保每种网络模态的连通性.由于直接建模后的网络模态部署问题是非凸问题，难以直接求解，因此文章将原问题等价转换为0-1整数线性规划问题，并在此基础上设计基于随机舍入的网络模态部署与路由选择算法.理论分析表明，该算法具有 {\rm O} ( \mathrm{l} \mathrm{o} \mathrm{g} n )的近似比性能，其中 n是网络中多模态网元的数量.仿真实验结果表明，所提方案可实现网络模态在数据平面的高效部署.在满足网络资源、流量转发延迟约束的前提下，通过3~6种不同数量网络模态分别在8 000条流的情况下进行实验，结果表明，所提算法相较于对比算法有效降低13%~22%的链路负载.

图像级弱监督语义分割方法通常采用类激活图定位目标物体，但现有方法生成类激活图时存在目标区域激活不足或背景区域误激活等问题.文章提出了1种类感知对比学习的弱监督语义分割框架，通过融合文本提示与图像类别信息，提升模型对目标区域的精确定位能力.首先，文章分析了不同文本提示模板对各类别类激活图的影响，在此基础上，为了获取更具适应性的类别表示，本文构建了1个上下文提示集，并设计上下文提示动态选择策略，根据图像目标区域与文本提示之间的相似性获取最合适的上下文提示.其次，采用图像-文本对比学习方法，以增强模型在处理图像与文本语义对齐任务中的表现，并设计了对比损失函数监督模型的训练过程.最后，提出1个类别特定的背景抑制模块，抑制与目标类别紧密相关的背景区域的误激活，从而生成更加完整和紧凑的类激活图，实现更精确的语义分割.文章在通用数据集PASCAL VOC 2012和MS COCO 2014中对提出的模型进行实验验证，mIoU值分别达到71.9%和43.9%，性能优于所有对比方法，有效提升了弱监督语义分割精度.

多输入多输出（Multiple-Input Multiple-Output，MIMO）系统规模日益增长，导致接收机信号检测计算复杂度急剧上升，传统检测算法难以在误码性能和复杂度之间取得良好平衡.基于马尔可夫链蒙特卡罗（Markov Chain Monte Carlo，MCMC）的检测算法能以多项式量级的复杂度实现近最优的检测性能，然而该方法在低采样数下性能损失严重.因此，本文引入了基于模型驱动的深度学习技术，将MCMC迭代过程展开为级联网络结构，向网络中引入可训练参数，通过深度学习方法优化参数设置.根据复杂度分析与仿真验证，所提方案在编码场景下的误码性能优于原始算法约1 dB，同时计算复杂度显著低于原始算法.为验证模型驱动深度学习方案在实际传输中的性能，搭建2 × 2 MIMO智能通信原型验证平台，并进行端到端空口传输测试.测试结果表明，模型驱动深度学习增强的MCMC检测算法可以更低的计算复杂度实现误码性能优势，从而证实了所提方案在实际传输环境中的有效性和鲁棒性.

永久散射体（Permanent Scatterer，PS）点选择是地基干涉合成孔径雷达（Ground-Based Interferometric Synthetic Aperture Radar，GB-InSAR）处理中的关键步骤.现有的PS点选择方法依赖于幅相稳定性或像元之间的高相干性筛选PS点，其中幅相稳定性对相位波动敏感，在一些情况下不能很好地表征PS点的相位误差，而基于高相干性的方法基于局部窗口，容易造成误检.针对上述问题，本文分析了GB-InSAR图像中PS点与非PS点的干涉相位在分布特征上的差异，并基于此提出了一种基于高斯混合模型（Gaussian Mixture Model，GMM）的PS点选择方法.首先在保证质量的前提下，选择足够数量的PS点作为先验参考信息，然后使用GMM拟合参考PS点干涉相位的概率分布，最后依靠全图像元的干涉相位序列与GMM的匹配程度区分PS点与非PS点.实测数据表明：与基于幅相稳定性的传统方法相比，在获得的PS点数量接近的情况下，本文方法获取的PS点的相关性更强，干涉相位序列聚合程度更高，且残差点数量更少.

为了解决真实Web应用攻击数据数量小、差异性大和攻击载荷多样化导致大模型训练效果差的问题，提出一种基于联邦大模型的网络攻击检测方法（Intrusion Detection methods based on Federal Large Language Model，FL-LLMID）.首先，提出一种面向大模型微调的联邦学习网络，服务器对客户端本地大模型通过增量数据训练产生的参数，进行增量聚合的方式，提高联邦学习中大模型的参数聚合效率以及避免了网络流量数据暴露的问题；其次，基于大模型对代码的理解能力，提出面向应用层数据的攻击检测模型（CodeBERT- LSTM），通过对应用层数据报文进行分析，使用CodeBERT模型对有效字段进行向量编码后，结合长短期记忆网络（Long Short-Term Memory，LSTM）进行分类，实现对Web应用高效的攻击检测任务；最后，实验结果表明，FL-LLMID方法在面向应用层数据的攻击检测任务中准确率达到99.63%，并与传统联邦学习相比，增量式学习的效率提升了12个百分点.

基于支撑集交换技术，通过对 k-阶旋转对称轨道的分析，给出了一个由n元1-阶旋转对称轨道，得到 n k元 k-阶旋转对称轨道的方法.进一步，通过改变定义在 {\mathbb{F}}_{\mathrm{2}}^{nk}上的旋转对称弹性函数的支撑集，构造出新的 k-阶旋转对称2-弹性函数，且至少能得到 k \cdot {\mathrm{2}}^k个不同的 n k ( n \ge \mathrm{3} , k \ge \mathrm{2} )元 k-阶旋转对称2-弹性函数.

LiCi、LiCi-2和GRANULE密码算法均为面向资源极端受限物联网环境的超轻量级分组密码算法，其加、解密速度快且易于软硬件实现，目前备受业界广泛关注. 本文通过利用这些算法的线性结构特性，构造了多条绝对相关性为1的迭代（循环）完美线性逼近，并由此设计出全轮的完美线性逼近（线性区分器），进而完全攻破了这些密码算法，即证实了全轮的LiCi、LiCi-2和GRANULE密码算法存在严重的设计缺陷.

针对单一容量衰退模型在锂离子电池剩余寿命（Remaining Useful Life，RUL）预测中工况泛化能力不足的问题，本文提出一种基于交互式多模型粒子流滤波（Interactive Multiple Model Particle Flow Filter，IMM-PFF）的预测方法.通过粒子流滤波对指数、多项式和生物模型进行协同状态估计，并基于交互式多模型框架动态融合多模型预测结果，从而自适应匹配电池衰退的多阶段特性.将美国NASA、马里兰大学等不同工况的锂离子电池退化数据集划分为3个时期，对本文的方法进行验证.结果表明相比单一模型粒子滤波方法，IMM-PFF的容量预测均方根误差和剩余寿命预测误差分别降低24.3%和4.5%，为复杂工况下的锂离子电池寿命预测提供了高精度、强鲁棒性的新思路.

近年来，随着智能移动设备的普及和强大的传感能力，移动群智感知（Mobile Crowdsensing，MCS）已成为大规模感知城市动态的一种有潜力的技术.MCS中一个核心问题是如何从众多工人提交的嘈杂的感知数据中发现“真值”.同时，真值发现过程中不可避免地面临隐私泄露问题.为应对这一挑战，研究者通常结合本地差分隐私（Local Differential Privacy，LDP）技术，通过对工人数据添加随机噪音实现隐私保护.然而，由于拉普拉斯分布的随机性和无界性，可能会注入大量噪音，从而产生离群点.此外，现有研究往往未能充分建模为满足LDP保护而注入的拉普拉斯噪音，导致求得的“真值”精度低，且现有的真值发现方法通常仅适用于离散值或无法严格满足LDP约束的问题.针对上述问题，本文提出一种基于LDP的面向离群点的真值发现算法LEADER.该算法首先对工人提交的数据添加拉普拉斯噪音，以确保工人隐私不被泄露.然后针对离群点问题，采用Huber损失函数作为度量距离，降低离群点对真值估计结果的影响.最后通过引入数据度量方法，优化工人和任务重要性权重分配，并根据提交值之间的相似性对工人进行分组，从而有效保护工人隐私的同时提高估计“真值”的精度.理论分析表明，LEADER算法在严格满足LDP约束的前提下，能够有效处理连续型数据，并实现高精度的真值发现.此外，与非隐私下的真值发现方法相比，LEADER算法在通信开销和计算开销方面保持相近.在两个真实数据集和一个合成数据集上的实验结果表明，LEADER算法的表现显著优于现有对比算法，噪音“真值”精度提升了至少18%.

太赫兹合成孔径雷达（SAR）凭借其高分辨率成像和精细目标细节提取能力，展现出广阔的应用前景.由于信号波长较短，太赫兹SAR极易受到平台振动的影响，导致其成像过程中存在虚假成像点、沿方位向模糊、SAR图像散焦等诸多问题.为解决这一挑战，本文对复杂太赫兹SAR平台振动进行精细化建模，并对应地提出了太赫兹SAR自适应运动补偿算法，基于数理模型分析平台振动对成像过程影响机理，灵活精确地补偿实际场景中复杂的太赫兹SAR平台振动.首先，本文提出了基于时变幅度调制振动模型（TAMVM）的太赫兹SAR平台振动的精细化建模方法.通过集成余弦时变幅度和随机时变幅度调制模型，TAMVM模型克服了传统简谐振动模型的局限性，提升了对复杂多变的太赫兹SAR平台振动的适配性.其次，针对传统依赖简谐模型的运动补偿算法在处理复杂平台振动时的性能损失，提出了最小Tsallis熵准则下基于列文伯格-马夸尔特（LM）算法的太赫兹SAR自适应运动补偿方法.本文提出的图像质量驱动的运动补偿算法无需依赖特显点，能够在非线性最小二乘框架下精确估计复杂多变的回波振动相位，且无需额外的补偿步骤.同时，本文在最小Tsallis熵准则下精确推导了LM算法的迭代运算过程.该算法通过自适应调整搜索位移实现反馈更新和迭代优化，能够精确估计回波振动相位并抑制图像模糊，从而获得高质量的聚焦太赫兹SAR图像.仿真与实测数据的对比结果验证了本文所提的TAMVM振动模型的合理性和可行性，以及所提自适应运动补偿方法在精准聚焦太赫兹SAR图像与抑制虚假成像点方面的优越性.

为了保障天地一体化网络中组播业务的时效性，使能源消耗降低，提出了基于多元时变图的节能组播路由算法.首先，针对低轨卫星网络的组播路由能耗问题进行分析，提出多元时变图模型，表征低轨卫星网络的时变拓扑、能耗和时延等多元属性.然后，利用基于K-最短路径候选路径算法得到满足组播业务服务质量需求的路径集，再通过基于最小路径启发式的组播生成树算法得到能耗近似最优的组播树.最后，从理论上证明该算法构造的组播树在服务质量约束下能量消耗接近最优.仿真结果表明，与已有的算法相比，所提算法的网络能耗更低.

在大规模免授权非正交多址接入（Grant-Free Non-Orthogonal Multiple Access， GF-NOMA）中，多用户检测往往依靠先验信号稀疏度进行活跃用户检测，但在实际应用，特别在动态多用户接入中，用户接入过程变得更加复杂，获取这种先验信息变得更为困难.针对该问题，该文提出一种可学习阈值优化的大规模动态多用户接入检测方案，即阈值改进的自适应交替方向乘子（Threshold-Improved Adaptive Alternating Direction Method of Multipliers， TI-A-ADMM）算法.在该算法中，利用活跃用户连续通信的时间相关性，引入动态相关性度量，对活跃用户检测的噪声阈值进行自适应缩放，提高检测性能.此外，为提升不同信噪比下活跃用户检测的准确度，该文采用深度学习网络对活跃用户检测初始阈值进行优化，以适应不同的接入环境.仿真结果表明，在未知先验稀疏度信息的动态多用户接入情况下，该文所提TI-A-ADMM算法相较现有已知稀疏度信息的算法，在误活跃率（Activity Error Rate， AER）和误符号率（Symbol Error Rate， SER）上能得到2.4 dB的性能增益.所提算法对因多用户接入而引起的干扰具有较低的性能衰减和更高的鲁棒性.

波达角（Direction Of Arrival，DOA）高精度估计对于应用毫米波大规模阵列实现多用户高速通信意义重大.针对宽带效应恶化接收信号质量、混合结构引起信号维度下降、多用户角度估计计算复杂度高等问题，本文提出了一种基于宽带信号相位测量的高精度DOA估计方法.首先，建立了基于混合结构的毫米波大规模阵列系统模型和宽带接收信号模型，论证了宽带效应的影响.其次，推导了DOA估计的克拉美-罗下界（Cramer-Rao Lower Bound，CRLB），并基于最小化CRLB提出了一种满足恒模约束的最优模拟矩阵设计方法.随后，针对单用户场景，提出了一种基于相位测量的无网格渐进CRLB高精度DOA估计方法.最后，针对多用户场景，提出了利用期望最大化（Expectation Maximization，EM）方法的迭代DOA估计算法，避免了联合估计导致的维度灾难，降低了计算复杂度.仿真结果显示，在信噪比超过5 dB时，所提单用户、多用户估计算法能够渐进达到CRLB，DOA估计性能超越传统估计方法，验证了本文所提算法的有效性，避免了宽带效应和信号降维的影响.

随着车联网（Internet of Vehicles，IoV）和智能交通系统的兴起，计算成本的增加和问题规模的扩大使得实时应用的实现变得极具挑战性，同时也为车载边缘计算（Vehicular Edge Computing，VEC）带来了大量亟待并行求解的组合优化问题.这些复杂的实际问题往往具有非凸性、不可微性，甚至存在黑盒目标与约束条件，可能会超出传统数学方法的解决范围.进化多任务优化（Evolutionary Multi-Task Optimization，EMTO）作为一种新兴的多任务优化范式，通过充分利用任务间的潜在相关性，能够有效地实现多个独立优化任务的并行求解.本文设计了一种IoV显式EMTO框架，结合IoV任务的特点，深入挖掘任务间隐含的关联性，并提出了一种基于车辆位置映射和相关性评估的IoV EMTO算法.针对于IoV环境下的多任务优化问题，本文对车-路数据路由（Data Routing，DR）、车-路服务迁移（Service Migration，SM）、车-车消息传输（Message Transmission，MT）和车-车任务卸载（Task Offloading，TO）四个问题进行联合优化，目标是在限定时间内最大化各个任务的交付率.进一步地，为了在任务相关性未知的情况下提升相关任务间的知识迁移效率，本文在算法中设计并引入了基于任务相关性评估的迁移机制.具体而言，通过计算链路间最长公共子序列来计算链路的相似度，针对不同的相关性分布情况设计了三种迁移策略，以确保算法在不同场景下的知识迁移能力.最后，本文通过实验验证和性能评估，验证了所提框架和算法的有效性，与其他的EMTO算法相比，本文所提算法在各优化问题上的收敛速度更快，种群间知识迁移后的求解效果更好，展现出良好的性能.

开集恶意流量识别在网络安全领域发挥着重要的作用.现有文献方法存在模型结构单一，缺乏灵活性；忽视增量训练样本选择，造成分类性能欠优等问题.针对这些问题，本文提出了一种基于双层模型和指标分布的恶意网络流持续检测和分类方法.该方法基于可扩展极限学习机（Scalable Extreme Learning Machine，S-ELM）输出权重与标准输出的关系，设计了改进的最接近皮尔森相关系数、归一化相对方差和归一化“其他”列距离这三个指标，通过相乘最终得到一个综合指标，并结合单分类器来进行未知类检测.为了提高S-ELM在开集识别任务中的连续增量能力，设计了基于综合指标分布的样本筛选方法，选择最优增量训练样本集.与代表性文献方法的对比实验表明，本方法的未知类检测NA指标能改善3%~13%，持续增量更新后的分类Acc性能可以提高约3%~7%.

在现实生活中，人类情绪具有动态和多样化的特征，受外部环境、社交互动以及个体内在状态的共同影响.针对脑电情绪识别研究通常局限于实验室的静态场景，未能充分考虑情绪的动态连续性，本文提出了一种基于改进TCNN算法的脑电动态连续情绪识别方法.首先，设计了适用于动态情境的脑电数据采集范式，使用64通道的脑电设备收集24名受试者在经历开心至平静、平静至开心、平静至悲伤、悲伤至平静、平静至紧张和紧张至平静六种动态连续情绪转变时的脑电信号，并进行了动态连续情绪标签的标注.其次，对现有的TCNN算法进行了改进，构建了一种双流网络模型进行动态连续情绪识别.该模型通过短期流利用时序卷积模块捕捉局部时间序列特征，而长期流则通过Transformer模块捕捉全局时间序列特征.最后，对提取的脑电特征进行特征层融合，以获得更加精准的动态连续情绪识别结果.结果表明：在采集的动态连续情绪数据集上，本文方法在六种情绪的valence和arousal上分别取得了最小误差均值0.083和0.084；在DEAP数据集上，valence和arousal的误差分别低至0.108和0.113.与四种传统机器学习算法以及GRU、CGRU、CNN、CNN-LSTM、CNN-Bi-LSTM、TCNN等六种深度学习模型相比，本文方法表现出了更高的识别精度和稳定性，能够有效满足应用场景的需求.

随着深度学习理论与技术的快速发展，基于深度学习的光流估计方法在计算精度与鲁棒性方面取得显著提升.然而，受标准卷积感受野局部属性和现有匹配代价体积策略容易产生匹配歧义的限制，当前方法在大位移运动和弱纹理区域普遍存在光流估计精度较低，运动模糊现象较严重的问题.针对上述问题，本文提出一种联合深度可分离残差与多尺度双通道注意力的全局匹配优化光流估计方法.首先，构建联合深度可分离残差块与多尺度双通道注意力的编码模块，在平衡参数量与运算速度的同时获取连续帧间更准确的深度特征.然后，设计基于可学习的全局匹配优化光流估计策略，通过排除遮挡并高效利用全局匹配信息，有效缓解因匹配歧义引起的运动模糊.最后，为了提高模型的训练稳定性与泛化性，本文提出联合全局与局部的光流损失函数，约束模型训练.实验分别采用MPI-Sintel、KITTI-2015和Middlebury测试数据集对本文方法和现有代表性方法进行综合对比分析.结果表明，本文方法在所有对比方法中取得了最优的光流估计精度，尤其在大位移和弱纹理区域具有更好的准确性和鲁棒性.

本文研究卫星网络系统稳定性和安全性问题，为业务提供安全可靠的端到端服务.针对卫星网络中可能存在的干扰攻击和拒绝服务攻击，考虑异常检测存在错误判断的情况，根据检测误差精度设计联合检测的安全传输方案，最小化端到端时延抖动.基于最优控制策略构建安全传输优化问题，联合检测需求作为约束条件决策传输路径，利用增广拉格朗日差分进化算法求解得到最优数据传输方案.首次将异常检测的精确度作为安全传输路径策略的影响因素，当网络中存在一定程度的攻击时，安全控制算法提供稳定的端到端服务，控制策略同时动态触发异常检测，使得网络具备主动防御能力.本文搭建了66颗卫星星座，分别在卫星网络的干扰攻击和拒绝服务攻击中模拟验证所提出的安全传输方案的有效性.实验结果表明，将异常检测误差作为安全传输策略的决策因素，可有效提升网络服务的稳定性.

针对移动机器人领域自适应蒙特卡洛定位算法（Adaptive Monte Carlo Localization，AMCL）在相似及变化场景下易失效的问题，本文提出基于改进YOLOv8构建语义链表为AMCL提供预定位位姿的方法，改变粒子权重更新方式，进而提升定位准确性和鲁棒性.以YOLOv8为基础，结合信息聚集-分发机制和注意力尺度序列融合模块增强其Neck部分特征融合能力，并对模型进行剪枝，提升精度和速度；利用激光SLAM构建二维栅格地图，通过改进的YOLOv8提取物体语义并映射到地图上，得到二维语义地图，根据各连续语义物体之间的关系构建语义链表；在定位过程中，将机器人识别到的物体语义信息与语义链表进行匹配，为AMCL提供预定位位姿，改变其粒子更新方式进行精确定位，并基于词袋模型降低免疫障碍物遮挡导致的语义链断裂.在相似及变化场景下进行定位对比实验，实验结果验证了本文算法的有效性.

针对可能性模糊C均值聚类（Possibilistic Fuzzy C-Means，PFCM）算法存在重合聚类，未考虑图像空间信息，对噪声鲁棒性差的问题，提出一种区域和邻域级信息相结合的加强型可能性模糊C均值算法.首先，设计了一种新的函数结构抑制重合聚类，该方法通过引入非线性衰减特性，更有效地调节不同隶属度点对不同簇的贡献，降低了簇之间的重合度；其次，通过局部方差约束，将图像区域级信息和其邻域级信息结合，充分利用图像的空间信息，提高对噪声的鲁棒性；最后，将核度量应用于聚类不相似度量，根据图像自有信息自适应地确定核函数带宽参数，进一步提高算法的灵活性.含噪合成图像、脑MRI图像和含噪彩色图像分割实验表明，本文算法在分割结果视觉效果和性能评价指标均优于其他几种比较算法.

在开源软件和开源平台中，开发人员可以通过提交issue来记录所发现的软件错误或提出新功能需求.由于缺乏经验、专业水平有限等原因，用户可能无法对issue内容进行准确有效地总结，导致issue标题质量较低，进而降低issue的解决效率.此外，现有的issue标题自动生成方法主要面向GitHub等英文开源平台，当应用在Gitee等国产开源平台时表现不佳.同时，现有方法主要使用issue主体描述作为输入，忽略了issue中的代码片段等重要信息.为此，本文提出一种面向Gitee平台的issue标题自动生成方法GITG（Gitee Issue Title Generation），针对包含中文和英文文本的issue，使用构建的Gitee issue数据集对支持中文的预训练模型Chinese BART进行微调，利用issue主体描述和代码片段的双模态信息来自动生成issue标题.为验证GITG的有效性，构建了包含18 242个Gitee issue样本的数据集.实验结果表明，GITG在ROUGE-1、ROUGE-2和ROUGE-L指标上相较于iTAPE和iTiger分别至少提升了13.09%、10.18%和12.84%，在BLEU和METEOR指标上同样取得了性能提升.人工评价结果表明，GITG生成标题的平均得分在整体分数、流畅性、信息性和简洁性4个评价指标上相较iTAPE和iTiger分别至少提升了26.7%、20.8%、24.2%和20.0%.

本文提出了一种协作速率分割多址接入（Coordinated Rate-Splitting Multiple Access，CoRSMA）辅助的多站通信感知一体化（Integrated Sensing And Communication，ISAC）波束优化方案，以更为灵活地实现定制化的通信和感知业务.本文建立了各基站（Base Station，BS）公有流和私有流的接收信号模型，以及感知回波信号模型，分析波束赋形向量与通信速率和感知信噪比（Signal-to-Noise Ratio，SNR）之间的关系.在保证特定区域感知性能的条件下，以最大化最差情况下用户设备（User Equipment，UE）的通信和速率为优化目标，对所有BS的波束赋形向量进行联合优化.为了有效求解所构建的优化问题，通过引入辅助变量，并结合连续凸逼近（Successive Convex Approximation，SCA）方法对原始优化问题的非凸目标和约束进行松弛转换，进一步利用半正定规划（Semi-Definite Programming，SDP）.技术得到最优波束赋形.仿真结果显示：所提出的CoRSMA-ISAC系统在通信和感知性能上均优于基于空分多址接入（Spatial Division Multiple Access，SDMA）与非正交多址接入（Non-Orthogonal Multiple Access，NOMA）辅助的ISAC系统.

风格迁移作为图像编辑领域的一个关键研究方向，在艺术创作等领域展现出广泛的应用前景.自Gatys等人提出使用深度卷积特征间相关性捕获纹理信息并基于此实现风格迁移后，大量基于神经网络的风格迁移算法不断涌现.近年来随着各式生成模型的兴起，将生成对抗网络、扩散模型等生成模型引入风格迁移工作获得了新的关注.此外，图像-文本跨模态任务的突破使得文本引导条件下的图像风格迁移成为可能.本文对当前先进的研究方法进行分类和描述.具体地，本文依据引导条件差异，将现有方法划分为图像引导的图像风格迁移方法、文本引导的图像风格迁移方法；依据网络架构的不同，将现有方法细分为基于自编码器的方法、基于生成对抗网络的方法、基于扩散模型的方法以及基于其他模型架构的方法，对当前图像风格迁移技术的研究进行全面的综述与分析.随后，本文介绍了图像风格迁移任务的数据集和评价体系，并从定量与定性方面对部分最先进的图像风格迁移方法进行实验和比较.最后，本文讨论了当前图像风格迁移技术面临的挑战，并对未来研究方向提出了展望.

现有的半监督学习方法通常对图像中的所有像素进行同等处理，忽视了图像内不同区域的复杂度差异.这导致模型对于预测难度较高的挑战性区域学习不足，从而降低了其对这些区域的处理能力.此外，由于伪标签是基于当前模型对未标注数据的预测结果生成的，而模型在挑战性区域表现较差，因此不准确的预测增加了伪标签中引入噪声的风险，进而降低了伪标签的可信度.针对上述问题，提出了一种基于可疑像素相互修正的半监督学习框架（Suspicious Pixel Mutual Correction，SPMC）.该框架由两个编码器结构相同、但解码器上采样方式不同的网络构成.首先，设计了一个用于处理标注数据的共困像素筛查（Common Difficulty Pixel Screening，CDPS）模块.通过利用每个网络预测结果中的可疑像素，精准筛查出两个网络都预测困难的共困像素，并使用准确的监督信号对其进行修正，从而提高模型对挑战性区域预测的准确性.其次，设计了一个用于处理未标注数据的软伪标签辅助教学（Soft Pseudo-Label Assisted Teaching，SPLAT）模块.通过利用一个网络生成的软伪标签中的可信像素，选择性地对另一个网络预测结果中的可疑像素进行伪监督.两个网络通过高质量交互来更新参数，从而减少模型的认知偏差并提升伪标签质量.实验结果表明：提出的方法在三种公开医学数据集左心房（Left Atrium，LA）、脑部肿瘤分割（Brain Tumor Segmentation，BraTS）和自动心脏挑战（Automatic Cardiac Diagnosis Challenge，ACDC）上的性能均优于当前主流的半监督学习方法.

为了解决低轨卫星通信系统因广域覆盖特性导致用户信息极易被截获和窃听的问题，以及由于反馈延迟等因素导致的信道状态信息难以准确获取的问题，该文构建了存在信道不确定性的低轨卫星通信系统模型.根据用户最小安全速率约束、波束赋形功率阈值约束以及信道不确定性约束建立联合优化卫星波束赋形矢量、人工噪声矢量和功率分配因子的鲁棒优化问题.针对该含不确定性的非凸问题，提出一种基于连续凸近似、S-procedure、半正定松弛等方法的迭代鲁棒资源分配算法.仿真结果表明所提算法满足概率较传统非鲁棒算法可提升9.62%.

针对超大面阵CMOS图像传感器列总线建立时间过长的问题，本文提出了一种高速列总线信号读出方法.该方法基于负电容技术，将负电容电路集成到列级读出电路中，抵消列总线寄生电容对列总线信号建立时间的负面影响.同时，基于动态环路稳定性调节技术，平衡了读出速度与环路稳定性的设计矛盾.本文基于55 nm 1P4M CMOS工艺对提出的高速列总线读出方法完成了详细电路设计和全面仿真验证.在像素尺寸10 μm×10 μm，尾电流为5 μA，列总线输出电压摆幅为1.2 V的设计条件下，列总线信号上升建立时间从1.721 μs减少至1.204 μs，降低了30.04%.列总线信号下降建立时间从5.78 μs降低至2.816 μs，降低了51.28%.此外，行固定模式噪声从1.3%降低到0.01%.在1.6 W的功耗下，本文设计的大面阵CMOS图像传感器的帧率和动态范围分别达到了27帧每秒和85 dB，为大面阵高速低功耗CMOS图像传感器的设计提供了一定的理论支撑.

面向高动态变化、时频混叠、未知干扰等因素，本文提出一种雷达有源电磁干扰视觉检测与参数估计方法，旨在提升雷达系统电磁兼容性与抗干扰能力.首先，基于电磁干扰信号建模仿真构建时频图像数据集，并利用自适应对比度与边缘增强网络（Adaptive Contrast and Edge Enhancement Network，ACEENet）进行预处理，强化边缘细节并抑制噪声；然后，利用所提降参增强网络（Parameter Reduction Enhancement Network，PRENet）、嵌入三重注意力机制的Slim-Neck（Slim-Neck with Triplet Attention Mechanism，Slim-Neck-TAM）与组合损失函数改进YOLOv8n目标检测算法，构建高精度电磁干扰视觉检测网络（Electromagnetic Interference Visual Detection Network，EIVDNet），实现干扰信号的模式识别与定位；最终，基于位置信息与参数估计原理实现干扰信号关键参数粗估计，并通过XGBoost回归算法修正后获得精确估计值.实验结果表明，所提方法电磁干扰信号检测精度与速度能够达到99.30%和82.75帧/秒，且参数估计总误差为1.01%，在低信噪比/干噪比与未知干扰情况下依然具有良好的感知性能，有助于提高雷达认知智能水平.

知识蒸馏是一种从复杂深层教师模型向轻量级学生模型迁移知识以提升性能的学习范式.针对教师模型分布知识多样性不足，以及构建学生模型架构的搜索空间导致大量资源消耗的问题，本文提出了一种基于低秩自适应的伸缩感知蒸馏方法LAFA（Low-rank Adaptation based Flexibility-Aware Distillation）.LAFA方法通过构建低秩变换矩阵，将教师知识分别变换到学生模型的知识和类别标签，以提高分布知识的多样性.同时，LAFA引入决策辅助器，动态伸缩学生模型容量，从而实现蒸馏性能与容量之间的均衡.进一步，本文提出热启动和松弛策略来优化决策变量.热启动策略通过约束学生模型缓慢增加容量，缓解因容量伸缩而导致的收敛困难.松弛策略则在蒸馏后期移除约束，以少量资源消耗实现显著的性能提升.在CIFAR-100数据集上，LAFA集成于13种蒸馏方法，平均性能提升了0.28%.同时，消融实验和分析实验进一步验证了LAFA方法的有效性.

回旋电子辐射涡旋电磁波量子的理论模型是量子态涡旋电磁波技术的关键.本文是“论回旋电子与涡旋电磁波量子”的一部分，建立“内禀和外部轨道角动量”相关理论模型.单个电子或电磁波量子可具有涡旋特征，并且它们由所携带的内禀轨道角动量决定.为了分析单电子能级跃迁辐射中内禀轨道角动量的传递，本文在自由空间和磁场的不同场景中理论计算了单个电子波包内禀轨道角动量的本征值，表明内禀轨道角动量仅由电子波包自身决定，但是外部轨道角动量受坐标系影响.内禀轨道角动量中的量子数改变时，应当表现为电子波包的膨胀或紧缩.本文还给出电磁波量子在自由空间中的内禀轨道角动量和扭曲光纤中外部轨道角动量表达式，根据是否携带内禀轨道角动量，大量电磁波量子构成量子态轨道角动量电磁波和统计态轨道角动量电磁波.

空天异源图像特征提取难度较大，图像匹配精度较低，给无人机精确目标定位带来了不利影响.SuperPoint-SuperGlue算法由于其自监督，易训练，精度高等特性，近年来在图像匹配领域应用较为广泛，但针对空天异源图像匹配领域，SuperPoint特征提取能力仍有待提高.为提高空天异源图像匹配精度，本文提出基于改进SuperPoint的空天异源图像匹配算法.首先，将群智能增强模块（Spatial Group-wise Enhance，SGE）与全局注意力机制（Global Attention Mechanism，GAM）引入到SuperPoint编码器中构成补充编码器，一定程度上解决图像特征分布不均匀以及弱纹理图像特征提取较难的问题；其次，为进一步增强算法特征提取能力，将补充编码器与原SuperPoint编码器进行并联构成组合编码器，结合二者优势，提取差异性更大的图像特征，减少对相似区域的特征点误匹配，提高空天异源图像的匹配精度；最后，通过实验验证，在UAV-VisLoc 数据集上80像素误差区间以内可匹配图像数量可达82.14%，与原SuperPoint算法相比，80像素误差区间以内可匹配图像数量提高了6.05%，与其他先进算法相比，在各像素误差区间以内可匹配图像数量均有提高.实验表明，本文提出的算法可以有效地解决空天异源图像匹配中特征提取能力较弱，特征分布不均匀等问题.

迪菲-赫尔曼（Diffie-Hellman，DH）密钥交换协议，作为一种被广泛采用的密码学协议，在多种加密应用场景中发挥着关键作用.然而，鉴于量子计算技术的快速发展，DH协议面临量子攻击的重大威胁，迫切需求开发具备抗量子安全性的替代方案.其中，基于格的密钥交换协议是构建抗量子密钥交换协议的主要方法之一.本文首先系统梳理了基于格的类DH密钥交换协议的设计，然后指出了该类协议与传统DH协议的两大显著差异：其一，协议严格禁止密钥重用，以避免由此引发的两种潜在密钥恢复攻击，这一限制显著影响了协议的灵活性与效率；其二，协议通常需要额外的交互，这不仅增加了通信复杂度和延迟，还导致其在实际应用环境中的效率下降.这些差异使得基于格的类DH密钥交换协议在直接替代传统DH协议时难以继承全部优势.为减轻抗量子迁移的成本，并实现与现有系统的无缝对接，探索设计支持密钥重用的非交互式类DH密钥交换协议，已成为当前密码学领域的一个重要研究方向.此类协议旨在保留DH协议的高效性与易用性，同时增强对量子攻击的抵抗力.最后，通过对此类协议优势与挑战进行深入剖析，本文明确了未来研究的方向，旨在进一步优化协议设计，提升性能，推动抗量子迁移技术的发展.

针对各行各业海量文本文档的智能合约化需求，提取文本关键数据要素是首要基础.与传统命名实体识别（Named Entity Recognition，NER）相比，合约要素提取（Contract Element Extraction，CEE）技术旨在提取泛在较长、更多样、较冗余合约要素，然而目前面临着中文研究不足、对新颖大语言模型（Large Language Model，LLM）技术应用不够充分、对文本上下文关联特征感知不足等挑战.本文首先提出了新颖的上下文语义感知动态填充方法（Context-sensitive Dynamic Padding Method，CDPM）、三重注意力层和要素边缘加权损失函数模块，在不增加硬件需求的前提下，为模型提供额外上下文语义信息，增强对上下文关联特征的感知能力，从而提升基于序列标注范式的CEE训练效率；其次，融合上述模块和BERT（Bidirectional Encoder Representations from Transformers）嵌入模型构建了一种基于上下文感知的合约要素提取模型（Context-Aware Model for Contract Element Extraction，CAM-CEE），实现了面向智能合约化场景的高性能要素提取；最后，在本文自主构建的数据集以及相关公开数据集上进行了大量实验.结果表明：本文提出框架CAM-CEE在micro F ₁、macro F ₁等指标上的性能超越最佳基线模型，并具有高通用性.

智能下沉是迈向泛在智能时代的必经之路，也推动了端智能（On-Device Intelligence）技术的飞速发展.通过在终端设备直接部署运行深度学习模型，端智能在实时性、安全性、个性化等方面具有天然优势，已在自动驾驶、卫星侦查、虚拟现实/增强现实（Virtual Reality/Augmented Reality，VR/AR）等众多场景广泛应用.然而，随着深度学习模型参数量不断增大，端侧受限的硬件资源已难以支撑不断增长的计算开销.为提升终端设备在模型推理的计算效率，研究人员从模型算法、编译软件、设备硬件等多个层面开展了系统性优化，有效推动了端智能的发展与演进.本文从算法、软硬件结合优化等方面对现有端侧深度学习模型推理优化工作进行了总结，涵盖模型压缩技术，模型-软件-硬件的协同设计、模型异构并行部署策略以及大模型的端侧优化技术.最后，本文梳理了当前端智能推理加速技术所面临的挑战，并对未来发展趋势进行了展望.