随着超低功耗（Ultra-Low Power，ULP）物联网（Internet of Things，IoT）系统的发展，采用能量注入技术的快速启动晶体振荡器因对IoT系统功耗影响巨大而逐渐成为研究热点.能量注入技术可以显著降低晶体振荡器的启动时间和启动能量，但是对注入源的精度要求苛刻.为了扩大注入频偏容限以及实现高注入效率，本文提出了一种基于延迟锁定环的相位误差校正技术.该技术将注入频偏容限扩大到2%，启动过程的非注入持续时间仅为4个周期，实现了高效注入.本文所述晶体振荡器采用40 nm CMOS工艺设计并流片.在1.0 V电源电压下采用24 MHz晶体进行测试，当注入频偏高达2%时，实现了7.2 μs的启动时间，启动能量为5.1 nJ.相比同频偏下的传统注入方案，启动时间缩短了297倍.

遥感图像目标具有多尺度、大横纵比、多角度等特性，给传统的目标检测方法带来了新的挑战.针对现有方法应用于目标尺度小、横纵比例不均衡的遥感图像时存在的精度下降问题，提出一种基于多阶段特征融合的目标检测方法-MF2M（Multi-stage Feature Fusion Method）.该方法在一阶段对特征图通道进行组合拆分，再采用卷积拼接的融合方式聚合通道维度的特征，从而强化输出的目标空间轮廓信息；二阶段设计多比例的非对称卷积块，增强大横纵比目标的高维全局特征，改善目标与检测框匹配粗糙的问题，同时利用串并行相结合的处理方式减少冗余卷积参数，加速网络收敛.在DOTA数据集上的实验结果表明，基准方法引入MF2M后，在保证检测速度的前提下精度指标mAP提高至76.44%，结果验证了所提算法的有效性与可靠性.

阿尔茨海默症（Alzheimer’s Disease，AD）是一种退行性疾病，随着病情加重，患者的语言能力逐渐减弱.目前已经有研究者使用梅尔谱图、梅尔频率倒谱系数（Mel Frequency Cepstral Coefficient，MFCC）等声学特征对阿尔茨海默症患者和健康人进行分类，但是对于使用神经网络从原始波形提取特征进行阿尔茨海默症检测还缺少进一步的探索.本文提出一种基于原始波形的端到端阿尔茨海默症检测方法.该方法使用一维卷积从原始波形中提取时间维度特征，并使用含有膨胀卷积的残差块提取更复杂的特征.为进一步提高性能，在残差块中引入挤压-激励模块.在全国人机语音通讯学术会议（National Conference on Man-Machine Speech Communication，NCMMSC）2021 AD数据集上，本文提出的模型在长音频测试集、短音频测试集分别达到了86.55%和81.35%的准确率，比基线系统分别提高了6.75%、7.35%.在INTERSPEECH2020 ADReSS数据集上，模型的准确率为66.67%，比基线系统提高4.17%.

用户在手机上的异常行为给社会、企业和个人带来一定的损失和风险.例如用户使用手机违规记录企业的敏感信息、使用手机终端在社交网络上散布违法违规内容和言论等.然而目前尚没有直接运行在终端、对用户本机应用操作进行监控的技术.鉴于目前大部分手机都是Android平台，本文以Android智能手机为研究对象，提出一种基于无障碍服务的用户行为监控技术.用户界面发生变化时，会产生大量基于视图层次结构编写的无障碍事件.本方法筛选出关键的无障碍事件并对其进行遍历，获取界面组件元素、无障碍事件的类型、界面焦点对象等信息，进而判断用户是否存在敏感行为.本方法不依赖于特定的Android版本；通过对无障碍事件进行过滤，提高处理性能；通过调整应用监控范围和监控粒度，保障用户隐私.为了证明本方法的可行性，在真实Android设备上进行测试，可正确监控用户在四种不同应用上的行为.性能测试表明本方法的平均延迟小、CPU（Central Processing Unit）占有率低、内存消耗少，不影响用户正常使用.

变分图自编码器是图嵌入研究中重要的深度学习模型，但存在着先验正态分布缺陷、训练过程中容易出现后验塌陷等问题．本文从建立云概念空间与隐空间的映射关系入手，引入云模型数字特征对网络中的节点进行不确定性概念表示，设计了一种基于多维云模型的变分图自编码器（Variational Graph Autoencoder based on Multidimensional Cloud Model， MCM-VGAE）．该模型实现了隐空间的多维云概念嵌入及相应的漂移性损失度量，将先验分布扩展为泛正态分布，利用多维正向云发生器及云包络带修正采样算法实现了重参数化过程且有效缓解了后验塌陷现象．在应用效果上，模型在多类型数据集上的链路预测、节点聚类、图嵌入可视化实验表现均优于基准模型，进一步说明了方法的普适有效性．

分布式拒绝服务攻击（Distributed Denial-of-Service Attack， DDoS）一直是现代网络中最严峻且最具破坏性的攻击.传统解决方案基于网络中间件或网络功能虚拟化技术部署面向安全的网络功能（Security-oriented Network Function， SNF）以防御DDoS攻击.然而，基于网络中间件的SNFs不可编程，导致它们在面对动态变化的DDoS攻击时具有成本高和灵活性差的缺点；基于网络功能虚拟化技术的SNFs引入了较高的数据报处理时延，无法适配互联网服务提出的低时延要求.近年来，可编程交换机的出现为支持低成本、灵活且高性能的DDoS攻击防御技术带来了新的机遇.本文对基于可编程交换机的DDoS攻击防御技术进行综述，先对在可编程交换机上部署及运行DDoS攻击防御技术的一般过程进行描述；在此基础上分析与讨论现有基于可编程交换机的DDoS攻击防御技术的研究进展；最后指出了现有技术所面临的问题与挑战，包括对复杂SNF的兼容性、SNF的自动资源分配、不同SNF之间的部署冲突等方面.

本文提出了一种基于机器学习的高效率集成电路可测性设计技术.该技术以自动收集的数据作为训练集，以决定系数为评价指标，为每类目标参数选择出最佳预测模型，并预测出基于不同配置参数的可测性设计结构所对应的目标参数，最后使用最优配置推断技术，以目标参数差值的加权和作为衡量指标，输出最优的可测性设计配置参数.实验数据表明，针对可测性设计技术中最重要的测试覆盖率参数，平均预测误差仅为0.075 6%；根据目标参数差值的加权和的最小值情况，实现高效推断芯片可测性设计的最优配置参数.该技术的预测效果具有高可靠性，能够在保证高测试覆盖率的前提下，有效减少测试成本和面积开销等.

本文提出一种新颖的基于IGZO（Indium Gallium Zinc Oxide）薄膜晶体管的双向扫描集成栅极驱动（Gate Driver on Array，GOA）电路，特别适用于in-cell触控显示.本文提出的GOA电路采用时分驱动方式（Time-Division Driving Method，TDDM）实现高报点率的in-cell触控，并防止触控信号失真.该GOA电路支持扫描-暂停-重启模式，即输出几十个连续的显示寻址扫描脉冲后，栅极驱动输出暂停以执行触控侦测.在触控侦测期间，GOA电路中的Touch控制单元开始工作，使所有栅极输出低电位以消除显示驱动信号对触控的干扰.此外，本文提出的GOA电路采用双低电平维持（Low Level Maintaining，LLM）模块，能有效抑制LLM晶体管的阈值电压漂移.电学模拟结果表明，本文提出的GOA电路无论工作于正向还是反向扫描，均能产生均匀的输出波形，并且停坑级的输出波形与正常级波形一致.采用IGZO晶体管制作了10.4英寸in-cell触控显示面板以验证本文提出的GOA电路，支持90 Hz显示刷新率与180 Hz触控报点率.此外，借助工艺与设计优化，进一步提高GOA电路在恶劣环境下的使用寿命，成功通过高温高湿（85°C/85%）操作500小时的可靠性测试.

嵌入式智能计算系统因其功耗受限和多传感器实时智能处理需要，对硬件平台的智能算力能效比和智能计算业务并行度提出了严峻挑战.传统嵌入式计算系统常采用的DSP+FPGA数字信号处理架构，无法适用于多个神经网络模型加速场景.本文基于ARM+DLP+SRIO嵌入式异构智能计算架构，利用智能处理器多片多核多内存通道特性，提出了并行多流水线设计方法.该方法充分考虑智能计算业务中数据传输、拷贝、推理、结果反馈等环节时间开销，为不同的神经网络模型合理分配智能算力资源，以达到最大的端到端智能计算业务吞吐率.实验结果表明，采用并行多流水线设计方法的深度学习处理器利用率较单流水线平均提高约25.2%，较无流水线平均提高约30.7%，满足可见光、红外、SAR等多模图像实时智能处理需求，具有实际应用价值.

星地融合网络通过实现卫星网络与地面蜂窝网络的有机融合，可为用户提供灵活的网络接入服务，满足多场景用户应用需求.然而，卫星网络拓扑结构动态变化、星地链路复杂特性、多网、多用户资源调度粒度的显著差异性，以及资源共享模式的多样性均对星地融合网络用户关联及资源调度问题带来困难及挑战.本文针对星地融合网络下行链路增强型移动宽带用户（Enhanced mobile broadband User，EU）及高可靠低延迟通信用户（ultra-Reliable and low latency communications User，RU）数据传输场景，研究用户关联及资源调度问题.在满足用户传输需求、网络可用资源、资源共享模式等约束条件下，将联合用户关联及资源块调度问题建模为系统效用函数最大化问题.由于该优化问题为强耦合问题，不易直接求解，本文将原优化问题分解功率分配子问题、用户关联及资源调度子问题.针对功率分配子问题，利用拉格朗日部分松弛法对离散变量进行连续化，进而将功率分配子问题转换为凸优化问题，采用拉格朗日对偶算法进行求解.基于得到的功率分配策略，本文提出一种启发式算法确定用户关联模式及资源块分配策略，在对蜂窝网络可用时频资源状态进行评估的基础上，分别针对时频资源充足及时频资源不充足的情况设计用户关联及资源块调度策略.针对时频资源充足情况，根据用户资源调度模式，分别定义RU及EU的时空资源调度粒度，进而针对采用正交频分多址接入（Orthogonal Frequency Division Multiple Access，OFDMA）模式的RU及EU，基于K-M匹配算法优化确定时频资源块调度策略；进而，针对采用穿孔模式的RU与EU，提出一种基于贪婪算法的EU资源块重调度策略，以满足用户最小传输速率；针对占用相邻子信道的EU优化确定OFDMA模式及非正交多址接入（Non-Orthogonal Multiple Access，NOMA）模式，以实现效用函数的提升.针对蜂窝网络时频资源不充足的情况，为无法接入蜂窝网络的用户分配卫星关联模式，并设计基于Kuhn-Munkres匹配算法的资源块调度策略.最后，通过仿真验证本文所提算法的有效性.

胚胎植入前形态学特征是人类体外受精胚胎质量评估的重要依据.目前，胚胎学家主要利用胚胎时差成像（Time-Lapse Imaging，TLI）技术观察胚胎图像形态变化，从而筛选最有发育潜能的胚胎进行移植或冷冻保存.然而，人工评估不仅费时费力，且需要较强的专业知识，并存在一定的主观性等.针对这一问题，该文提出一种基于课程学习的胚胎图像语义分割方法，实现了胚胎细胞、细胞质与雌雄原核的分割，为后续胚胎质量评估提供定量的形态特征参数.首先，利用评估语义分割算法性能的IoU指标（Intersection over Union，IoU）构建课程学习的难度评分函数（Scoring Function，SF），根据SF评分将所有样本从易到难进行排序；再结合SF评分与目标类别数定义课程学习的步调函数（Pacing Functions，PF），构建了难易程度递增的样本子集；最后，设计多阶段渐进式U-net语义分割（Multi-Stage Progressive U-net，MSPU）模型，根据课程难度顺序依次训练不同阶段的网络，从而实现胚胎图像的语义分割.相关实验结果表明，本文提出的MSPU模型在胚胎图像语义分割任务上获得较好的性能，与基准模型相比，IoU值提高1.4%；特别是在较易与较难的分割任务上具有不错的表现，如细胞与雌雄原核的分割IoU值分别提升了4.6%与1.2%.

针对位于地球表面的无线静默目标，本文提出了一种基于外辐射源雷达系统的运动目标定位新方法.与已有大多数定位方法不同，新方法考虑了地面运动目标位置向量与速度向量所需服从的二次等式约束，并且实现了对目标位置与速度的解耦合估计.文中首先将基于外辐射源雷达系统的非线性观测方程转化为伪线性观测方程，然后利用一阶误差分析方法推导该观测方程中的误差渐近统计特性，并进而构建含双重二次等式约束的目标位置与速度联合估计准则.针对此优化模型，文中提出了一种基于拉格朗日乘子法的目标位置与速度解耦合优化算法，其中仅需对目标位置向量进行迭代计算，而目标速度向量是以闭式解的形式给出，因此可减少迭代初始值的影响与局部收敛的风险.此外，文中还在双重二次等式约束条件下推导了基于外辐射源雷达系统的运动目标定位的克拉美罗界，定量刻画了等式约束所产生的性能增益，并结合一阶误差分析与拉格朗日乘子法证明了新方法的渐近统计有效性.仿真实验结果验证了所提定位方法的优势.

针对大规模约束多目标优化问题呈现的高维度和约束限制的解空间，提出一种基于自编码器的解空间降维方法，用以提升进化算法搜索效率.首先，设计一种可行性标签配对策略训练自编码器，通过同时利用解的可行与不可行两类标签信息，构建包含可行域拓扑信息的降维子空间；其次，在降维后的子空间中进行遗传操作，通过解码器得到重构输出返回原始空间，快速定位潜在的可行区域；最后，设计一种子代自适应生成策略，通过结合在降维空间和原始空间生成的子代优势，防止模型坍塌同时提高搜索效率.在基准测试问题集上与五种先进算法进行对比，实验结果表明所提方法能获得更快的收敛速度和更好的解集质量.

在联合到达时间/到达频率的无线定位体制中，除了TOAs/FOAs（Time-Of-Arrivals/Frequency-Of-Arrivals）估计误差与传感器位置/速度先验观测误差以外，收发两端的传感器时钟同步误差也是影响定位精度的重要因素.为了抑制时钟同步误差和各类观测误差的影响，本文针对非相关多运动辐射源定位场景，提出一种基于加权多维标度分析的TOAs/FOAs多辐射源协同定位方法.文中首先通过构造两组标量积矩阵推导定位关系式，然后基于一阶误差分析方法得到该关系式中的误差渐近统计特性，并进而构建联合定位与时钟同步误差校正的优化准则.针对此优化模型，本文提出一种基于正交投影矩阵数学性质的参数解耦合优化算法，可实现对多运动辐射源位置/速度参数与同步误差参数的分步估计，显著降低了参与优化迭代的变量维数.此外，文中还在收发未精确同步条件下推导TOAs/FOAs多辐射源协同定位模型的克拉美罗界，定量证明多辐射源协同定位可以带来性能增益，并且利用一阶误差分析以及正交投影矩阵数学性质证明新方法的渐近统计最优性.仿真实验结果验证所提出的协同定位方法的优越性.

近年来，随着众包平台的不断发展，信息过载问题日趋严重，任务难以及时找到可靠的开发者完成，为任务推荐合适的开发者变得至关重要.传统推荐方法存在两大挑战：一是任务和开发者的文本特征高度简练，传统推荐方法聚焦于表面文本信息，未发现其中包含的大量知识实体；二是任务具有一次性，导致显式交互数据极其稀疏.为了解决上述挑战，本文提出一种基于多关系知识增强的开发者推荐算法.对于一个任务和开发者，首先将他们包含的文本内容中的每个单词与知识图谱中的相关实体关联起来，用于丰富任务和开发者的信息表示.除直接相关联的实体外，还使用每个实体的上下文实体集合来提供更多的信息.然后，对于开发者本文使用多关系邻域聚合的方式增强其特征表示，并使用注意力模块区分开发者对任务的关注度.最终获得的用户和开发者的嵌入输入到深度神经网络中进行预测.在真实的Topcoder数据集上进行广泛的实验，结果表明，本文方法在正确率和序位倒数均值上相比于最佳对比方法平均提高11.7%和17.5%.

面向构建24小时全时段视频监控系统的需要，基于可见光与近红外的跨模态行人重识别受到工业界与学术界的广泛关注.然而，目前大部分跨模态行人重识别任务都试图利用在ImageNet上预训练的模型来提前学习模态内共性特征，但ImageNet与跨模态行人数据模态差异较大，且预训练过程中将颜色信息作为判别特征之一，导致预训练中学习到的共性特征并不适用于无色彩红外图像的信息表示.本文提出了一种基于灾难性遗忘及组合叠加擦除的自监督跨模态行人重识别预训练方法，首先利用提出的灾难性遗忘评分来对预训练数据进行筛选，旨在减小预训练数据与后续任务数据存在的域间差距，进一步减少模型训练时间.其次，针对传统跨模态识别中的关键区分性特征提取，本文设计了一种强通道数据增强策略，通过对R、G、B三通道的通道级擦除与组合，生成了颜色迥异的多类型样本，有利于促使模型关注于纹理信息而非颜色信息.最后基于本文提出的跨模态数据筛选指标以及通道增强策略，构建了跨模态任务的自监督学习框架.实验结果表明，本文提出的预训练方法所训练的ResNet50网络在迁移到众多跨模态行人重识别方法时优于目前主流自监督预训练方法，其中在经典方法AGW的基础上Rank1与mAP分别提高了8.02%与5.81%.

本文设计了一种基于双层金属亚波长光栅的太赫兹偏振器，其可以实现高透过率和良好消光比的特性.该偏振器是通过微加工技术在薄石英衬底的上下表面上制备而成.实验和模拟结果均表明，双层金属光栅具有与单层金属光栅相近的透过率、更高的偏振度和更高的消光比.在0.3~2.0 THz的频率范围内，测量的透过率在83.4%到62.7%之间，偏振度大于99.7%，消光比大于29 dB.此外，设计的两种双层金属光栅偏振器件成功地应用于太赫兹时域光谱（THz-TDS）系统中，获得了超过96.2%的偏振度和超过17.1 dB的消光比.通过调整金属亚波长光栅的参数（例如间距、线宽和金属膜厚度），可以进一步提高透过率、偏振度和消光比等特性.

波达方向估计（Direction Of Arrival，DOA）通过使用传感器阵列来识别声源方位，而传统的DOA估计方法忽略了声源在空间分布的稀疏性，目前的凸稀疏DOA估计方法和非凸稀疏DOA估计方法所使用的惩罚函数未考虑稀疏度量{\mathrm{𝓁}}_{\mathrm{0}}范数的重要特性——尺度不变性，因此无法精确描述声源的空域稀疏结构，难以获得较高的DOA估计精度.为此，本文首先使用具有尺度不变性的范数比函数来逼近{\mathrm{𝓁}}_{\mathrm{0}}范数，刻画声源空域稀疏结构；接着，针对范数比函数的非凸特性，采用光滑化的思想，构建了平滑的近似函数；然后，构建了基于光滑{\mathrm{𝓁}}_p比{\mathrm{𝓁}}_q范数的稀疏DOA估计模型，开发了基于光滑{\mathrm{𝓁}}_p比{\mathrm{𝓁}}_q范数的稀疏DOA估计算法（{\mathrm{𝓁}}_p-over-{\mathrm{𝓁}}_q Regularized Sparse DOA Estimation Algorithm，SPOQ-SDOA）.大量仿真分析表明，与流行的多快拍DOA估计算法相比，本文提出算法在不同信噪比和快拍数下有更高的DOA估计精度和更好的性能表现.SWellEx-96海试实验中的S5事件分析结果验证了所提出算法的有效性.

针对电磁隐身超表面设计中，寻求精确单元反射相位时存在的难点，提出一种将单元金属贴片区域网格化分割，并通过粒子群算法（Particle Swarm Optimization，PSO）自动寻优的设计方法，可自动生成符合预设反射相频特性的金属贴片图案.该方法将方形超表面单元的金属贴片区域划分为N\times N网格（N为偶数，根据N和全对称条件可得到其中的自由网格数n），再用PSO对其自由网格的贴片编码进行训练，直至对应的贴片单元所构建的平面周期结构可实现预期反射相频特性（包括目标频率的反射相位精度及其邻域频段上相频曲线的平坦度）.作为案例，在厘米波段和太赫兹波段，将寻优获得的反射相位相差约\mathrm{90}°的四种单元，分别以\mathrm{90}°和\mathrm{180}°的相位梯度构建1 bit和2 bit超表面，全波仿真结果显示其在中心频率附近均可以得到-\mathrm{10}\mathrm{d}\mathrm{B}以上的RCS削减效果.验证了该方法可自动设计出具备特定反射相位的单元，并且跨频段适用，其所构建的超表面在获得特定频率雷达散射截面（Radar Cross Section，RCS）削减效果的同时，可兼顾有效削减的频段宽度.

多任务学习（Multi-Task Learning，MTL）通过信息共享来共同处理多个任务，已被广泛应用于大量推荐任务中.目前针对推荐的多任务学习方法，主要集中在基于共享输入特征（即描述用户-商品交互信息的特征工程）的多门控混合专家网络（Multi-gate Mixture-of-Experts，MMoE），以此来学习不同任务间的关联.最近的一些工作表明，图神经网络（Graph Neural Network，GNN）作为表征深度交互上下文的强大工具，被应用于推荐任务中，可极大地缓解在线个性化推荐服务中的数据稀疏问题.因此，我们通过设计混合图增强专家网络（Mixture of Graph enhanced Expert networks，MoGE），首次探索了用于多任务推荐的图神经网络结构.具体地说，我们提出了一种新的多通道图神经网络，利用用户-商品二部图，以及衍生的用户和商品的协同相似图来联合建模用户-商品的高阶交互信息.在学习到的深层次交互上下文的基础上，引入了一组图增强的专家网络，以协作的方式实现多任务推荐.在三个真实数据集上的实验结果表明，MoGE在所有目标任务上都持续且显著地优于最优的基线.

有丝分裂数目是判别乳腺癌恶性程度的重要指标，在诊断、治疗及预后中具有重要的意义.然而，在临床实践上乳腺癌切片中有丝分裂细胞的检测主要是通过病理学医生进行人工计数，这个过程繁琐耗时且具有很强主观性.本文提出了一种乳腺病理图像有丝分裂自动检测的两阶段方法.在第一个阶段，利用卷积神经网络作为主干融合深监督与注意力机制进行有丝分裂细胞候选块的定位.在第二个阶段，将获取的候选块输入融合了径向基函数网络的验证模型，进一步提高有丝细胞识别准确率.针对有丝细胞类内存在较大差异的问题，本文通过任务来引导径向基函数中心的确定，利用径向基函数的“局部响应”特性来表达有丝分裂细胞的形态多样性.通过在弱标签数据集ICPR 2014和AMIDA 2013上进行评估，本文所提出的网络模型取得了最优的F-score，与竞争方法相比，分别提高了5.4%和3.0%，从而证明了该方法对于有丝分裂检测的有效性.

现有的基于图神经网络（Graph Neural Network， GNN）的欺诈检测方法还存在三个方面的不足：（1）没有充分考虑到样本标签分布不平衡的问题；（2）没有考虑欺诈者为了躲避检测器的检测，故意制造噪声干扰检测的问题；（3）没有考虑欺诈类型数据联系稀疏问题.为此，本文提出一种基于噪声过滤与特征增强的图神经网络欺诈检测方法NFE-GNN（Noise Filtering and Feature Enhancement Based Graph Neural Network Method for Fraud Detection）来改善欺诈检测性能.该方法首先基于数据集的欺诈率对样本进行平衡采样；在此基础上，采用一个参数化距离函数计算节点间的相似度，并通过强化学习得到最优的噪声过滤阈值；最后，通过创建欺诈样本间的联系，丰富拓扑信息，以达到增强欺诈类特征嵌入表示的目的.在两个公开数据集上的实验结果表明，本文所提NFE-GNN方法的性能优于目前主流的图神经网络欺诈检测方法.

基于深度学习的乐谱识别方法提高了识别精度，但存在模型训练单次迭代耗时长、总迭代轮数多的问题.本文提出了一种改进卷积循环神经网络的轻量化乐谱识别方法CRNN-lite（lightweight Convolutional Recurrent Neural Networks），该方法在卷积层引入残差式深度可分离卷积，减少计算量并加速特征图的提取；在循环层使用双向简单循环单元，采用并行计算避免了串行计算的强依赖问题；在转录层调节交叉熵函数参数，针对性地学习不均衡样本数据.实验结果表明，该方法提高训练速度，单次迭代耗时为基准网络的43%，在失真图像数据上符号错误率为1.12%，序列错误率为14.5%，错误率指标均优于对比方案.

针对多视图立体匹配中构建和聚合匹配代价体时计算复杂度高的问题，现有研究通常采用级联架构或迭代优化方法.然而这些方法仍面临两个亟待解决的挑战：级联架构在精细阶段缩小了深度采样范围，导致深度不连续区域可能陷入低分辨率的错误估计；而迭代优化网络的推理时间随迭代次数线性增长，难以满足实时系统需求.为此，本文提出一种基于自适应空间稀疏化的高效多视图立体匹配网络.我们提出一种稀疏匹配代价体构建方法，通过在完整深度范围内稀疏采样，在降低计算复杂度的同时保持了网络对深度不连续区域的建模能力.同时，我们提出一种稀疏迭代优化方法，在迭代中通过自适应变分Dropout逐步剪枝深度值已收敛的区域，使推理时间随迭代次数亚线性增长.在DTU和Tanks & Temples公共数据集上的实验结果表明，本文方法的推理速度相比CasMVSNet和PatchmatchNet分别快1.2倍和0.35倍，同时点云重建效果优异，边缘伪影显著减少，且泛化能力表现出色.

通过最优路径发动网络攻击的方式已成为影响各企业、机构内部网络安全的重要因素.现有的针对内部网络探寻最优攻击路径大多是采用攻击图的方式实现，未考虑攻击代价和攻击利益的关系，已有的利用Q-learning算法机制解决攻击路径的方法存在网络脆弱性信息利用率低的问题.为解决这些问题，本文借鉴生物免疫机制提出了一种基于强化学习的自免疫动态攻击生成方法，模拟攻击者对内网的网络攻击，从而高效地发现内部网络中存在的脆弱点，实现自免疫防御.方案首先对内部网络信息进行窃取并加以处理，在攻击图的有向边上附加权值，然后通过改进的Q-learning算法寻找最优攻击路径，实现全部最优攻击路径的获取，并返回最优攻击路径的攻击图和内部网络主机脆弱性分析结果.通过理论分析和实验结果表明，该方法兼顾寻找最优攻击路径的高效性、准确性的同时，还解决了最优攻击路径中存在环型回路、多条最优攻击路径的问题，充分利用内部网络脆弱性，提升自免疫安全防护能力.

为提高对抗训练的样本质量，本文对深度学习模型内部的特征识别过程进行了探究，并提出了一种基于主特征归因的迁移性对抗样本生成方法.算法在提取样本的主要特征后对目标层神经元进行特征归因，并利用独立性假设简化梯度计算，通过抑制积极神经元的识别作用，更加高效地得到更具迁移性的对抗样本.经过大量实验验证，相比于已有方法，在针对多模型的攻击中，本文算法的攻击成功率提高了5%以上，为后续研究如何提高模型的鲁棒性奠定了基础.

近年来，随着高精度定位系统的迅猛发展，基于手持式毫米波雷达的阵列成像技术在无损检测和医疗成像等涉及介质内部结构成像的领域中引起了广泛关注.与常见的二维（Two-Dimensional， 2D）平面单发单收（Single-Input-Single-Output， SISO）阵列不同的是，基于手持式毫米波雷达的阵列，其阵元通常非均匀分布于三维（Three-Dimensional，3D）空间中，导致现有的基于平面SISO阵列的对介质目标内部结构进行快速成像重构的算法无法适用.为此，本文提出了一种适用于空间3D非均匀SISO阵列雷达的半空间介质目标快速成像算法.该算法将空间3D非均匀SISO阵列的每一个阵元扩展为一个的虚拟阵列，然后将所有虚拟阵列的回波数据变换至波数域后进行相干累加，最后通过3D逆傅里叶变换（IFT）实现快速成像.数值仿真和实验测量表明，与相同适用于该场景的改进后向投影（Improved Backward Projection，IBP）算法相比，在本文给定的成像参数条件下，所提算法可以在保证成像质量的同时，将成像时间缩短94%以上.

社区结构是复杂网络的重要特征之一，社区发现对研究网络结构有重要的应用价值.基于非负矩阵分解（Non-negative Matrix Factorization，NMF）的社区发现方法是解决社区发现问题的一类基本方法，然而，大多数不能很好地扩展以适用于大型网络，并且在稀疏网络上往往会失败.由于表达复杂网络拓扑结构特征的邻接矩阵在数据矩阵稀疏时，特征向量的局部化导致基于NMF的方法往往无法工作.本文提出一种基于NMF的稀疏网络社区发现算法，尝试提高使用非负矩阵分解方法进行社区发现的准确性以及普适性.提出从局部特征向量学习正则化矩阵用来表达原始网络拓扑结构特征，得到的特征矩阵能够很好地发掘数据矩阵隐含的全局结构有更强的特征表达能力.与邻接矩阵相比，正则化数据矩阵克服了由于稀疏或噪声引起的特征向量（或奇异向量）的局部化问题.通过在人工网络和现实网络中的实验结果显示：与经典的基于NMF的社区发现算法相比，该算法能够发现更准确的社区结构，同时，在稀疏网络上也有较好的表现.

RGB-Depth（RGB-D）显著性目标检测是一项有意义且具有挑战性的任务，基于现有卷积神经网络检测方法在简单场景中获得了良好的检测性能，但不能有效应对背景信息混乱，深度图质量低和目标轮廓复杂的情况.为应对上述问题，本文提出了一种跨模态融合和边界可变形卷积引导的RGB-D显著性目标检测方法.首先，本文以Swin-Transformer为特征提取器，分别对RGB模态与深度图模态进行特征提取，并通过跨模态注意力增强特征模块对两种模态特征进行融合以挖掘显著物的共性与互补特征.接着将提出的相邻多尺度特征增强模块嵌入编码器深层，以获得丰富的全局上下文特征信息，更精准地定位显著物的位置.然后通过构建一个边界特征提取解码器（U-Net架构）生成显著物的边界线索图，并重复采用跨模态融合特征确保生成显著物边界的完整性.最后，本文设计了一个边界可变形卷积引导模块，使用边界线索图与可变形卷积引导跨模态融合特征进行解码以得到更加准确的显著图.通过在6个公开基准数据集上与25种主流方法相比较，本文所提模型在多个指标上均有较明显的提升，从而证明了本文方法的有效性.

针对DR-GAN（Disentangled Representation learning-Generative Adversarial Network）方法^［1］在将大偏转角度侧脸图像生成其正脸图像的整个生成过程中，由于没有考虑身份类别信息，从而导致在身份和姿态的解耦中存在真实的侧脸图像与其生成的正脸图像身份一致性较弱的问题，本文提出了一种基于多任务学习和身份约束的生成对抗网络人脸校正识别方法.该方法通过借鉴多任务学习机制，在生成网络的编码器与解码器之间构建了角度姿态分类模块和身份约束识别模块.这两个模块不但在生成过程中实现了人脸身份和姿态的解耦，更重要的是在由侧脸生成正脸的过程中加入了人脸身份监督信息.在训练过程中，该方法将身份和姿态类别直接作为身份编码特征和姿态编码特征的监督信息，并通过设计身份特征损失函数来约束侧脸的身份编码特征逼近其正脸的身份编码特征，实现了侧脸编码特征中身份信息和姿态信息的有效解耦，使解码器能更准确的生成与原侧脸图像保持身份一致的正脸图像.在M²FPA数据集上，对不同角度的侧脸图像使用所提方法生成的正脸图像进行识别，达到了更高的人脸识别准确率.实验结果表明，即使在偏转角度较大时，所提方法仍然能够较好地生成保持身份一致的正脸图像，显著提升了较大偏转角下人脸识别准确率.

金融交易风险防控是金融风控平台最重要的能力之一.近年来，随着金融风控平台智能化需求的不断升级，对其中相关应用算法的性能要求也水涨船高.目前业界已完成了两代针对金融交易行为的表征学习框架的迭代升级.第一代框架引入了金融交易活动参与者自身的历史行为序列，利用序列模型学习其历史行为特征.第二代框架通过一套实时大数据系统对资金流图进行建模，根据业务专家预定义的业务规则计算出需要的实时特征，并将其输入到后续的判别模型中.相比第一代，第二代框架引入了更多实时动态资金流图上的交互信息，因而取得了不错的性能提升.然而，第二代框架在精细化、智能化和时序建模方面仍存在较大不足.为了解决这些问题，我们针对性地设计了第三代框架，该框架通过动态图表征学习算法，从实时资金流图的原始数据中直接进行表征学习，以此规避了第二代框架中的诸多问题.总的来说，本文在时序信息建模和动态图框架层面均进行了创新性设计.在时序信息建模层面，我们利用了C²GAT模块（连续时间和上下文感知的图注意力神经网络），在动态多变的资金流图上快速地捕捉了高阶的结构化时序状态与信息.在动态图框架层面，我们开发了一套联合实时动态图表征框架——RULF，该框架可以实时刻画出金融场景中多用户资金行为中存在的特定模式.我们将金融场景中多角色联合行为和单角色独立行为进行了显式地解耦，并将多个子图模块联合起来学习，通过学习到更精准的行为表征，从而更进一步地提高下游判别模型的性能.本文将以花呗套现交易识别—一个典型的金融交易风控场景为例，介绍该框架在实际业务场景中的设计思想和实现细节.

语符不平衡是神经机器翻译（Neural Machine Translation，NMT）语料库中普遍存在的现象.评估NMT语料库的语符不平衡度对提升语料库质量和翻译效果具有重要意义.针对现有的语符不平衡度测评研究在算法和分词范围上的缺陷与不足，本文提出语符分布离散度算法（Dispersion of Token Distribution，DTD），用以计算语符不平衡度，并扩大分词范围，从字符、子词和词3种粒度对语料库进行评估.实验结果表明，该算法在准确度、有效性和鲁棒性方面较以往研究有较大提升；语料库在不同分词粒度下的语符不平衡度差异很大，其中字符粒度的语符不平衡度最大，子词粒度次之，词粒度最小.

在多用户毫米波大规模多入多出（Multiple Input Multiple Output，MIMO）系统中，针对现有基于信漏噪比（Signal-to-Leakage-plus-Noise Ratio，SLNR）准则的混合预编码算法未考虑用户信道质量不同和信道矩阵具有病态性的问题，本文提出了一种联合SLNR与矢量扰动（Vector Perturbation，VP）的双层混合预编码算法.该算法分两层设计预编码矩阵.第一层，考虑用户信道质量不同，提出了基于SLNR准则的匹配加权算法.该算法充分考虑信道系数、预编码矢量和组合矢量的影响设计信道加权因子，利用加权因子对SLNR算法进行改进，从而设计更优的混合预编码器，消除用户间干扰.第二层，根据第一层获取到的等效基带信道，利用迫零（Zero Force，ZF）消除用户天线间干扰.考虑到信道矩阵具有病态性，采用VP算法进一步处理.通过在发射信号上添加扰动矢量减小发射端功率增强的影响.仿真结果表明，相较于同类混合预编码算法，所提算法可以获取更好的误码率（Bit Error Rate，BER）性能和频谱效率.

基于脑电信号完成对不同驾驶过程的解码分析，并就驾驶意图做出预测，是基于脑机接口的人机协同智能驾驶控制中的核心问题.为了实现对直线、左弯道和右弯道驾驶过程的识别，本文提出了基于脑电功能性脑网络和熵值特征的驾驶行为特征检测方法，并结合支持向量机和高斯混合模型等算法完成对不同线型驾驶过程的分类识别.模拟驾驶实验结果表明，本文提出的方法可有效实现对不同线型驾驶过程的识别，针对16名被试对直线和弯道驾驶过程的识别准确率均高于82%，最高达到86.66%，对左弯道和右弯道驾驶过程的识别准确率均高于75%，最高达到77.95%.对主要脑区间相互依赖关系的分析结果表明，弯道驾驶过程表现出明显的大脑对侧性特征，且左弯道驾驶相比右弯道需要更多的脑区间交互活动，而直线驾驶过程中左脑区的活动稍强于右脑区.本文研究结果对理解弯道驾驶过程中驾驶员脑认知特性，以及开展不同线型道路下驾驶行为检测和驾驶状态研究，具有一定的参考价值.

研究影响癌症性状的hub基因时存在如下问题：仅关注强相关性基因进行基因信息处理，缺少对弱相关性基因和不同基因模块间共表达性的研究；仅采用度中心性判断hub基因进行分析基因网络，对蕴含数据挖掘不够全面.本文提出基因模块标签信息游走的图嵌入算法Gene2vec.选取合适软阈值，保留更多弱相关性的基因信息.联合不同种类但与性状高度正相关性的基因模块，构成基因模块共表达网络.针对传统加权基因共表达网络分析方法与图嵌入方法挖掘基因模块网络信息存在的问题，利用标签参数与其他参数调节基因模块网络中的随机游走过程，分析游走生成的节点序列以挖掘基因网络的信息.实验表明，Gene2vec在hub基因的检出率上优于其他算法，得到的hub基因在癌症性状中的基因表达量高于常用生物学方法得到的hub基因.

超宽带室内定位精度受到非视距传播（Non-Line of Sight，NLOS）、多径效应、基站布设等因素影响，而这些因素均与基站的布设阵型有关.因此，本文提出一种基于位置精度稀释因子（Positioning Dilution of Precision， PDOP）、到达时间差（Time Difference of Arrival， TDOA）测量误差和克拉美劳界的基站布设优化数学模型，可用遗传算法和萤火虫算法等智能算法求解.理论推导和仿真测试表明优化后的基站布设阵型相较于传统的立方体8基站阵型具有更好的平均误差和方差.14.5 m×7.6 m×3 m展厅的实测实验结果表明，经过优化后的基站布设阵型定位精度提高了0.7132 cm，且方差减小了50.6496 cm²具有较高的稳定性.

正交频分复用系统中，用于信道估计的导引占用宝贵的传输资源且消耗用户设备发射机能量。为应对这一困境，提出差分检测与神经网络相结合的信道估计方法。在发射端，将发送数据进行差分编码。在接收端，将差分译码后的数据视为发射的导引，借助面向判决信道估计思想，捕获信道估计的初始特征；在捕获到的初始特征的辅助下，构建增强信道估计网络（enhanced channel estimation network， En-CENet），融合差分与神经网络捕获的信道特征，改进信道估计精度。仿真结果表明，相对导引辅助信道估计和机器学习叠加信道估计方法，本文方法在提高系统频谱效率、节省发射机能量消耗、降低接收机计算复杂度和运行时间的同时，改善了信道估计精度。

本研究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，所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是2.80~23.64 GHz，低于-20 dB的吸波频带覆盖范围是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，仿真和测试结果表明，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.

本文基于0.18-μm CMOS工艺提出了一种新型微波人工表面等离激元（Spoof Surface Plasmon Polariton，SSPP）耦合式滤波器结构并进行加工和测量，同时设计了一种太赫兹SSPP四边形滤波器并进行了全波仿真.新型微波SSPP耦合式滤波器通带为11~12.3 GHz（S₁₁<-10dB，S₂₁>-3.5dB），结构紧凑，电尺寸仅为0.018 4 λ_g × 0.008 4 λ_g，远小于其他基于集成电路工艺设计的无源滤波器.通过优化与调整，可以将新型微波SSPP耦合式滤波器的性能进一步优化到要求范围内.太赫兹SSPP四边形滤波器通带为210.8~241.3 GHz（S₁₁<-10 dB，S₂₁>-4.7 dB），带内插入损耗仅为2.7 dB，带外抑制良好.两种SSPP滤波器均采用非接触式电磁耦合的新型能量传递方式，结构设计新颖，并且微波段SSPP耦合式滤波器小型化优势明显，电尺寸仅为0.019 λ_g × 0.009 λ_g，易于芯片集成.本文提出的两种SSPP滤波器经过等比例缩放，可工作在微波、毫米波以及太赫兹频段，为新型片上无源滤波器的研究设计提供参考和借鉴.

智能超表面（Reconfigurable Intelligent Surface，RIS）作为第六代（Sixth Generation；6G）移动通信中的潜在关键技术之一，具有低成本、低能耗和易于部署等特点.通过给电磁单元上的可调元件施加控制信号，可以实现对入射信号的幅度、相位、极化等调控，从而构造智能化的通信环境，为终端高能效无线通信提供了契机.本文首先基于无人机通信技术发展现状，阐明了将RIS技术引入无人机通信系统的必要性；然后，分析了RIS使能无人机高能效通信信道的传输机理，归纳了信道建模关键技术；最后针对RIS使能无人机高能效通信信道建模，总结展望了未来的技术挑战与研究方向.