在分布式电磁攻防对抗场景中，我方设备对敌释放干扰的同时，也极可能对己方电磁设备造成误伤，为此提出一种分布式同频干扰抑制架构与方法.通过对分布式同频干扰节点与授权接收节点之间时延误差与残余频偏进行建模，利用递归最小二乘算法求解模型系数，有效匹配高维信道和时频变化，并利用干扰参考信号完成分布式干扰重建与抑制.仿真结果表明，在归一化时延误差为0.2，归一化残余频偏为10^-4时，本文所提出的分布式同频干扰抑制方法的干扰抑制能力相较于单节点同频干扰抑制方法提升13.1 dB，且残余干扰接近于底噪.

自然语言描述驱动的目标跟踪是指通过自然语言描述引导视觉目标跟踪，通过融合文本描述和图像视觉信息，使机器能够“像人类一样”感知和理解真实的三维世界.随着深度学习的发展，自然语言描述驱动的视觉目标跟踪领域不断涌现新的方法.但现有方法大多局限于二维空间，未能充分利用三维空间的位姿信息，因此无法像人类一样自然地进行三维感知；而传统三维目标跟踪任务又依赖于昂贵的传感器，并且数据采集和处理存在局限性，这使得三维目标跟踪变得更加复杂.针对上述挑战，本文提出了单目视角下自然语言描述驱动的三维目标跟踪（Natural Language-driven Object Tracking in 3D，NLOT3D）新任务，并构建了对应的数据集NLOT3D-SPD.此外，本文还设计了一个端到端的NLOT3D-TR（Natural Language-driven Object Tracking in 3D based on Transformer）模型，该模型融合了视觉与文本的跨模态特征，在NLOT3D-SPD数据集上取得了优异的实验结果.本文为NLOT3D任务提供了全面的基准测试，并进行了对比实验与消融研究，为三维目标跟踪领域的进一步发展提供了支持.

基于深度学习的合成孔径雷达（Synthetic Aperture Radar，SAR）目标识别方法在军事侦察、灾害监测等领域应用广泛，然而深度神经网络易受到对抗攻击的威胁，导致模型决策的可靠性下降.现有黑盒对抗攻击方法在SAR图像对抗样本生成过程中面临参数设计维度高、易被察觉等问题.针对以上问题，提出一种基于频域多目标优化的对抗攻击方法，通过二维离散傅里叶变换将SAR图像从空间域映射至频域，降低扰动设计维度，进而在频域中修改单一频率分量，以生成图像域纹理状扰动.同时，结合基于超体积度量的多目标进化算法平衡对抗样本的攻击性能与视觉隐蔽性.实验结果表明，以T62类别为例，运用本文方法后，在VGG16、AConvNet和YOLO系列模型架构上，对抗样本分别实现了90.39%、71.43%、44.28%以上的置信度错误分类.同时，生成的对抗样本与原始图像的相似度均高于99%，为SAR图像的安全性与鲁棒性测试提供了有效的技术支持.

利用有限域上群代数的性质构造了一类Hermitian LCD（Hermitian Linear Complementary Dual）2-拟交换群码.基于有限域上群代数的结构定理精确计算出了此类码的个数.通过探讨相对最小距离较小的此类码的计数问题，本文证明了有限域上的Hermitian LCD 2-拟交换群码是渐近好码.

随着复杂机器学习模型应用扩展，各行业对模型可解释性的需求剧增.反事实解释是重要的事后可解释方法，但传统方法常将多目标合并为单目标优化，导致权重分配困难且难以调和目标冲突，也因忽略因果关系使生成的反事实样本不现实.此外，现有方法在高维、冗余、噪声数据下存在计算效率低、预测精度下降及全局解释不足等问题.为此，本文提出综合因果多目标反事实解释方法（Comprehensive Causal multi-objective counterfactual Explanation with Feature Selection，CCE-FS）.该方法首先基于最大互信息系数筛选关键特征以提升预测精度和全局解释力，然后将反事实搜索转化为多目标优化问题，有效平衡多目标关系.同时引入领域因果关系约束，确保反事实样本现实合理.CCE-FS还提供可视化特征效应分析，增强用户理解并揭示模型偏见.Statlog数据集实验表明，CCE-FS通过特征选择显著提高了反事实样本的有效性、正常性、稀疏度，并使连续特征接近度提升46.3%.在Adult-Income和COMPAS数据集上的验证进一步证明，CCE-FS在因果一致性、数据分布合理性和连续特征邻近度方面均优于现有方法，展现了更强的解释与应用潜力.

下肢外骨骼需要通过识别穿戴者的运动意图为穿戴者日常活动提供助力，然而当前的研究很少关注能够提供新受试者意图信息的下肢运动模式预测.为此，本文提出了一种基于多传感器信息融合和迁移学习的下肢运动模式预测方法.本文首先设计了一个下肢运动模式预测模型，采用长短时记忆单元（Long-Short Term Memory，LSTM）提取表面肌电信号（surface Electromyography，sEMG）中的模式特征，然后将sEMG的模式特征与关节角度特征融合预测下肢运动模式.考虑到受试者之间的生理信号差异，本文设计的迁移学习策略分两步训练预测模型，第一步在源域受试者数据集上预训练模型，第二步冻结sEMG模式特征提取器的网络权值，并在目标域数据集上微调全连接层.实验采集了受试者自由行走和穿戴外骨骼行走的数据.通过预测时间长度为100 ms的实验可以得出，所提出的方法分别能够有效提升新受试者自由行走状态下和穿戴外骨骼行走时9.53%和8.29%的运动模式预测准确率.实验结果表明，所提出方法可通过提升新受试者运动模式预测准确率，从而保障下肢外骨骼可靠的人体运动意图感知.

无监督领域自适应（Unsupervised Domain Adaptation，UDA）行人再识别（person Re-IDentification，Re-ID）旨在利用有标注的源域数据来解决无标注目标域数据的无监督Re-ID任务.近期，对比学习在该领域引起关注，但现有方法存在正样本对差异较小以及忽略负代理采样偏差的问题.为解决这些问题，本文提出一种渐进式混合对比学习（Progressive Hybrid Contrastive Learning，PHCL）方法.在每个训练轮次，PHCL方法通过聚类和渐进细化两个步骤，将无标签数据集划分为带伪标签的聚类样本和未聚类的独立实例.基于聚类划分结果，PHCL方法在两个层次实施对比学习：通过将同一聚类（目标域）或同一身份标签（源域）中的相似样本拉近，指导模型学习类内相似性，同时通过在未聚类的实例间施加排斥作用，挖掘实例间差异性.此外，PHCL方法通过最近邻挖掘为未聚类的实例生成正代理，增大正样本对的差异性，学习更丰富的语义信息.同时，PHCL方法在负代理采样过程中去偏差，减轻假负代理对训练的不利影响.实验结果表明：PHCL方法在Market-1501和MSMT17数据集上的平均精度均值（mean Average Precision，mAP）分别为85.9%与42.3%，比基线模型分别提高4.3个百分点和13.5个百分点.上述实验结果验证了PHCL方法在UDA Re-ID任务中的有效性.

投票是现代社会的一种重要的决策方式.在本文中，我们利用量子游走和半量子技术提出了多中心高效量子安全投票方案.该方案由多个选民、多个量子中心等构成.该方案使用半量子技术降低了设施成本，便于实现；多个量子中心分别并行计算，环形结构和星形结构相结合，减少了中心节点的通信压力，投票、计票更加高效，适用于大量人数投票的场景；量子中心之间汇总计票时，初始量子资源使用两粒子乘积态，制备简单且仅需进行单粒子测量，操作方便，降低了计票难度.该方案可有效检测和抵抗多种攻击，保证安全性.

在无蜂窝大规模MIMO（Cell-Free massive MIMO， CF-mMIMO）网络环境中，业务需求差异化、环境高度动态化以及资源部署去中心化等特征，制约了CF-mMIMO缓存部署和分发过程中多维网络资源的分配效率.为此，本文对去中心化CF-mMIMO场景中的多样化内容缓存和多用户关联问题展开研究.首先，基于CF-mMIMO场景中内容缓存与用户关联间的耦合关系，研究并建立了内容缓存、用户关联和多维资源分配模型.其次，针对随机时变的网络环境和不完备的网络状态观测，以最大化网络能效为目标，将内容缓存、用户关联和资源分配问题抽象为分布式部分可观测马尔科夫决策过程.而考虑到多样化内容缓存需求和广域差异化网络空间特征，进一步提出一种基于图注意力网络的多智能体深度强化学习算法对内容缓存、用户关联和多维资源分配进行策略学习和优化.最后，仿真验证了所提算法在网络能效、系统吞吐量、缓存命中率方面具有明显的性能提升.

近年来，自动驾驶因其在提升道路安全、提高交通效率等方面展现出巨大的潜力而受到越来越多的关注.在现代自动驾驶系统中，感知系统扮演着至关重要的角色，其目标是准确地估计周围环境的状态，并为预测和规划提供可靠的观测信息.其中，3D目标检测作为感知系统的重要组成部分，旨在预测自动驾驶车辆周围物体的位置、大小和类别.本文归纳了近年来自动驾驶领域中3D目标检测的研究进展，从单模态检测和多模态融合检测两个角度出发，介绍了使用不同传感器进行单模态方法和多模态融合方法的优势和不足.此外，本文还对比了各种代表性算法在公共数据集上的性能，总结了当前常用训练策略，并讨论了该领域未来的发展趋势.

多对多通信路由问题是NP难的组合优化问题，构建出高效的多对多通信路由路径还需及时获取全局网络状态信息以适应网络状态高度动态变化的特点.本文在软件定义无线网络（Software-defined Wireless Networks，SDWN）场景中针对现有数据驱动的多智能体深度强化学习方法存在计算和部署成本高、难于适应非欧结构特点的网络拓扑的问题，并且训练过程中无效动作过多会增加存储空间和时间开销以及收敛速度慢，本文设计了一种SDN控制平面和数据平面进行协同感知与智能决策的新框架，并针对多对多通信路由问题设计了一种两阶段的多智能体路由方法（基于智能节点部署策略的多智能体图强化学习方法：MAGDS-M2M）.为了降低在每个节点上都部署智能体所带来的计算和部署成本，设计了一种基于Q-学习的智能节点部署算法来确定需要部署智能体的网络节点；在完成多智能体部署后，在Actor-Critic（AC）框架下设计了一种基于多智能体图强化学习的多对多路由决策方法，基于图卷积网络（Graph Convolutional Networks，GCN）和图神经网络（Graph Neural Networks，GNN）重新设计Actor和Critic网络，解决了现有多智能体强化学习方法中卷积神经网络（Convolutional Neural Networks，CNN）对拓扑结构数据适应能力比较弱的问题；此外，为解决Actor网络固定长度的动作空间在训练过程中产生大量无效动作的问题，设计了一种新的动作空间局部观测方法.实验结果表明所提出的方法相比于基准实验降低了29.33%任务完成时延，并且验证了可以通过调节参数使任务完成的时延和各节点累计能耗标准差之间达到平衡.本文所做工作源代码已提交至开源平台https：//github.com/GuetYe/MAGDS-M2M.

无人干扰平台被广泛运用于现代电子战场中，但其在干扰敌方的同时会降低己方合法用户的信号接收质量.为了解决无人干扰平台不分敌我的现实问题，提出一种主动式射频干扰零陷策略：通过协调两个无人干扰平台发射信号的波形、幅度、相位和相对延迟，在干扰敌方电磁设备的同时，在目标区域实现射频干扰零陷、保证合法用户不受干扰影响.考虑到无人平台之间不可避免地存在时间同步误差，给出时间误差约束下合法用户的接收信噪比与可达速率优势的闭合表达式，用来评估干扰零陷的性能.在此基础上，优化了无人干扰平台的发射功率以最大化合法用户处的可达速率优势，并根据实际干扰场景对干扰功率策略进行简化.在给定的数值仿真条件下，与传统干扰策略相比，所提射频干扰零陷策略可达速率优势的平均提升量约为3.2 bps/Hz；与未考虑时间同步误差的干扰发射功率策略相比，所提功率优化策略可达速率优势的平均提升量约为1.5 bps/Hz.

开放世界目标检测旨在动态环境中同时识别已知与未知类别，并在收到未知类别的标签后逐步实现对新增类别的识别能力.然而，现有方法因缺乏未知类别的语义表征能力，已知与未知类别间的指导信息相互耦合，导致检测性能受限.为此，本文提出一种基于因果提示蒸馏的开放世界目标检测方法.该方法创新性地将视觉-语言模型与因果推理结合，以解决开放场景中的类别间存在的语义偏差问题.具体而言，本文通过构建结构因果模型，从因果视角揭示了已知类别与未知类别间的语义干扰路径；接着提出了因果提示学习，通过生成未知类别的语义向量，显式引入开放场景的语义先验以增强模型对未知目标的感知能力；最后针对知识传递中的语义偏差问题提出因果蒸馏机制，利用双重蒸馏损失解耦教师模型对已知类别与未知类别的指导信息.实验结果表明，该方法在多个数据集上取得了良好效果，已知类别的平均检测精度（mAP）提升了1.3%，未知类别的召回率（U-Recall）提升了6.5%，这些结果验证了本文方法的有效性.

多模态意图识别（Multimodal Intent Recognition，MIR）是在现实世界中理解人类意图的重要研究方向，旨在通过融合语言、视觉和音频等多种模态信息来准确判断说话人的意图.然而，现有的MIR研究大多集中在如何为文本模态构建多模态语义环境，对视觉和音频模态中蕴含的大量语义信息（如动作和情感语义）的利用则不够深入.尽管视觉和音频模态富含与意图相关的信息，但其固有的冗余信息和噪声却制约了模型对这些模态特征的有效利用.为解决上述问题，本文提出了一种能够有效利用音频模态语义关系，同时有效抑制冗余信息的MIR模型.该模型通过构建抑制冗余信息的初级语义特征，引导学习不同尺度的模态内与模态间语义关联，以理解说话人的意图.在此基础之上，模型利用不同模态特征间潜在的意图一致性，将提取到的音视频语义特征与具有明确意图语义的文本特征进行配对，从而过滤掉那些单独通过意图识别任务无法消除的无关语义信息.此外，模型采用多模态融合门控机制，整合来自不同模态的意图语义.在多个意图理解任务的数据集上的实验表明：所提出的方法能够有效提取音视频模态语义并滤除意图识别无关语义，且在性能上优于现有的MIR方法.具体而言，在准确率（ACCuracy，ACC）值、精确度（Precision，P）值、召回率（Recall，R）值和F ₁值（F ₁ score，F ₁）上均取得了0.7~1.8个百分点的提升.

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.

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.

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.

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.

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.

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.

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.

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.

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%.

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.

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.

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%.

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.

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.

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.

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.

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.

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.

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.