胎儿心电信号（Fetal ElectroCardioGram，FECG）能反映胎儿健康状况.但是，由于其信噪比相对较低，FECG仍未能在临床上得到广泛应用.如何有效提取高质量的FECG仍是一个巨大挑战.为此，本文提出一种使用信噪比正则化LightGBM（Light Gradient Boosting Machine）模型的FECG提取方法.针对原始母体腹壁混合信号，首先使用传统滤波方法进行噪声抑制，然后再使用快速独立成分分析（Fast Independent Component Analysis，FastICA）从中分离得到母体心电信号（Maternal ElectroCardioGram，MECG）估计和FECG估计，FECG估计中残留的MECG成分是MECG的一种非线性变换.改进传统LightGBM模型，在目标函数中增加FECG的基于互相关系数的信噪比作为正则项，构建信噪比正则化LightGBM模型，并使用该模型拟合这一非线性变换.将MECG估计经由所拟合的非线性变换得到MECG成分的最优估计，并将其抑制，提取得到高质量的FECG.采用真实腹部源心电信号数据集进行实验，结果显示本文提出的方法的灵敏度为99.9%，阳性预测值为99.1%，
飞行员脑疲劳状态检测需要解决脑认知图谱生成和脑疲劳检测模型构建问题.针对第一个问题，本文通过等距方位投影法将全脑电极位置的脑疲劳指标映射为二维脑功率图谱，形成一种新型脑认知图谱.针对第二个问题，本文建立一种深度主题学习模型，即深度潜狄利克雷模型（Deep Latent Dirichlet Model，DLDM），解决了飞行员疲劳状态主题学习问题.DLDM深度模型通过多项式分布逐层扩展脑功率图谱中蕴含的概率分布信息，推理脑功率图谱的层次概率分布特征，实现更有效的飞行员疲劳状态主题学习.同时为了避免启发式假设，本文提出一种有效的不同层与主题间自适应学习率的随机梯度下降推断方法，更加高效地推理DLDM网络结构参数.实验结果显示，DLDM网络可以逐层扩展脑功率图谱中蕴含的概率分布信息，推理出更丰富的抽象特征信息，实现脑疲劳认知主题学习.对比其他脑疲劳检测方法，本文方法分类精度可提升2%.
大规模卷积神经网络计算复杂度高且资源开销大，这极大提高了深度学习算法的硬件部署成本.在模型推理过程中充分利用层间稀疏激活的信息冗余，以较低资源开销和几乎无损的网络精度降低推理时延和功耗提供高效的加速器解决方案.针对稀疏卷积神经加速器中控制粒度过大导致运算模块利用率过低问题，本文提出基于FPGA具有灵活并行度的稀疏卷积神经网络加速器架构.基于运算簇思想对卷积运算模块实现灵活调度，根据卷积层结构在线调整输入通道和输出激活的并行度；根据输出激活并行运算的数据一致性设计了一种输入数据的并行传播方式.本文在Xilinx VC709目标设备上实现了提出的加速器硬件架构，它包含1 024个乘累加单元，提供409.6GOP/s理论峰值算力；实际运算速度在VGG-16模型中达到325.8GOP/s，等效于稀疏激活优化前加速器的794.63GOP/s，运算性能达到baseline模型4.6倍以上.
现阶段无线可充电传感器网络的研究中，充电规划问题往往只考虑单一目标，没有考虑能量空洞问题对无线充电设备（Wireless Charging Equipment，WCE）路径规划以及网络整体性能的影响.基于充电时间窗和惩罚函数，以最大化网络中WCE的能量利用率和最小化节点惩罚值为目标，提出了带时间窗的多目标路径规划模型，优化WCE对节点的充电时间并提高WCE的能量利用率.为求解多目标优化问题，在多目标连续烟花算法的基础上，提出了一种多目标离散烟花算法，通过烟花爆炸操作加快收敛速度并防止陷入局部最优.仿真结果表明，相较于传统算法，本文提出的算法所求得的Pareto最优解的分布均匀性提升22.5%以上，分布范围性能提升14.5%以上.
对网络表示学习的研究已经取得了很多成果，但是大部分网络表示学习模型忽略了网络动态性和异质性，无法区分网络中耦合的时间和空间（结构）特征，也不能捕获网络的丰富语义信息.本文提出了基于元路径的动态异质网络表示学习方法.首先将节点的邻域结构按照时间划分出不同的子空间结构，并为每个节点采样出所有时间加权元路径的序列.其次通过门控循环单元将节点的全部时间加权元路径序列上的邻域信息进行集成，最后利用带注意力机制的双向门控循环单元对融合后的节点序列进行时空上下文信息学习，获得每个节点的最终表示向量.通过在真实数据集上的实验表明，在节点分类、聚类和可视化的下游任务测试中，本文提出的算法较基线方法在性能上均有较大提升.节点分类任务中的Micro-F1平均提高了1.09%~3.72%，节点聚类任务中的ARI值提高了3.23%～14.49%.
针对相机来源取证中的开放环境问题，本文提出一种自适应聚类优化包络的相机来源取证方法，解决了现有方法在训练相机模型数量少的恶劣情况下检测精度低的问题.首先，通过手肘法得到每一类相机数据的聚类个数，并以该聚类数为参照进行
对话状态跟踪是任务型对话系统的重要模块.已有研究使用注意力机制模拟图结构来引入历史信息，但这种方法无法显式利用对话状态的结构性.此外，如何生成复杂格式的对话状态也为研究带来了挑战.针对以上问题，本文提出一种状态记忆图网络SMGN（State Memory Graph Network）.该网络通过状态记忆图保存历史对话信息，并使用图结构与当前对话进行特征交互.本文还设计了一种基于状态记忆图的复杂对话状态生成方法.实验结果表明，本文提出的方法在CrossWOZ数据集上联合正确率提高1.39%，在MultiWOZ数据集上提高1.86%.
对太赫兹波导封装技术进行研究，并在D波段（110~170GHz）和220GHz频段分别进行设计验证.通过金丝键合技术对研制的D波段放大器芯片进行波导封装设计，封装测试结果为：封装模块在139GHz测试得到最大增益为10.8dB，在137~144GHz频率范围内，增益大于7.8dB，输入端回波损耗优于5dB，输出端回波损耗优于8.5dB.封装与在片测试结果曲线变化趋势基本一致，但是封装后芯片性能恶化严重，封装损耗大于5dB.基于此，开展太赫兹波导-集成探针过渡结构研究，提出一种适用于太赫兹频段的波导-集成探针过渡结构，并在220GHz频段进行设计验证.模块测试结果为：在208~233GHz频带范围内，插入损耗优于3dB，回波损耗优于8dB，在224GHz频点处，获得该结构的最优性能，其插入损耗为1.3dB，回波损耗为46.4dB.该波导-集成探针过渡结构为太赫兹频段全集成芯片研制提供了经验.
本文在高斯整数集上，基于完备高斯整数序列和正交矩阵，构造了一类最优周期组间互补序列集，可实现任意长度的零相关区内互补码数量和互补码集数量的灵活选择.通过设计2阶和3阶核正交矩阵，将其对角拼接与完备高斯整数过滤，得到一类任意阶正交矩阵.利用该正交矩阵，结合任意长完备高斯整数序列，可构造零相关区与完备序列等长的周期组间互补序列集，其参数达到理论界.构造结果与已有文献比较，参数可在无条件限制下实现最优.组间互补序列集应用于多载波系统可消减邻区间的通信串扰并提升用户容量.
室内定位技术在多领域有着重要的应用，而传统的无线局域网（Wireless Local Area Network，WLAN）指纹定位方法通常很少考虑WLAN接收信号强度（Received Signal Strength，RSS）特征的多样性以及来自不同接入点（Access Point，AP）的RSS特征位置分辨力的差异性问题，从而导致WLAN定位精度不高且定位效率较低.对此，本文提出一种基于多维模糊映射AP优化的WLAN室内定位方法.在离线阶段通过多次采集RSS数据提取多维RSS特征，计算AP信息增益比及相应的离线模糊隶属度，并利用模糊关系方程求解多维RSS特征模糊权重；而在在线阶段，则通过多维模糊映射构造模糊判定矩阵并计算AP在线模糊隶属度，同时结合K近邻（K-Nearest Neighbor，KNN）算法完成对目标的位置坐标计算.实验结果表明，相较于传统的AP优化定位方法，所提方法在线阶段的定位计算开销最高减少了4.12 s，定位误差4 m内的置信概率为91.91%.
对话讽刺识别已经成为人工智能领域中一项极具挑战性的课题，其目的是辨别互动对话中晦涩难懂的诸如讽刺、轻蔑、嘲笑等隐喻性情感.从语言哲学分析，目前的对话讽刺识别方法难以衡量人类语言在讽刺表达与理解方面固有的不确定性.鉴于量子概率在建模不确定性方面的优势，本文探索量子概率在讽刺识别领域的潜力并提出一种量子概率启发式网络.该网络主要包含复值嵌入层、量子复合层、量子测量层以及全连接层.本文将互动对话中每句话语视作是一组单词的类量子叠加，表征为复数向量.相邻话语之间的上下文交互被建模为量子系统与其周围环境的复合，表示为密度矩阵.本文对每句话语进行量子测量，提取讽刺特征，并将讽刺特征输入到全连接层预测得到讽刺识别结果.本文在两个基准数据集上进行实验，结果表明本文提出的模型优于先进讽刺识别模型，讽刺识别准确率分别提升5.2%与2.38%.
在图像场景分割中存在小目标易丢失，边缘轮廓噪声大等问题.在目前的增强特征表征能力与优化空间细节的语义分割算法中，由于边缘和小目标特征的丢失，导致小目标和边缘很难被准确分割.为此，本文研究了一种小目标特征增强的图像分割算法.首先设计一种像素空间注意力模块（Pixel spatial Attention Module，PAM），来获得空间像素具有较强语义信息的特征图像.然后通过对PAM的输出进行建模提取，分别获得含有语义类别信息的边缘特征和小目标特征.最后，将特定的损失函数应用到语义分割训练中，并将多种特征进行融合，经过反复的监督学习和训练校正，可以在不影响其他类别性能的情况下提高边缘和小目标分割的性能.在Cityscapes，VOC2012，ADE20K和Camvid基线数据集上的实验表明，该算法与先进的图像分割算法相比，在小目标分割、边缘特征增强和内轮廓噪声减少等方面，其性能和效果都有明显提高，分割精度提高了2个百分点.
由于行人交互的复杂性和周围环境的多变性，行人轨迹预测仍是一项具有挑战性的任务.然而，基于图结构的方法建模行人之间的交互时，存在着网络感受野小、成对行人间的相互交互对称、固定的图结构不能适应场景变化的问题，导致预测轨迹与真实轨迹偏差较大.为了解决这些问题，本文提出一种基于全局自适应有向图的行人轨迹预测方法（pedestrian trajectory prediction method based on Global Adaptive Directed Graph，GADG）.设计全局特征更新（Global Feature Updating，GFU）和全局特征选择（Global Feature Selection，GFS）分别提升空间域和时间域的网络感受范围，以获取全局交互特征.构建有向特征图，定义行人间的不对称交互，提高网络建模的方向性.建立自适应图模型，灵活调整行人间的交互关系，减少冗余连接，增强图模型的自适应能力.在ETH和UCY数据集上的实验结果表明，与最优值相比，平均位移误差降低14%，最终位移误差降低3%.
本文提出了双耦合极化码（Dual Coupled Polar，DC-Polar）的方案，并推导了其性能下界.基于此，本文考虑高阶调制的情况，给出了采用双耦合极化码的比特交织编码调制（Bit-Interleaved Coded Modulation，BICM）方案.为了解决高阶调制下码长匹配的问题，本文基于多层编码调制的思想提出了双层耦合极化编码调制（DC-Polar Two-Layer Coding，DC-Polar-TLC）方案，其优点在于码长灵活，不需要使用删余或截短等技术.仿真结果显示，双层耦合极化编码调制方案具有较好性能，在64QAM调制下，该方案与使用比特交织编码调制的CRC辅助极化码相比具有约0.6 dB的增益.
社交网络对齐旨在从不同的社交网络中识别出属于同一自然人的社交账户.现有的相关研究大多着眼于静态社交网络的对齐上，然而，社交网络是动态发展的.本文观察到，这种动态性可以揭示出更多的决定性模式，从而更有利于社交网络的对齐，这种现象促使本文在动态场景中重新思考这个问题.于是，本文利用社交网络的动态性，设计一个深度学习架构来解决动态社交网络的对齐问题，其称为DeepDSA（Deep learning based Dynamic Social network Alignment method）.首先设计一个深度序列模型来分别捕捉社交网络结构和属性的动态性；其次，对于每一个社交网络，通过保持相同用户结构和属性之间的相关性来融合二元动态，得到原始的综合嵌入表示；最后，以半监督的方式进行空间变换学习，并将每个网络的原始嵌入投影到一个目标子空间中，在该子空间中自然人是唯一表示的.本文在真实世界的数据集上进行大量的实验，证明DeepDSA方法相较于目前的主流算法提升了10%的对齐效果.
针对汽车等制造业存在的双边装配线第二类平衡问题，本文建立以生产节拍和平滑指数为主次优化目标的排序模型，提出增强分布估计算法（Enhanced Estimation of Distribution Algorithm，EEDA）进行求解.算法初始化阶段，采用自适应策略生成初始节拍来提升初始解的质量.全局搜索阶段，设计三维概率模型学习生成解中工序的排列信息，并采样三维概率模型来生成新解，引导算法较快到达优质解区域.局部搜索阶段，设计适合主次目标的搜索策略对优质解区域进一步细致搜索，能增强算法局部搜索能力.此外，通过分析问题特点，提出确定生成解是否可行的快速判断方法以提升算法搜索效率.对不同规模问题实例进行仿真实验和算法比较，验证了考虑主次目标的重要性和增强分布估计算法的有效性.
A*算法是机器人路径规划问题中的重要且常用算法之一，在地形复杂的大型地图中，路径点之间的不可视造成A*算法需要大规模节点拓展才能找到可行的优化路径，由此导致算法对存储空间的需求剧增和求解效率的降低.对此，本文针对基于冲突搜索（Conflict-Based Search，CBS）框架下的低层路径规划问题，引入三角剖分方法，给出固定障碍处理方法，融合可视性优化获得相邻点可视的优化路径，在此基础上提出分段策略，令具有动态冲突处理能力的A*算法依相邻可视点进行分段路径规划，最终获得低节点拓展度A*路径规划算法.通过标准地图数据集的仿真实验表明，在复杂地图下本文提出的算法路径长度为A*算法的98.1%~102.2%，节点拓展量降低85.4%，算法求解时间减少58.1%.
为了提高在大规模网络中发现社区的效率，提出一种基于流式分析的大规模网络重叠社区发现算法（Streaming-based Overlapping Community Detection algorithm，SOCD）.算法对网络中的边进行流式处理，每次只处理一条边且每条边仅被处理一次.根据节点的度、节点对社区的贡献度以及节点移动前后社区间连边数量的变化等信息对节点进行划分.在人工合成网络和真实大规模网络上的一系列实验表明，SOCD算法在时间消耗和内存占用上具有较大的优势，比传统方法快10倍以上，且具有较强的鲁棒性，能够在线性时间和空间复杂度下高效、准确地挖掘网络中的重叠社区结构.
在高维多目标进化算法中，通常利用重组算子产生优质子代来引导种群搜索，已有研究表明，利用相似个体进行重组可以提高子代个体质量.由于自组织映射（Self-Organizing Mapping，SOM）网络能够通过聚类的方式保持种群个体原有的拓扑逻辑关系并获得个体的相似信息，因此本文提出一种基于SOM聚类和自适应算子选择的高维多目标进化算法（Many-Objective Evolutionary Algorithm based on SOM Clustering and Adaptive Operator Selection，MaOEA-SCAOS）.本文首先通过自组织映射网络进行种群分类，提取个体数据结构信息，并利用相似性构建邻域交配池；然后根据类内个体支配信息进行自适应算子选择，提高算法搜索和收敛性能；最后，采用环境选择策略对种群进行多样性管理以保证种群在帕累托前沿均匀分布.仿真结果表明，本文提出的基于SOM聚类和自适应算子选择（SOM Clustering and Adaptive Operator Selection，SCAOS）方法在处理高维多目标优化问题时具有较强的竞争力并且性能指标整体优于其他方法.
业务流程预测可以有效帮助企业进行流程控制和传递高质量服务，因此作为此类场景中的核心任务之一，业务流程剩余时间预测得到国内外学者的广泛关注.当前，在利用深度学习技术对业务流程剩余时间进行预测时，大都采用传统长短期记忆循环神经网络，然而，由于长短期记忆循环神经网络在处理序列数据的过程中缺乏并行性且建模能力有限，使得预测准确度还有进一步提升空间.因此，本文提出一种基于双向准循环神经网络和注意力机制的业务流程剩余时间预测方法.首先，该方法以双向准循环神经网络构建剩余时间预测模型，并在预测模型中融入注意力机制增强双向准循环神经网络输出的特征信息.其次，设计了一种基于不同长度轨迹前缀训练迭代策略，解决流程实例中不同长度轨迹前缀数量存在差异性的问题.最后，提出一种基于Word2vec的事件表示学习方法，实现对同一轨迹且经常出现事件的相似性向量表示，从而达到提高剩余时间预测准确度的目的.经在5个公开事件日志数据集上实验，本文方法与已有方法相比在预测准确度上平均提高近15%，模型训练时间平均缩短约26%.
为实现对颅脑硬膜血肿的快速检测与评估，本研究基于近红外光谱技术（Near Infra-Red Spectroscopy，NIRS）与蒙特卡罗算法建立适用于正问题的5层颅脑组织进行仿真，采用控制变量法以10组血肿厚度模型的出射光子数量为基础，定义源-检测器灵敏度（Source-Detector Sensitivity，SDS）变量参数，构造基于幂律衰减模型和指数律衰减模型的正向函数矩阵.对正问题获取的数据进行数学模型重构即逆问题的实现，以6组血肿厚度进行逆向理论计算，对比参照值，血肿厚度小于0.7 cm，两种函数模型平均绝对误差均小于3.6%；血肿厚度为0.75 cm，幂律衰减模型平均绝对误差比指数律衰减模型小于4.3%，误差小于6.388 6%.结果显示该方法对准确判断是否含有血肿以及血肿厚度预测具有可行性，检测灵敏度与检测距离具有对数相关性，幂律衰减模型比指数律衰减模型预测平均值更接近参照值，构建效果更好.
半导体科学与信息器件是目前最核心的科技领域之一，在国际竞争环境中的重要性愈发凸显.国家自然科学基金委员会支持我国半导体科学与信息器件领域基础和应用基础研究，逐渐形成了由自由探索类研究项目、指南引导类研究项目、人才类项目、国家重大科研仪器研制项目构成的资助格局.本文分析“十三五”至“十四五”期间（2016—2021年）半导体科学与信息器件领域F04代码下各类型项目的申请量、资助率和资助强度.通过历年资助项目题目的热点词云分析，了解半导体行业研究主题和热点变化.依据“十三五”至“十四五”期间半导体科学与信息器件领域的优秀科研成果，分析基金的资助成效.本文旨在为探究信息科学部近年来对半导体科学与信息器件领域的资助特点，也为国内科研院所、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.
基于深度学习的表情动作单元识别是计算机视觉与情感计算领域的热点课题.每个动作单元描述了一种人脸局部表情动作，其组合可定量地表示任意表情.当前动作单元识别主要面临标签稀缺、特征难捕捉和标签不均衡3个挑战因素.基于此，本文将已有的研究分为基于迁移学习、基于区域学习和基于关联学习的方法，对各类代表性方法进行评述和总结.最后，本文对不同方法进行了比较和分析，并在此基础上探讨了未来动作单元识别的研究方向.
群组行为识别目前是计算机视觉领域的一个研究热点，在智能安防监控、社会角色理解和体育运动视频分析等方面具有广泛的应用价值.本文主要针对基于深度学习框架下的群组行为识别算法进行综述.首先，依据群组行为识别方法中“是否包含组群成员交互关系建模”这一核心技术环节，将现有算法划分为“无交互关系建模的群组行为识别”和“基于交互关系描述的群组行为识别”两大类.其次，鉴于“无交互关系建模的群组行为识别方法”主要是聚焦于如何对“群组行为时序过程的整体时空特征的计算和提纯”进行设计的，故本文从“多流时空特征计算融合”“个人/群体多层级时空特征计算合并”“基于注意力机制的群组行为时空特征提纯”3类典型算法进行概述.再次，对于“基于交互关系建模的群组行为识别”，依据对交互关系描述方法的不同，将其归纳为“基于组群成员全局交互关系建模”“基于组群分组下的交互关系建模”和“基于关键人物为主的核心成员间交互关系建模”3种类别分别概述.然后，对群组行为识别相关的数据集进行介绍，并对不同识别方法在各个数据集的测试性能进行了对比和总结.最后，分别从群组行为类别定义的二元性、交互关系建模的难点与不足、群组行为数据集弱监督标注和自学习、视角变化以及场景信息综合利用等方面概述了几个具有挑战性的问题和未来研究的方向.
传统时空混沌系统的分布比较集中，其生成序列的均匀性较差，本文基于初等元胞自动机构造了新型扰动单向耦合映像网络时空混沌系统，系统的分布图和相图数值仿真结果表明了扰动系统能够改善原系统的均匀性，提高系统的动力学复杂性.采用均匀化的扰动时空混沌系统设计了动态S盒生成算法，根据动态更新策略生成动态S盒，对该算法产生的S盒进行非线性度、严格雪崩准则和差分均匀性的统计分析，结果表明均匀化扰动时空混沌系统产生的动态S盒安全性更高.
针对非周期长码直接序列扩频（Non-Periodic Long Code Direct Sequence Spread Spectrum，NPLC-DSSS）信号扩频码盲估计的问题，在已知扩频周期，信息码码元宽度以及码速率的条件下，本文提出了一种基于相似度的伪码序列盲估计方法.该方法通过构造信息码库，利用平均相似度对信息码进行同步，再利用特征值分解对扩频码序列进行估计.仿真实验表明，该算法较现有算法不仅抗噪声性能提高了1 dB，而且能够对信息码同步位置及伪码序列进行联合盲估计.
