本期电子书封面故事整期封面整期目录
优先出版刊期浏览栏目浏览
- 摘要：随着无线通信系统的快速发展，尤其是5G时代的来临，带通滤波器作为射频前端的选频器件被广泛应用于各种系统.近年来，人们对通信的需求日益提升，因此滤波器的小型化、低成本以及高性能等方面的要求成为业内研究的重点.现代工艺技术的发展为带通滤波器的设计提供了多种方法，如使用阶跃阻抗谐振器设计微带带通滤波器、利用互补开环谐振器作为基本谐振单元构造宽带带通滤波器和基于E型双模谐振器设计微带带通滤波器等.然而，这些微带滤波器的尺寸较大，令实现小型化的目标难以实现.由于集总元件具有体积小、成本低、带宽宽、元件间相互作用小等优点，在射频器件设计中发挥着重要作用.相较于基于集成无源器件（Integrated Passive Device，IPD）工艺和低温共烧陶瓷（Low-Temperature Co-fired Ceramic，LTCC）工艺的带通滤波器，这种单层宽带带通滤波器具有更低的生产成本、更少的损耗限制，以及避免了基于表面贴装器件的成本和制造公差等问题.由于其采用交指电容和微带电感的简单实现方式，该方法所设计的滤波器还具有工艺简单和体积小的优点.基于单层印刷电路板（Printed Circuit Board，PCB）工艺，本文提出了一种新型高选择性宽带带通滤波器.该电路结构对称，由多组对称的串联谐振器构建滤波器通带和带外多零点特性.其中，为了增强阻带的抑制能力和滤波器的频率选择性，添加多对接地的串联谐振器在通带左右两侧各增加一个传输零点，两个传输零点独立控制，互不影响.使用奇偶模分析方法对电路进行分析，以求解传输零点，并给出零点解析式.随后，对带通滤波器的传输零点频率、中心频率、3 dB相对带宽以及品质因数等参数变化进行分析.为了实现小型化和低成本的要求，该电路中的所有集总元件均由交指电容和微带电感实现.交指电容是一种多指周期性结构，具有多个几何变量，如指长、指宽、指间间隙、指端间隙和指数等.这些变量使得交指电容的结构具有较大的自由度，同时也增加了结构优化的难度.同理，微带电感的电感值可通过改变其长度和宽度进行调节.为了验证带通滤波器设计方法的有效性，基于单层PCB工艺，对工作在4.52 GHz的滤波器进行仿真、制造和测量，使用HFSS软件对滤波器整体结构进行优化.所用介质基板为Rogers RO4350B，其相对介电常数为3.66，损耗正切角为0.003 7，板厚为1.524 mm.测试结果表明，3 dB相对带宽为38.9%，在中心频率4.52 GHz处插入损耗最小（为1.68 dB），回波损耗优于21.45 dB，谐波抑制水平为7.7~9.4 GHz大于19.6 dB，通带内测试的群时延在0.56~1.2 ns变化.本文展示了一种单层低成本宽带带通滤波器，基于奇偶模电路和解析方程，详细阐述了滤波器的设计原理.该滤波器采用交指电容和微带电感作为集总元件，实现了小型化和低成本.实物测试进一步验证了滤波器的可行性，证明了其性能良好，具有体积小、损耗低、宽频带和选择性好等优点，适用于单层PCB工艺，易于与无线通信系统集成.关键词：带通滤波器;LC谐振器;传输零点;交指电容;微带电感113|66|3<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：认知逆合成孔径雷达（Inverse Synthetic Aperture Radar，ISAR）将认知雷达理论与ISAR成像技术相结合，利用目标与环境的离线先验知识及在线感知结果，提升ISAR在复杂环境下的成像能力.与传统单脉冲雷达相比较，相控阵ISAR可实现波束的快速扫描，因此具备多目标观测能力.在实际空间微动目标成像场景中，相控阵ISAR很可能存在多波束多目标情况.为实现系统效能的充分发挥，需要在系统能量、时间资源有限条件下实现成像任务有效调度.然而，面向成像任务的资源调度方法主要针对刚体目标，其约束条件及调度模型并不适用于微动目标，并且存在求解方法稳定性差、调度成功率不高等问题.此外，微动目标运动形式复杂，回波非平稳性很强，且方位缺损时难以聚焦成像.因此，迫切需要针对微动目标的特性，研究有效的ISAR资源调度和高分辨成像方法.针对上述问题，本文提出基于遗传-启发算法的微动目标认知ISAR成像资源调度方法.该方法首先根据微动目标认知结果计算其成像所需的雷达资源及综合优先级；接着基于脉冲交错技术，在时间、能量双重约束下建立微动多目标资源调度模型.在此基础上，本文提出了基于遗传-启发算法的最优调度求解方法.进一步，针对资源调度导致微动目标回波缺损，难以聚焦成像的问题，本文提出了基于交替方向乘子法（Alternating Direction Method of Multipliers，ADMM）的距离-瞬时多普勒（Range-Instantaneous Doppler，RID）成像方法，从而实现成功调度任务对应微动目标回波的高分辨聚焦成像.实验结果表明，相比于现有资源调度方法，本文所提方法调度结果更为稳定，调度成功率更高，并可实现回波缺损时的微动目标聚焦成像.关键词：认知逆合成孔径雷达;资源调度;微动目标;遗传-启发算法;交替方向乘子法;距离-瞬时多普勒成像26|72|2<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：随着无线设备及其应用呈现指数级增长，以及各种无线技术的出现，电磁频谱环境呈现环境多域、态势多维、应用多样、行为多变、信号密集的复杂特性.通过对海量数据进行即时有效的分析和处理，实现有效的频谱资源管控，对于频谱高效利用和电磁致胜显得尤为重要.以机器学习为代表的智能技术方法为电磁频谱数据分析提供了新的发展机遇，目前其已经应用于无线网络、频谱管理、资源管理等场景.然而，将机器学习应用于电磁频谱空间存在许多挑战.因为电磁频谱空间环境任务动态变化、高质量标记样本稀缺、频谱决策对高实时性的需求、知识利用和迁移困难等难点，现有机器学习算法难以很好地适用于电磁频谱空间的智能认知和决策.以干扰识别的研究为例，传统的技术包括信号特征提取和模式识别两个阶段.随着计算机算力的进步，深度学习技术凭借强大的特征表征能力逐渐占据主导地位.然而电磁频谱空间环境和数据往往存在未知、动态变化等不确定性因素，深度学习难以快速学习和适应未观测到的任务，其泛化性较差，且依赖大量高质量标记样本和人工调整超参数进行离线训练.因此，尽管深度学习在大多数研究场景中展现出了传统机器学习难以望其项背的结果，传统的机器学习图像识别模型仍然在某些场景中具备优势.在干扰识别中，若根据环境和任务特征动态地调度传统机器学习算法和深度学习算法及其超参数，则可以避免单一算法的缺陷，使总体性能得到改善.由此可见，提出一个能够自适应动态环境与任务、不断积累新知识、对错误样本数据具有鲁棒性、部分可解释的学习范式，对于从感知智能向认知智能跨越、迈向通用人工智能具有重要的研究意义和实际应用价值.本文从频谱特性出发，提出了电磁频谱空间机器学习新范式：认知学习，试图在“认知”的层面使用机器学习技术.认知学习范式包括离线训练、在线执行、在线结果反馈、离线自学习过程，对应大脑认知机制的执行控制和内省过程.离线训练探索算法结构和超参数与环境和任务的匹配关系，在线时能够有效地根据实际环境执行快速决策，选择合适的算法和超参数并输出学习结果，同时利用学习结果的反馈传递进行离线自学习的自我优化，形成离线-在线-离线的结构.具体来说，认知特征提取模块建立环境和任务特征与算法类型和超参数之间的匹配关系，从而得到合适的算法类型和超参数；记忆模块调用具体算法和超参数值，进行算法的重构；学习网络模块根据数据执行所选择的算法，输出在线学习结果；认知评估模块对在线学习结果进行内省，调整记忆中的频谱数据库与认知案例库，更新最合适的算法和超参数.在离线阶段，根据当前的学习结果判断是否将其作为新的认知案例存储至记忆空间；认知控制模块重新训练算法和超参数的选择，从而不断优化算法和超参数选择性能.此外，本文揭示了认知学习中的动态匹配定理和最优匹配定理，并根据没有免费午餐定理的思路完成了定理证明.动态匹配定理论证了最优算法和超参数的存在性与动态性，即对于任意环境和任务，总存在一组性能最优的算法和超参数.不同的环境与任务对应不同的最佳算法和超参数，并且本文提出的框架可以为动态环境和任务选择出这组算法和超参数.本文还揭示了最优匹配定理，即当算法和超参数选择的知识增加时，候选的算法类型和超参数搜索空间减小，能够选择到最合适的算法类型和超参数的概率提升.本文设计了一种面向干扰识别的认知学习方案.通过认知特征提取，基于差异性的任务需求和信号模态，对不同问题采取不同算法和超参数产生测试结果，生成认知案例库.将大量认知案例作为训练样本训练算法和超参数选择的神经网络.对于神经网络结构，采用了径向基函数神经网络，其优势是隐藏单元的数量不需要手动设置.当各种问题特征的训练样本数量增加时，隐藏层的大小可以根据近似线性相关准则自动扩展，缓解了神经网络中灾难性遗忘的问题.本文进行了不同数据集和不同识别要求情况下的干扰识别仿真.仿真结果表明，所提框架能适应动态变化的环境和任务、能通过自学习提升性能、能缓解错误标记样本的影响，对电磁频谱空间机器学习的发展具有启发式意义.认知学习的发展仍有进步空间，未来需要从多模态计算、知识的可解释性、大规模任务、学习架构的可扩展性等方向寻求突破.关键词：电磁频谱空间;机器学习;认知学习;算法选择;干扰识别79|96|8<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：为了满足高频段真空器件对阴极提出大电流密度、小电子注尺寸的需求，本文利用聚焦离子束刻蚀技术在通过双离子束辅助沉积技术沉积了锆抑制膜的浸渍钪酸盐阴极表面上制备出发射面直径为100 μm的微型阴极.实验结果显示：沉积的锆抑制膜在370 h内有效抑制了阴极的电子发射；当温度为950 ℃，其发射面的平均电流密度可达到43 A/cm2；当温度为1 000 ℃时，发射区域平均电流密度为58 A/cm2，但抑制区有了轻微发射.为了深入研究阴极微型发射区域的电子发射机理并揭示阴极抑制膜层抑制性能的原因，本文利用第一性原理建立了不同氧原子（O）吸附位以及不同钡原子（Ba）覆盖度的Ba-Sc-O-W原子结构模型和抑制膜层的Zr-Ba-Sc-O-W原子结构模型.研究发现：氧原子吸附的顶位Ba-Sc-O-W发射表面的功函数下降至1.497 eV，与钪酸盐阴极有效功函数为1.41 eV实验测试结果较为相近；随着温度的升高，阴极发射能力增强，但活性物质与Zr结合形成的Zr-Ba-Sc-O-W结构使抑制层抑制性能有所降低（Zr的功函数为4.05 eV，Zr-Ba-Sc-O-W计算所得功函数为3.348 eV）.关键词：微型阴极;电子发射;电流密度;抑制膜;原子结构模型74|63|0<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：鲁棒主成分分析被广泛应用于计算机视觉领域，然而现有鲁棒主成分分析方法难以针对各种场景准确分离出低秩信息，而且计算成本高导致算法的实时性不足.针对这两个问题，本文提出了一种新型鲁棒主成分分析算法.一方面基于先验秩信息提出了低秩约束改进模型，提高算法在不同场景中的泛化性能；另一方面引入了黎曼优化理论，将目标矩阵投影到低维子空间上求解，减少算法的运算复杂度.各种实验结果表明，与现有算法相比，改进算法在速度上有非常大的优势，同时能够保证稳定的恢复能力.关键词：鲁棒主成分分析;计算机视觉;黎曼优化9|67|2<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：LWF链图结构学习旨在发现链图中所有节点的父节点、子节点、邻居节点以及配偶节点.然而，目前最新的LWF链图结构学习算法是基于Growing-Shrinking（GS）思想得到节点的局部结构（即节点的马尔科夫毯）来学习全局网络结构，该类算法的条件独立测试是以整个马尔科夫毯为条件集的，为了保证条件独立测试的可靠性，算法要求样本数量是马尔科夫毯大小的指数级，从而使得算法的数据效率较差.针对该问题，本文提出了一种基于约束的局部-全局LWF链图结构学习算法.该算法通过迭代的学习邻接集和配偶集来降低对数据样本量的要求；与此同时，在学习邻接集时采用后向策略保障了条件独立测试的正确性.算法的基本思想如下：首先学习网络中每个节点的马尔科夫毯，将节点马尔科夫毯学习拆分为学习邻接集和学习配偶集；然后利用节点的马尔科夫毯信息恢复网络骨架，根据链图复合体有向边的特点，利用条件独立测试确定网络复合体有向边，从而恢复链图结构.理论分析证明了该算法的正确性，在仿真数据集和标准数据集上的实验测试验证了算法的有效性.关键词：LWF链图;马尔科夫毯;条件独立测试;数据效率45|75|1<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：由大电流硅绝缘栅双极型晶体管（Silicon Insulated-Gate Bipolar Transistor，Si IGBT）和小电流碳化硅金属-氧化物-半导体场效应晶体管（Silicon Carbon Metal-Oxide-Semiconductor Field-Effect Transistor，SiC MOSFET）并联构成的Si/SiC混合开关具有低成本、高效率的特点.Si/SiC混合开关门极关断延时的控制是提高混合开关效率的关键因素.本文首先研究了在不同工作电流下Si/SiC混合开关关断损耗随门极关断延时的变化，结果表明，Si/SiC混合开关有一个最优的关断延时，此时混合开关的关断损耗最低，并且最优门极关断延时随混合开关工作电流的增大而减小.将所得到的Si/SiC混合开关最优门极关断延时应用在单相全桥逆变器中，实验结果表明，逆变器的转换效率比同等条件下固定关断延时的最高转换效率提高了0.67%.关键词：Si/SiC混合开关;关断延时;逆变器;转换效率57|80|3<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：疾病预测模型通过利用收集到的医疗数据，能够在患者疾病发作前准确地进行疾病预测.目前在疾病预测方面深受欢迎的深度神经网络，它依靠增加网络层数来提升模型的准确率，利用梯度下降来进行权重的更新，而这导致了模型梯度爆炸、训练速度慢等问题.一旦数据更新，深度神经网络需要重新训练，进而导致模型更新困难.宽度学习（Broad Learning System，BLS）无须梯度下降的特性与其可通过增量学习快速重构的优势为有效解决上述问题提供了技术方案，但是BLS无法提取到隐藏在医疗数据中深层次的特征，其在复杂的医疗环境下仍然表现不佳.针对该问题，本文提出一种基于降噪自动编码器（Denoising AutoEncoder，DAE）与宽度学习的增量式疾病预测模型——DAE-BLS.所提模型将DAE引入BLS的架构设计中，结合了DAE在混乱环境下的降噪能力与BLS的简洁快速的特点，既保证了高效的运算能力又增强了特征提取能力，因而更适用于复杂医疗环境.将DAE-BLS在包含不同格式以及不同数据量的糖尿病、心力衰竭、心电异常和乳腺癌数据集上进行模拟预测实验，实验结果表明，DAE-BLS能够在保留宽度结构的神经网络快速高效特点的同时，在不同格式的数据上表现出很好的性能，分别达到96.62%，94.53%，98.50%与83.64%的准确率，并能在需要更改模型结构时通过增量学习技术快速重构以适应用户不断变化的疾病数据.关键词：神经网络;自动编码器;疾病预测;宽度学习;增量学习;智慧医疗13|90|1<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：制备了不同栅极宽度的AlGaN/GaN高电子迁移率晶体管，通过测量各器件电容-电压曲线和转移特性曲线，得到了栅沟道载流子输运特性以及亚阈值摆幅，结果显示当栅极宽度从10 μm增加到50 μm时，亚阈值摆幅下降了40.3%.定性且定量地分析了亚阈值摆幅值随栅极宽度变化的原因，发现不同的栅极宽度对应不同的极化散射强度，亚阈值摆幅的变化是由栅沟道载流子输运特性和极化散射效应造成的.为AlGaN/GaN高电子迁移率晶体管开关性能优化提供了新的视角与维度，将促进其更好地应用于无线通信、电力传输以及国防军工领域.关键词：AlGaN/GaN高电子迁移率晶体管;亚阈值摆幅;极化;散射42|114|2<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：传统Mextram模型基于雪崩倍增电流源
- 摘要：针对目前常用的基于参数化非线性模型（Parameterized Nonlinear Model，PNM）的补偿算法存在易陷入局部最小值，导致补偿性能不稳的问题，该文提出了基于最小二乘支持向量机（Least Squares Support Vector Machine，LS-SVM）的宽带接收前端非线性补偿算法.该算法基于减谱-时频变换法（Spectrum Reduction Algorithm based on Time-Frequency Conversion，SRA-TFC）盲分离接收前端输出信号中的大功率基波信号和其他小功率信号，并以此作为LS-SVM逆模型的训练输入-输出样本对.引入最小二乘支持向量回归（Least Squares Support Vector Regression，LS-SVR）算法高精度拟合接收前端非线性逆模型.通过以宽带接收前端的输出信号为测试样本消除其非线性失真分量.仿真与实测结果表明：该算法可使宽带接收前端的无杂散失真动态范围（Spurs-Free-Dynamic-Range，SFDR）提高约20 dB，较基于PNM的补偿算法提高了约5 dB.关键词：宽带接收前端;非线性补偿;最小二乘支持向量机;最小二乘支持向量回归算法;无杂散失真动态范围45|85|4<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：提出了一种基于视频先验信息的轻量化去噪卷积神经网络.先验信息从近邻的多帧视频图像中获取，采用了基于预去噪的视频运动补偿方法消除噪声和运动偏移对信息获取准确度的影响.为降低卷积神经网络复杂度，构建了基于双路处理的卷积神经网络用于去除视频噪声，特别是设计了双路稠密连接单元，实现了网络的轻量化.双路稠密连接单元通过高、低分辨率特征分解和特征拼接，有效降低了网络复杂度.实验结果表明：采用本文方法去除视频噪声能够获得较好的客观评价结果和主观视觉结果.此外，在减少网络参数、降低浮点运算次数和提升运行速度方面均体现出了良好性能.关键词：视频去噪;卷积神经网络;先验信息;轻量化网络;特征40|65|1<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：本文针对双层异构网络，提出一种利用当前和过期发射端信道状态信息（Channel State Information at the Transmitters，CSIT）的异构空时干扰对齐（Heterogeneous Space-Time Interference Alignment，HSTIA）方案.该方案将空时干扰对齐拓展至双层异构网络MISO（Multiple Input Single Output）混合信道，研究可达自由度关于CSI（Channel State Information）反馈时延的折中域.结果表明，增加发射端天线数能有效提高可达自由度.基于该结论，将空时干扰对齐技术扩展至双层异构网络MIMO（Multiple Input Multiple Output）混合信道，分析MIMO系统发射端与接收端天线数比对系统自由度的影响，并进一步研究系统达到该自由度时CSI反馈时延的取值范围.结果表明，当发射端与接收端天线数比足够多时，系统自由度的稳健性随接收端天线数的增加而加强.通过仿真分析验证，HSTIA方案利用本地当前和过期CSIT执行发射预编码，实现不同时隙的干扰信号相互消除，从而获得自由度增益，以提高系统的可达速率.关键词：双层异构网络;自由度;空时干扰对齐;CSI有限反馈16|78|0<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：Pansharpening通过在多光谱图像中注入全色图像的空间细节，从而获得高分辨率的多光谱图像.但细节注入的同时，可能会引起光谱失真.为了提高融合图像的光谱保真，本文提出了一种空谱结合的Pansharpening方法.充分利用全色和多光谱图像之间潜在的光谱关系，对全色图像的光谱信息进行增强，继而将增强后的全色图像细节注入多光谱图像中，并建立了统一的变分Pansharpening模型，同时实现了融合图像的光谱信息保持和空间结构细节增强.在不同数据集上进行的数值实验表明，相比现有的Pansharpening方法，本文所提方法具有比较好的融合效果，尤其在光谱保真方面，更具有一定的优势.关键词：Pansharpening;多光谱图像;全色图像;光谱映射;细节注入49|65|1<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：频谱监视对电磁环境的频谱态势掌握至关重要.特别地，用无人机集群作为执行对象，可以提高监视效率，节省大量人力成本.本文针对频谱监视任务，设计了用于评估监视效果的评价函数，提出了一种基于人工势场的数字信息素无人机集群安全控制算法.该算法使用数字信息素矩阵来模拟电磁空间的搜索状态，并通过在集群内的个体之间建立信息素势场以实现自适应的无人机集群分布式航迹规划.周期性的采样和插值解决了未知域的优先级矩阵更新问题，引导无人机优先监视频谱热点区域.不同于已有的基于飞行概率的决策算法，本文算法充分利用了数字信息素所映射的环境信息，可以避免无人机陷入局部状态的重复搜索，适用于动态频谱环境.仿真实验表明本文的决策算法在静态和动态频谱监视场景下均能使评价函数快速收敛，达到较好的监视效果.关键词：频谱监视;无人机集群;数字信息素;人工势场23|65|3<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：集成电路中插入测试点是芯片测试中不可或缺的环节，其方法是通过在电路上插入一定数量的测试点来提高芯片的故障覆盖率.集成电路测试是整个设计流程中不可或缺的关键步骤之一.为了进一步缩短测试时间和提高芯片良品率，越来越多的国内外学者们从事集成电路测试方法的研究.通过对插入测试点故障覆盖率的HTPI（Hybrid Test Point Insertion）方法深入研究，提出了结合测试点质量对测试点进行约简的RHTPI（Reduction of Hybrid Test Point Insertion）方法.此方法在保证故障覆盖率相等的情况下，有效提高了测试点选择的效率.从测试点覆盖率特征出发提出负质量测试点概念，依据负质量测试点对测试点集合进行约简，进而减小需要计算测试点集合的规模，有效缩短了求解时间.为避免负质量测试点删除部分具有较高覆盖率的测试点，提出了结合自适应系数的自适应负质量测试点的概念，依据自适应负质量测试点对测试点集合进行约简，进而在保证故障覆盖率相等的情况下有效提高了测试点选择效率.在标准测试用例上的实验结果表明，与HTPI方法相比，RHTPI方法计算候选测试点最小减少率为0.16%，最大减少率为44.56%，平均为24.56%，其求解效率最低提高了1.03，最高提高了2.37，平均提高了1.52，有效提高了测试点选择效率.本文给出的方法有效减少了芯片测试时间，进而缩短了芯片设计周期.关键词：测试点插入;测试点;约简;电路测试;集成电路16|63|1<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：该文针对广泛应用的TLS1.3协议，提出了一种高性能的椭圆曲线密码处理器.该处理器支持TLS1.3协议中定义的两类素数域椭圆曲线的通用模数.通过对高基蒙哥马利算法的改进，提出了一种支持521 bit及以下位宽的模乘运算单元，并提出了一种双模乘单元并行结构的标量乘法器.基于该结构在两类椭圆曲线下设计了雅阁比坐标系下并行的点运算时序排布，使模乘单元的利用率在不同点运算情况下达到100%，95.4%和86.5%.与现有设计相比，本文中标量乘法运算消耗的周期更少，运算单元利用率更高，在相似的时间面积乘积前提下，具有更强的通用性和可配置性的优势.在TSMC 55 nm CMOS工艺下达到454 MHz的时钟频率，等效逻辑门数851k，Secp256r1曲线的标量乘运算速度为31 230 times/s.关键词：椭圆曲线密码;多曲线;通用模数模乘;蒙哥马利模乘;安全传输层协议39|93|3<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：本文研究了一种用于5G通信的射频微系统与天线一体化三维扇出型集成封装技术.通过在玻璃晶圆上使用双面布线工艺，实现毫米波天线阵列的制作.将TSV转接芯片与射频芯片倒装焊在玻璃晶圆上，再用树脂材料进行注塑，将玻璃晶圆与异构芯片重构成玻璃与树脂永久键合的晶圆.减薄树脂晶圆面漏出TSV转接芯片的铜柱，在树脂表面上完成再布线.把控制、电源管理等芯片倒装焊在再布线形成的焊盘处，植上BGA焊球形成最终封装体.利用毫米波探针台对射频传输线的损耗进行测量，结果表明，1 mm长的CPW传输线射频传输损耗在60 GHz仅为0.6 dB.在玻璃晶圆上设计了一种缝隙耦合天线，天线在59.8 GHz的工作频率最大增益达到6 dB.这为5G通信的射频微系统与天线一体化三维扇出型集成提供了一个切实可行的解决方案.关键词：天线封装;扇出型封装;射频微系统;5G通信;三维集成96|87|0<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：在超大面阵CMOS图像传感器（COMS Image Sensor，CIS）中，由于像素面阵输出的列总线上存在超大的寄生电阻电容，列总线信号建立速度的主导因素发生改变，严重影响了读出速度.为了解决这一问题，本文提出了一种可应用于超大面阵CIS列并行读出机制的列总线自加速建立方法，基于电流增益增强理论，在不引入额外总线的前提下，通过对模拟信号建立过程的实时跟踪，加快列总线信号的变化过程，在列总线终端实现了自加速，将超长列总线的读出速度提升了一个数量级.55 nm工艺下的测试与实验结果显示，采用本文提出的方法后，在亿级像素规模CIS列总线引入的寄生电容与寄生电阻分别为47 pF和20 kΩ的情况下，光电信号从像素节点到列级电路采样节点的上升建立时间由4 μs缩短至790 ns，下降建立时间由22.43 μs缩短至1.17 μs，将亿级像素规模的CMOS图像传感器帧频提升至100帧，压缩了相关双采样的取样间隔时间，从而拓宽了噪声抑制的频率范围.本文方法实现了在保持低噪声和高速读出的同时，单列功耗仅有6.6 μW.关键词：CMOS图像传感器;列并行;相关双采样;低噪声;高速读出64|67|5<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：以深度学习为代表的数据分析应用越来越多依赖分布式文件系统存储管理大规模数据集. 为了增强数据访问的兼容性，现有分布式文件存储系统通常需提供标准POSIX接口，以支持深度学习等应用的无缝对接. 然而，以内核模块形态开发提供POSIX接口的文件系统非常复杂耗时. 近年来，用户态文件系统（Filesystem in Userspace，FUSE）框架大幅简化了文件系统的开发工作，已被Alluxio和Ceph等诸多知名分布式文件系统使用. 目前常用的用户态FUSE库libfuse仅提供C语言编程接口，但现有大数据分布式文件系统基本都是基于Java语言开发的（例如HDFS和Alluxio等），为了使基于Java语言开发的分布式文件系统可以对接C语言开发的FUSE库，需采用跨语言FUSE框架作为中介. 跨语言FUSE框架利用跨编程语言的函数回调机制，使操作系统FUSE库的C语言函数可以跨语言的调用分布式文件系统提供的Java语言编程接口，从而为大数据分布式文件系统提供标准POSIX接口的访问能力. 但在数据密集型应用中，现有跨语言FUSE框架的执行效率低，导致数据密集型作业（深度学习、大数据分析等）中数据I/O耗时占据了显著的性能开销，成为新的潜在性能瓶颈. 针对此问题，本文首先评估分析了重要且广为使用的跨语言FUSE框架JNR-FUSE的性能，发现并定位其在高并发和小文件场景下存在的性能瓶颈；接着从多方面剖析性能瓶颈根因，进而总结出高效跨语言FUSE框架的性能优化方向，并面向Java语言设计实现了跨语言FUSE框架JNI-FUSE. JNI-FUSE利用延迟分离和元信息缓存等优化技术降低跨语言函数回调开销，从而提升跨语言FUSE框架的性能. 实验结果表明，对比当前性能最好的Java FUSE框架JNR-FUSE，本文提出的JNI-FUSE带来了1.15~6.04倍的FUSE框架性能提升和1.90~2.71倍的文件系统端到端性能提升，并为上层深度学习训练任务带来了1.06~1.73倍的训练加速. 本文设计提出的JNI-FUSE（Java Native Interface-Filesystem in User SpacE）因性能优势，已被知名开源分布式文件系统Alluxio官方接受集成.关键词：POSIX;用户态文件系统;跨语言;性能优化;Java原生接口39|83|1<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：针对由于拍摄视角不同，目标图像在水平或垂直方向发生拉长或压缩等仿射变换，进而无法正确识别的问题，本文设计了一种几何与仿生融合的特征提取方法.首先，对传统的角点和直线检测进行改进，提出自适应Harris角点检测方法和去冗余的直线检测方法，并将角点数、直线数和面积比向量作为几何特征.然后，采用生物启发变换算法提取图像的仿生启发特征，该算法包括两个阶段，每个阶段均需执行方向边缘检测和局部空间频率检测.接着，将输入图像的两种特征向量分别与标准数据库中的特征向量进行Pearson相关距离计算，获得匹配得分.最后，在考虑不同数据库两种特征区分性强弱的基础上自适应确定权值，最高融合分数所对应的标签即为该图像的识别结果.实验结果表明，该方法能较好地提取图像的仿射不变特征，并且该方法在Alphanumeric，MPEG-7，GTSRB和MNIST数据库的识别准确率分别为92.2%，96%，90%和87.3%.关键词：自适应Harris角点检测;去冗余的直线检测;几何特征;仿生启发特征;仿射目标识别58|77|1<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：特征选择（Feature Selection，FS）是一种有效的数据预处理方法，它可以通过选择高维数据中一组具有高相关性和低冗余性的特征，从而解决数据冗余引起的维数灾难.目前许多计算方法已经被应用于求解FS问题，其中基于教与学优化（Teaching and Learning-based Optimization Algorithm，TLBO）的特征选择模型由于其高效的全局搜索能力受到越来越多学者的关注.然而，随着数据规模的不断扩大，这些算法所具有的模型不稳定、模型精确度低和局部搜索能力差等局限性，使算法的研究逐步陷入困境.为解决上述问题，本文提出了融合教与学优化算法与局部搜索方法（Local Search，LS）的混合进化Wrapper算法模型（Teaching and Learning-based Optimization- Local Search Algorithm，TLBOLS）.首先，由于传统的教与学优化算法不能直接用于求解特征选择问题，算法在初始化阶段将实数型编码转为二进制编码，然后为保证种群的多样性，在教阶段引入最差个体重启机制，并针对进化班级过程中学习者与教学者两种身份采用不同值的TF值，提出二进制的教与学特征选择算法（Binary Teaching and Learning-based Optimization-Local Search Algorithm，BTLBOLS）.随后，提出结合多操作的局部搜索方法和变邻域搜索逐渐增强扰动力度，提高整个种群的个体质量.为优化特征选择结果，BTLBOLS利用综合评价指标作为目标函数指导整体进化过程.实验选取45个高维癌症基因表达数据集进行测试并与十种特征选择算法相比，实验结果表明，相比其他算法，BTLBOLS在分类准确率和特征个数上都具有一定优势，算法分类性能有效提高.关键词：教与学优化算法;局部搜索;新型Wrapper混合特征选择算法;特征选择;分类;基因表达数据52|72|4<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：碳纳米材料互连线由于其良好的电学、热学和力学特性，成为研究热点.随着技术节点的缩减，串扰效应对电路的影响愈加显著.本文针对单壁碳纳米管束（Single Walled Carbon Nanotube Bundles，SWCNT）、多壁碳纳米管束（Multi Walled Carbon Nanotube Bundles，MWCNT）、单层石墨烯（Single Layer Graphene Nano-Ribbon，SLGNR）及多层石墨烯（Multi Layer Graphene Nano-Ribbon，MGLNR）的互连线，研究了统一的等效RLC模型，并构建了单粒子串扰（SEC）的等效电路，对比分析了四种互连线在32 nm，21 nm和14 nm技术节点下的SEC峰值电压和脉冲宽度.结果表明，与铜互连线相比，碳纳米材料互连线的SEC较弱，但对传输信号的衰减作用较大，综合信号衰减和耦合作用程度，SWCNT和MLGNR更能有效抑制SEC的传播和影响.最后，本文利用灰色理论，分析了SEC与RLC参数之间的潜在关联性.关键词：碳纳米管;石墨烯;互连线;单粒子串扰15|82|1<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：基于深度图的3D手部姿态估计通常需要大量人工标注数据以达到高精确度和鲁棒性，然而关节点标注过程冗杂且存在一定误差.现有研究工作使用自监督方法解决对标注数据的依赖，通过在虚拟数据集上预训练网络，并在无标注的真实数据集上进行模型拟合，实现3D姿态估计.自监督方法的关键在于设计模型拟合的能量函数以减小模型在真实数据集上的精度下降程度.为了减小模型拟合难度，本文提出局部深度一致性损失，依据初始姿态估计结果，提取输入与输出深度图的局部表征，将深度图显式地解耦为以关节点为中心的不同区域.通过有针对性地对不同关节点进行局部优化，减少虚拟与真实深度图之间的固有领域误差对网络学习的影响，增加训练的稳定性.本文方法在NYU数据集上相比基础方法平均关节点误差提升了21.9%.关键词：自监督;手部姿态估计;局部一致性;深度图;深度学习29|74|1<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：在实际场景中，接收机截获的雷达脉冲信号信噪比较低、多径干扰明显，从中提取的辐射源指纹特征存在畸变，给雷达辐射源个体识别带来严峻挑战.针对该问题，本文提出一种两阶段的信号处理方法.在第一阶段，以精确的脉冲对齐和迭代加权积累提高信号质量，解决低信噪比问题.在第二阶段，定义信号频谱相邻点前向商的绝对值为谱邻点商，并提取信号频谱主瓣和第一旁瓣对应的谱邻点商作为抗多径的指纹特征，解决多径干扰问题，同时利用Chirp-Z变换的局部精细化谱分析能力，进一步提高本文方法的计算精度和速度.仿真实验表明本文方法在脉冲对齐和克服多径干扰方面表现突出.实测数据实验对截获自15部同型号雷达的单频脉冲信号进行分类识别，获得超过97%的识别准确率，证明本文方法对多径条件下的雷达辐射源个体识别实际应用具有重要参考价值.关键词：雷达辐射源个体识别;脉冲信号对齐;信噪比增强;多径效应;Chirp-Z变换;指纹特征54|93|4<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：针对卫星通信网和无人机通信网共享频谱资源构成的星空认知网络，提出了一种基于用户非完美信道状态信息的分布式鲁棒波束成形算法，以提升网络的频谱效率和传输可靠性.在所有信道误差均服从复高斯分布的条件下，建立以总的发射功率最小化为目标函数，以用户信干噪比中断概率约束满足要求为约束的联合优化问题.通过引入松弛变量，将非凸的联合优化问题转换成两个独立的分布式优化问题，并进一步提出利用舒尔补和拉格朗日对偶的迭代算法得到卫星和无人机网络的波束成形权矢量.计算机仿真验证了所提算法的有效性和优越性.关键词：星空认知网络;分布式优化;鲁棒波束成形;拉格朗日对偶10|74|0<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：合成孔径雷达（Synthetic Aperture Radar，SAR）人体成像技术凭借其高分辨、强穿透、易部署和高安全性，已成为SAR拓展至日常民用领域的关键技术之一.然而现有SAR人体成像方法大多针对固定场景下的静态人体目标进行合作式成像，难以满足开放场景非合作成像应用的需求.为此，本文基于人体运动的块稀疏性与一致性约束，提出了一种面向非合作运动人体的视频SAR（Video SAR，ViSAR）成像方法.该方法首先结合ViSAR子孔径快速成像技术，简化人体非刚性运动模型，建立非刚性运动相位误差参量模型；随后结合人体运动的块稀疏性与时间连续性，基于正交匹配追踪（Orthogonal Matching Pursuit，OMP）稀疏恢复算法估计人体运动相位误差；最后基于一致性交替方向乘子法（Consensus Alternating Direction Multiplier Method，CADMM）优化框架，保留人体目标局部结果的一致性共有特征，从多个局部补偿结果集中优化出人体的全局聚焦成像结果，实现人体的非刚性运动补偿与全局精细优化.实验结果表明该文所提方法可实现非合作走动人体的视频化高分辨精细成像.关键词：视频合成孔径雷达成像;运动人体成像;非刚性运动误差补偿;非合作成像33|68|1<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
学术论文
- 摘要：高光谱成像是遥感领域的一项先进技术，它能够收集和处理来自不同波段的电磁光谱信息，包括可见光、近红外和红外波段.由于高光谱成像技术能够检测到光谱信息的细微变化，因此，其在区分不同类型的地物方面取得了不错的成果.近年来，高光谱图像分类在城市规划和植被监测等应用中引起了许多研究者的关注，其主要目的是将图像中的每个像素分类到一个有意义的类别中.然而，高光谱图像数据量大、特征维数高的问题给像素的精确分类带来了一定挑战.如何有效提取高光谱图像的空谱特征已成为高光谱图像分类中最重要的问题之一.在过去的几年里，深度学习技术依靠强大的特征提取能力，在高光谱图像分类中具有不错的表现.其中，基于图神经网络（Graph Neural Network，GNN）的方法凭借其处理不规则数据的出色能力，为高光谱图像分类提供了新的研究方向.图神经网络是一种能够直接处理图结构数据的深度学习模型.在图神经网络模型中，每个图节点表示一个样本，每条边表示一对样本之间的关系.图卷积操作通过在图节点之间传播信息，来学习图节点的表征，从而模型能够捕捉到图节点之间的复杂关系，并实施诸如节点分类和链接预测的任务.通过将高光谱图像转换为图结构，图神经网络能够在卷积过程中提取图像的空谱特征.其中，每个节点对应于一个像素或区域，像素或区域之间的关系被表示为边.本文从图神经网络的构图方式、图卷积类型、模型架构和优化策略4个角度，梳理了当前基于图神经网络的高光谱图像分类方法的研究内容和进展，并为该领域的技术研究提供了多层次的对比分析.在基于图神经网络的高光谱图像分类方法中，图结构的构建是一项非常重要的任务.目前，主要存在两种基于高光谱数据的建图方法，即基于像素和基于区域的方法.在基于像素的建图方法中，每个像素都被视为一个图节点，这也是构建图结构最直接的方法.其中，每对图节点之间的权重可以由网络预先计算或学习.考虑到基于像素的建图方法复杂度较高，研究者开发了基于区域的建图方法.此类方法将图像的区域作为图节点，目前已被广泛应用于高光谱图像分类方法中.基于区域的建图方法可以有效减小图结构的尺寸，从而实现高效的图卷积运算.此外，图卷积类型的选择也是基于图神经网络的高光谱图像分类中的一个重要问题.当前的图卷积操作主要包含两种类型，即基于谱域的图卷积和基于空间域的图卷积.基于谱域的图卷积从图信号处理的角度引入了滤波器，通常具备较为坚实的数学基础，并且在高光谱图像分类中得到了较为广泛的使用.与基于谱域的方法不同，基于空间域的图卷积利用加权平均函数直接对每个图节点的邻居进行卷积.因此，基于空间域的图卷积通常表现出更强的灵活性和泛化能力.同时，模型架构的选择在基于图神经网络的高光谱图像分类中同样关键.目前主要存在两种类型的模型架构，即单一型和混合型.基于单一型架构的方法仅使用单一类型的深度模型（即图神经网络），早期的基于图神经网络的高光谱图像分类方法大多采用这一架构.然而，图神经网络模型本身存在一些固有的缺陷，这一定程度上限制了单一型架构方法在高光谱图像分类任务中的表现.为了缓解图神经网络模型的固有缺陷，进一步提高算法在高光谱图像分类任务中的性能，研究者开始探索将图神经网络与其他深度模型相融合的混合型模型架构，从而能够利用不同子模型来捕捉高光谱图像中多种类型的空谱特征.模型优化策略的选择对于算法性能也有着显著的影响.目前主要存在两种模型优化策略，即全批量梯度下降和小批量梯度下降.全批量梯度下降法会遍历所有样本计算一次损失函数，然后根据各个参数对应的梯度来更新模型参数，这种优化策略通常用于基于谱域的图神经网络模型.然而，由于每一次的参数更新都会涉及所有样本，因此全批量梯度下降法的复杂度通常较高，尤其是像素或超像素数量较多时.为了提高训练效率，研究者提出使用小批量梯度下降进行模型优化.其中，损失可以根据每个子图计算得到.由于每个子图的规模比原始图结构小得多，因此小批量梯度下降策略通常具有很高的效率.尽管图神经网络模型已经在高光谱图像分类任务中取得了一定成果，但现有方法仍存在一些问题有待改进.例如自适应邻域构建，即邻域的大小和形状可以根据图像的不同区域变化.现有的基于图神经网络的方法通常假设邻域大小和形状是固定不变的，而这一假设对于图像的所有区域而言可能并非最优.此外，另一个问题是可伸缩性和准确性之间的权衡.图神经网络在获得可伸缩性的同时，无可避免地会对原始数据的完整性造成损伤.然而，保持数据的完整性对模型学习是至关重要的.因此，越来越多学者开始研究能够同时保证可扩展性和高分类精度的图神经网络方法.同时，由于高光谱图像可能包含各种类型的噪声，因此噪声的处理亦是一个值得关注的问题.大部分现有的图神经网络方法对噪声不具有鲁棒性，这更加凸显了开发噪声鲁棒图神经网络方法的必要性.总的来讲，由于基于图神经网络的方法能够有效提取高光谱图像中的空谱特征，其在高光谱图像分类领域展现了巨大的潜能.本文从不同角度回顾并总结了当前基于图神经网络的高光谱图像分类方法，包括建图方式、图卷积类型、模型架构和优化策略.同时，还分析了高光谱图像分类所面临的挑战和图神经网络算法的特点，并探讨了未来潜在的研究方向.随着图神经网络方法的不断发展，高光谱图像分类有望在各个领域取得更高的精度和更广泛的应用.关键词：高光谱图像分类;图神经网络;图机器学习;半监督学习;深度学习32|109|9<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
- 摘要：增量学习是近年来机器学习领域的一个重要的研究方向，它能高效地进行知识迁移却不产生遗忘.与静态模型相比，动态网络可以根据不同的输入调整其结构或参数，从而在准确性、计算效率和适应性等方面具有显著的优势.本文从动态架构角度出发，根据动态网络中的自适应选择方式，对当前增量学习模型中所涉及到动态神经网络进行了系统化的总结.文中首先了阐述了增量学习研究进展和定义，归纳了增量学习的学习场景.其次根据动态路由选择粒度的不同，将增量学习的动态神经网络划分为基于任务的动态选择、基于模块化的动态选择、基于神经元的动态选择、基于卷积通道的动态选择和基于权重的动态选择，并对常用的增量学习模型分类进行了阐述和比较.最后归纳了一些常见数据集，并对未来的研究方向进行展望.关键词：增量学习;动态神经网络;深度学习;灾难性遗忘;自适应选择19|68|3<HTML><网络PDF> <Meta-XML>更新时间：2025-12-08
综述评论
