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：群体智能作为人工智能的重要前沿研究方向，在复杂环境感知、分布式决策、协同执行以及无人系统集群控制等领域具有广阔应用前景。多无人机系统作为群体智能的重要物理载体，因其高机动性、部署灵活性和协同能力强等特点，在灾害救援、区域巡检、目标搜索、环境监测和应急通信等场景中展现出重要应用价值。然而，现有多无人机一致性控制研究大多基于理想通信假设，通常默认通信链路持续可用、信息传输精确且网络攻击可忽略，因而难以适应复杂、开放、动态的实际网络环境。尤其在开放网络条件下，通信网络往往同时受到有限带宽和拒绝服务（Denial-of-Service， DoS）攻击的双重影响，有限带宽限制了无人机间状态信息的连续高精度传输，DoS攻击则会导致通信链路间歇性中断，使控制输入更新受阻、跟踪误差增大，甚至影响系统稳定性。因此，研究带宽受限与DoS攻击共同作用下多无人机系统的分布式一致性跟踪控制问题具有重要理论意义和工程价值。针对上述问题，本文研究了DoS攻击和通信带宽受限双重约束下多无人机系统的一致性跟踪控制问题，提出了一种基于有限量化通信的分布式控制协议。针对周期采样通信机制，构建了包含自适应缩放因子的动态量化函数，使量化器工作范围能够根据系统状态变化在线调节，从而在降低通信负载的同时提高量化机制对状态演化的适应能力，避免固定量化范围下可能出现的量化精度不足和量化饱和问题。为减弱DoS攻击导致通信中断对系统协同性能的不利影响，进一步引入状态估计机制，在通信受阻期间利用系统模型和本地信息对邻居状态进行预测与补偿，使各无人机仍可维持控制输入更新，从而提高系统在攻击环境下的连续运行能力和抗干扰能力。基于Lyapunov稳定性理论，本文对闭环系统的稳定性和一致性跟踪性能进行了严格分析，建立了DoS攻击持续时间、攻击频率、采样周期、控制增益矩阵与量化参数之间的内在关系。研究结果表明，当DoS攻击持续时间和攻击频率满足给定上界约束时，通过合理设计控制增益矩阵、采样周期及量化器参数，可保证多无人机系统在有限量化通信条件下实现对领导者的渐近一致性跟踪，并保证动态量化器在整个控制过程中始终处于非饱和状态。数值仿真结果进一步表明，所提出的分布式量化控制协议在DoS攻击和通信带宽受限共同作用下仍能保持良好的跟踪精度、通信效率和抗攻击鲁棒性，验证了所提方法的有效性与优越性。关键词：多无人机群体智能系统;拒绝服务攻击;分布式控制;一致性跟踪;动态量化;有限通信带宽222|135|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：随着多智能体强化学习算法的快速发展，智能体在博弈任务中的协作与竞争能力得到了显著提升。然而，面对实际场景中环境的动态变化，智能体策略在跨环境迁移中的性能波动问题日益凸显。尽管当前已涌现出对抗训练、域随机化等鲁棒性增强技术，但现有的鲁棒性评估体系仍存在明显局限。现有方法往往仅关注平均奖励等单一性能指标的变化，忽视了碰撞次数等反映安全性或稳定性的特征，难以全面衡量策略的稳定性。此外，由于缺乏统一的测试基准，不同研究常依赖特定的实验环境参数设定，导致算法难以在不同的场景条件下进行公平的横向比较。这些局限制约了博弈策略的实际落地与迭代优化。为此，本文提出了面向多智能体博弈策略的多维自适应融合鲁棒性评估方法，旨在通过数学形式化建模实现对策略稳定性的量化分析。首先，本文设计了基于条件变异系数（Conditional Coefficient of Variation， CondCV）的鲁棒性评分指标（Robustness Score， RS），用于精确捕捉并融合多种基础评测指标在环境扰动下的波动特征。通过消除指标间的量纲差异，该方法构建了一种标准化的通用度量，具备良好的自适应性与评估公平性，广泛适用于多智能体协作、对抗等各类环境下的策略评估。同时，针对多维指标权重的分配，本文提出基于α-Rank演化博弈的权重自适应融合框架。该框架将指标间的排序一致性建模为博弈过程，通过计算稳态分布获得客观权重，并与先验权重进行动态融合，有效平衡了指标的客观稳定性与专家先验知识。为验证方法的有效性，本文基于Isaac Sim平台自主构建了高度可配置的实验环境，涵盖对抗与协作两类典型的多智能体博弈场景，并集成多种主流算法开展了系统性的实验验证。实验结果表明，该评估方法可有效度量策略在不同环境设定下的稳定性，具备多维波动捕捉能力和跨任务通用性，为算法优化与评估提供了理论支持和参考。最后，本文探讨了评估方法在虚实迁移中的应用潜力，并提出了相应的可行方案，为未来研究提供了参考。关键词：多智能体强化学习;评测基准;鲁棒性评估;自适应融合;博弈策略242|154|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：异构多智能体系统任务分配问题是多智能体领域的核心问题之一。该问题要求将具有不同能力类型的异构智能体合理分配到需多智能体协作完成的任务中，在实际应用场景中存在的任务新增、智能体失效等动态事件，进一步增加了问题的复杂性。针对现有方法计算代价高昂、难以有效建模异构个体与任务间的复杂依赖关系，以及动态场景自适应决策能力差的问题，本文提出了一种基于图注意力网络的异构多智能体系统动态任务分配方法。该方法引入了动态图构建机制建模异构智能体与任务间的复杂交互关系，并通过节点与边的实时更新实现对动态变化场景的表征。同时本文设计了基于图注意力机制的编解码架构，通过为不同边分配独立的注意力通道解耦异构节点的特征语义，并结合指针式解码器实现了能力与需求的匹配及对变长输入的适应。针对大规模任务分配下的稀疏奖励难题，本文提出了涵盖任务规模与环境动态性双维度的多阶段课程学习策略，通过平滑优化曲面引导策略逐步收敛。仿真实验结果表明，所提方法在动态场景下保持100%的成功率，完成时间较基于学习的对比方法降低了4%～8%，较贪婪算法降低约23%，在大规模场景下仍能保持毫秒级决策速度和高质量的分配结果，验证了方法在动态适应性、规模扩展性和分配方案质量方面的综合优势。关键词：异构多智能体系统;动态任务分配;图注意力网络;深度强化学习;课程学习279|230|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：本文研究非平衡有向通信图下欧拉-拉格朗日群体智能系统的分布式时变优化问题。考虑由多个具有欧拉-拉格朗日动力学的智能体组成的群体智能系统，其信息交互建模为强连通且非平衡的有向图，每个智能体拥有私有的局部时变代价函数，目标是为每个智能体设计控制输入，使所有智能体实时状态达成一致并共同收敛至全局代价函数的时变最优解。实际应用中，通信拓扑非平衡导致的加权一致性偏差、时变代价函数引起的解漂移，与系统固有的非线性及参数不确定性交织耦合，为设计分布式优化算法带来了严峻的理论挑战。为克服上述挑战，本文提出一种融合分布式优化器与自适应控制器的新型双层算法框架。在优化层，设计了一种适用于非平衡有向图的分布式优化器，通过在线估计拉普拉斯矩阵零特征值对应的左特征向量以消除通信拓扑的非平衡性影响，同时引入时变梯度补偿器以动态修正最优轨迹漂移，生成参考速度信号。在控制层，针对每个智能体设计了基于系统参数自适应律的跟踪控制器，利用欧拉-拉格朗日系统的线性参数化性质在线更新未知参数估计值，使智能体的实际速度能够精确跟踪参考速度，从而抑制模型不确定性对跟踪性能的影响。为分析算法的收敛性，首先，利用输入-状态稳定性理论分析优化器的动态演化，证明当跟踪误差有界且收敛时智能体状态能够达成一致；其次，构造Lyapunov函数分析最优跟踪步骤，结合Barbalat引理证明全局梯度之和渐近趋于零；基于此，严格证明了当控制器参数满足给定的不等式条件时，所有智能体的实时状态全局渐近收敛于时变最优轨迹；最后，通过包含十个双连杆机械臂的数值仿真验证了所提算法的有效性，仿真结果表明所有智能体的关节角度轨迹均能快速、准确地跟踪最优轨迹。关键词：分布式优化;欧拉-拉格朗日群体智能系统;非平衡有向图;时变函数;自适应控制;协同控制141|164|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：针对具有非线性动态的二阶多智能体系统在资源受限环境下的有限时间一致性问题，本文提出了一种基于动态事件触发机制的新型分布式控制策略。该策略旨在降低系统通信负担的同时，确保系统状态跟踪误差能在有限时间内收敛至零。首先，针对传统静态事件触发机制触发阈值固定、对动态环境适应性差的问题，设计了一种具有自适应调节能力的事件触发函数。该函数通过引入与智能体状态耦合的内部动态变量，实现了触发阈值的动态调整，使得触发条件能够根据系统实时状态和收敛趋势自适应变化。相比于静态事件触发机制，该机制能够在不影响系统收敛性能的前提下，显著减少不必要的控制器更新次数，有效降低了网络通信频率与计算开销，提升了资源利用效率。在理论分析方面，基于Lyapunov稳定性理论，本文严格证明了在控制协议和动态事件触发机制作用下，二阶非线性多智能体系统能够在有限时间内实现领导者-跟随者状态一致。通过构造包含位置误差、速度误差以及内部动态变量的复合Lyapunov函数，结合图论性质和假设条件，给出了系统实现有限时间一致的充分条件，以及控制增益、事件触发参数满足的不等式关系。进一步，得到了系统收敛时间上界的显式表达式，揭示了控制增益、触发阈值参数与系统收敛性能之间的定量关系，为参数调节提供了理论依据。同时，证明了所提策略能够有效避免Zeno行为，确保任意两次触发时刻之间的间隔均大于零，具备良好的工程适用性。数值仿真部分构建了包含一个领导者和五个跟随者的非线性多智能体系统，通信拓扑为连通图，每个智能体的非线性动态取为三角函数与线性项的组合。仿真结果表明，在随机初始条件下，系统的位置与速度状态均能在有限时间内快速收敛至领导者的状态，位置误差和速度误差均能收敛到零。本研究为资源受限环境下多智能体系统的协同控制提供了理论依据与解决方案，尤其适用于无人机编队、智能交通、分布式传感器网络等对实时性与通信效率要求较高的应用场景。关键词：多智能体系统;有限时间一致性;动态事件触发控制;非线性系统;Lyapunov稳定性279|58|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：随着智能化与无人系统技术的快速发展，开放多智能体系统（Open Multi-Agent Systems，OMAS）因其能够适应系统成员的动态变化而受到广泛关注。与传统多智能体系统（Multi-Agent Systems，MAS）不同，OMAS允许智能体在运行过程中随机加入或离开系统。这种动态特性在提升系统灵活性的同时，也带来了新的控制挑战：新加入智能体通常具有随机的初始状态，可能破坏原有智能体间的编队稳定性，甚至导致整体系统性能下降。针对上述问题，本文系统研究了OMAS中的预定义时间无扰编队控制问题。首先，明确定义了“无扰编队控制”的概念，其核心在于确保新智能体的加入不会影响原有智能体的编队状态，即原有智能体的跟踪误差在新智能体加入后始终保持为零。在此基础上，本文提出了一种基于信息隔离的双层控制框架。在上层，设计了基于平均子序列缩减的信息隔离算法，用于局部识别并隔离可能引入扰动的智能体状态。具体而言，每个智能体通过对比自身与邻居间的状态偏差，剔除极端值信息，从而有效过滤新加入智能体带来的异常状态影响，确保原有智能体间的协同信息不受干扰。在下层，引入了一种预定义时间控制策略，通过构造时变函数，使所有智能体（包括新加入的智能体）的编队跟踪误差能够在用户预设时间内收敛至零，且收敛时间与系统初始条件无关，有效地保证了新加入的智能体在预定义时间内完成编队控制。为验证所提算法的有效性和优越性，本文进行了数值仿真实验。仿真中设置了智能体随机加入与离开的动态场景，并将所提算法与现有编队控制方法进行了对比。结果表明：本文算法在新智能体加入时，能够完全消除其对原有智能体编队状态的扰动，跟踪误差曲线平滑无波动；同时，新加入智能体可在预设时间内快速、准确地收敛至期望编队位置。相比之下，现有方法在新智能体加入时会引起原有智能体跟踪误差的显著振荡，破坏编队形态，这进一步凸显了本文算法的优越性能。关键词：开放多智能体系统（OMAS）;无扰编队控制;预定义时间控制;信息隔离;编队控制;平均子序列缩减151|194|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：本文针对资源受限的分布式多传感器系统中的状态估计问题，探讨了在有限通信带宽与计算能力下估计精度与系统开销之间的平衡问题。传统多传感器融合架构通常采用预设静态算法与固定网络拓扑，缺乏对环境动态、任务需求的适应能力，难以在长期运行中维持最优的性能与效率权衡。为此，本文提出了一种基于事件触发的自适应融合调度框架，通过智能的事件驱动机制，动态组织传感器资源，从而在保证估计精度的同时，显著降低不必要的通信与计算消耗。面向事件的动态融合单元使系统依据实时判定的事件，动态触发传感器节点的智能分群与重组。这些节点基于特定的任务，临时组建为面向当前事件的融合子单元。该机制使得系统能够聚焦关键信息，避免了对所有节点进行持续全局融合所带来的巨大开销。针对事件的判定，本文重点研究并比较了两种设计策略：其一是基于局部新息的事件设计，即节点仅根据自身测量与新息形成触发事件；其二是基于全局反馈的事件设计，即融合估计值从融合中心反馈至各节点进行判断。前者完全分布式，私密性强；后者则具备更全面的系统视角，有利于做出更优的集群决策。其次，在临时融合单元形成并完成局部融合后，本文引入了混合融合机制对局部结果进行二次融合。该机制在最终输出层面进一步实现了估计精度与融合成本的平衡。一系列仿真实验表明，基于局部新息和基于全局反馈的两种事件设计方案均能成功地将融合算法的选择问题从静态配置转化为动态的实时调度。系统能够依据实时任务需求与系统资源状况，自主调整传感器分群，从而在动态变化的环境中持续保持精度与效率的最佳折中。此外，对比实验进一步揭示，在一定调度参数下，基于全局反馈的事件设计因其拥有全局系统状态信息，能够做出更优的调度决策，从而在估计性能上优于完全分布式的局部新息方案，但这是以引入周期性全局通信为代价的。本文提出的基于事件的自适应融合调度框架，为资源受限的分布式感知系统提供了一种灵活、高效的解决方案。它通过事件实现对于传感器的动态调度，有效解决了复杂机动目标的轨迹跟踪问题中估计精度与硬件开销的平衡问题。关键词：分布式融合估计;卡尔曼滤波;状态反馈;传感器调度;轨迹跟踪170|147|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：本文聚焦拒绝服务（Denial of Service，DoS）攻击环境下，高阶链式结构多智能体系统的有限时间安全控制难题，开展系统性建模、算法设计与理论验证研究。先构建领导者-跟随者高阶链式动力学模型，精准刻画点对点DoS攻击场景，明确受攻击智能体无法收发信息的核心约束，还原真实网络攻击下的通信中断特征。针对攻击引发的通信链路失效、状态信息丢失问题，设计分布式有限时间观测器，实现领导者状态与输入信息的快速精准估计，有效补偿通信中断造成的信息缺失，同时量化分析DoS攻击对观测器收敛时间的影响，严格证明只要攻击周期存在上限，观测器即可保持预期收敛性能。基于反步法设计流程，融合有限时间控制理论，提出适配高阶链式系统特性的安全控制协议，借助李雅普诺夫稳定性理论完成系统稳定性证明，确保系统在攻击干扰下仍能实现有限时间稳定。为验证所提方法的有效性，以轮式移动机器人编队为仿真对象，搭建包含1个领导者与5个跟随者的高阶链式多智能体系统，在总时长3 s的DoS攻击场景下开展数值仿真。结果表明，所设计观测器可在攻击间歇期0.1 s内快速恢复对领导者信息的准确估计，状态观测误差约6 s收敛至零，跟踪误差约7 s实现完全收敛，系统抗攻击恢复速度显著提升。通过与现有基于观测器的分布式有限时间控制方法对比，本文方案在收敛速度、抗干扰能力与跟踪精度上均具备明显优势。同时开展噪声鲁棒性与参数敏感性测试，验证系统在测量噪声干扰下仍能稳定运行，控制参数小幅波动对收敛性能影响微弱，具备良好工程适用性。研究成果完善了DoS攻击下高阶链式多智能体系统安全控制理论体系，可为无人机编队、智能机器人集群、智能电网等易受网络攻击的关键装备与系统，提供有限时间安全协同控制的技术支撑，提升复杂网络环境下系统的运行可靠性与抗毁能力。关键词：多智能体系统;DoS攻击;有限时间控制;分布式观测器;高阶链式;安全控制123|78|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：近年来，分布式多智能体系统在军事侦察、智能物流与灾害响应等复杂动态场景中展现出广泛的应用潜力。但在局部观测与异构性能约束下，仍面临策略趋同、隐式协同效率低等挑战。为此，本文提出一种基于异构能力感知与角色注意力融合的多智能体协同决策（Heterogeneous Role-Enhanced Attention，HERA）方法。该方法通过显式融合智能体的静态能力向量与动态观测序列，结合变分自编码器与门控循环单元，构建辨识度高、解释性强的角色表征，从根本上避免因历史轨迹相似导致的策略趋同。在此基础上，设计角色驱动的多头注意力隐式信息交互模块，以角色嵌入作为查询与键生成的基础，从多个子空间捕捉智能体间的互补关系，实现角色导向的高效隐式协同。此外，提出多目标损失联合优化框架，通过协同策略损失、价值损失与VAE表征学习损失的协同约束，在保证训练稳定性的同时提升策略多样性与角色分化能力。本文基于多智能体近端策略优化（Multi-Agent Proximal Policy Optimization，MAPPO）算法，以异构多无人机协同围捕为典型任务场景，构建了涵盖不同智能体规模、障碍密度与目标数量的多组对比实验，对所提HERA方法进行了系统性评估。结果表明，与多种主流基线方法相比，所提方法在收敛速度、任务成功率以及围捕步数等关键性能指标上均取得了显著提升，有效验证了其在提升群体智能与协同效能方面的优越性。此外，消融实验从角色表征模块、隐式交互模块两个维度逐一验证了各功能组件的必要性与有效性，证明了各模块间的协同增益。在不同任务规模与场景复杂度下，该方法亦表现出较强的鲁棒性与可扩展性，能够灵活适应多智能体数量变化与复杂动态环境，有效应对多样化的实战任务需求。关键词：多智能体强化学习;异构智能体;角色学习;隐式交互;分布式决策127|63|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：本文针对一类模型未知的离散时间非线性多智能体系统一致性控制问题，提出了一种基于双线性Koopman算子的分布式自触发预测控制方法。针对传统基于模型的控制方法在复杂非线性系统中建模困难、控制性能受限的问题，本文构建了一种完全数据驱动的双线性Koopman建模框架，通过设计由提升网络、双线性层和重构网络组成的深度神经网络结构，实现对未知非线性系统在提升空间中双线性动力学的有限维近似表达。为避免深度Koopman模型中超参数依赖人工经验所导致的模型精度与泛化能力受限，进一步引入贝叶斯优化方法对网络结构及训练超参数进行自适应寻优，从而在有限训练代价下显著提升模型预测性能，建立基于贝叶斯优化的深度双线性Koopman模型。在此基础上，考虑多智能体系统中计算与通信资源受限的实际需求，提出了一种基于自触发机制的分布式模型预测控制策略，各智能体仅在触发时刻基于局部邻居信息求解优化问题并预测下一触发时刻，从而有效减少了通信次数并降低计算负担。此外，证明了在所设计自触发策略下一致性误差系统的输入到状态稳定性，保证了一致性误差最终有界。最后，通过一个仿真实验验证了所提出方法在非线性多智能体系统一致性控制中的有效性，且相较于现有基于线性Koopman模型的控制方法，所提出的方法具有更低的触发频率。关键词：多智能体系统;分布式预测控制;双线性Koopman算子;自触发机制;深度神经网络;贝叶斯优化251|59|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
信息丰富时代的群体智能理论与技术
- 摘要：深度强化学习（Deep Reinforcement Learning，DRL）为解决自动驾驶中复杂的序列决策问题提供了强大的端到端学习框架，但车辆控制策略的安全性仍是一个核心难题，基于哈密顿-雅可比-贝尔曼（Hamilton-Jacobi-Bellman，HJB）方程的物理信息强化学习（Physics-Informed Reinforcement Learning，PIRL）方法展现了巨大潜力。然而，这类方法在实践中受限于选用神经网络的性能。采用传统的多层感知机（MultiLayer Perceptron，MLP）时，难以为HJB物理约束提供高保真的梯度信号，从而引发训练不稳定和模型效率低下问题。为解决这一难题，本文提出了一种面向自动驾驶任务的混合架构哈密顿-雅可比-贝尔曼近端策略优化（Mixed Architecture Hamilton-Jacobi-Bellman Proximal policy Optimization，MAHPO）算法，该方法创新性地构建了一个异构的Actor-Critic框架，其策略网络（Actor）采用MLP以保证决策效率，而值函数网络（Critic）采用柯尔莫哥洛夫-阿诺德网络（Kolmogorov-Arnold Network，KAN）网络进行近似。进一步地，通过训练值函数表征网络KAN的内部可学习光滑B样条函数，可利用轨迹数据自适应地学习非线性变换，从而高效地建模复杂的价值函数及其平滑的梯度场，确保策略网络稳定更新。在自动驾驶模拟环境MetaDrive中的实验结果表明：相较于基线算法，MAHPO算法在任务成功率、碰撞率和离路率等关键性能指标上均取得明显提升，相较于最优基准的软演员-评论家算法（Soft Actor-Critic，SAC）在平均成功率上提升了5.88%，离路率相较于原始HJBPPO算法下降了约78.22%。关键词：深度强化学习（DRL）;自动驾驶;哈密顿-雅可比-贝尔曼（HJB）方程;混合架构;近端策略优化（PPO）108|200|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：作为电子对抗中的一种重要的干扰样式，欺骗式干扰可通过在空间中生成具有迷惑性的虚假目标，进而扰乱雷达对真实目标的侦测。然而，随着组网雷达系统的广泛应用，传统面向单站雷达的干扰战术逐渐失效，如何对组网雷达实施有效干扰成为当前作战双方的重要战略需求。对此，本文针对组网雷达的目标鉴别机理，引入一种基于平行相似原理的多机协同航迹欺骗方法。该方法通过控制多部电子干扰机在空间中形成特定的编队，并利用转发式干扰在多基地测量空间中形成稳定交点，进而生成满足“同源检验”的虚假航迹点，从而在空间中生成连续、平滑且具备运动一致性的虚假航迹，诱导组网雷达对该虚假航迹进行探测与跟踪，降低真实目标被发现的概率。此外，为优化系统资源配置，提升作战单元机动决策的能力，本文进一步引入一种基于k-赢者通吃（k-Winners-Take-All， k-WTA）策略的分布式任务分配方法。该方法以各电子干扰机与目标雷达间的实时转发距离作为评价指标，通过分布式一致性估计实现对全局信息的近似获取，从而在通信受限的条件下选取具备优势的部分电子干扰机执行协同欺骗任务，其余电子干扰机保持待命状态，以实现系统资源的高效利用。同时，针对伴随电子干扰机执行任务的僚机，本文构建了基于k-WTA策略的协同决策机制，使僚机能够根据战场态势动态选择执行护航或拦截任务，从而提升整体作战系统的机动性与适应性。最后，本文通过构建包含多部电子干扰机、僚机及组网雷达的空战仿真场景，对所提方法进行了验证。仿真结果表明，所提出的多机协同航迹欺骗方法能够在满足组网雷达同源一致性检验的前提下生成高逼真的虚假航迹，降低真实目标被发现的概率，并且基于k-WTA策略的任务分配方法可有效实现资源的动态优化配置，提高系统的实时决策能力与协同作战效率。关键词：多机系统;虚假航迹生成;k-赢者通吃（k-WTA）;任务分配;转发式欺骗干扰;组网雷达93|39|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：随着群体智能协同与网络通信技术的发展，无人机自组网（UAV ad hoc NETworks，UANETs）在机动性、灵活性和环境适应性等方面的优势日益凸显，愈发广泛地应用于军事和民用领域。UANETs具有网络规模大、节点能量受限、拓扑动态性强等特点，在应用传统分簇算法时面临网络稳定性差、能耗较高等挑战。为此，本文提出了一种基于多智能体强化学习（Multi-Agent Reinforcement Learning，MARL）的UANETs动态分簇算法。首先，本文设计了基于能量与移动性约束的分簇策略，综合考虑节点能量、节点度、节点距离与链路可维持时间四个元素，构建适应无人机网络特征的动态权重计算模型。在簇形成过程中，引入对周围邻居成簇情况的评估机制，各节点基于自身权重及邻居成簇状态进行簇首选举，并根据链路权重实现簇首跟随，有效降低孤立节点数量。进一步，本文构建了一种基于独立Q学习（Independent Q-Learning，IQL）的分布式拓扑优化机制，各节点作为独立智能体，通过与动态网络环境的交互，计算不同簇首的跟随奖励。当与原簇首间链路质量下降时，各节点基于累积奖励自主优化其簇归属决策，有效增强簇拓扑的鲁棒性并实现网络能耗的均衡优化。实验结果表明，与现有基线算法相比，本文所提算法在分簇效率、节点能耗、簇稳定性等方面均具有较好的性能表现，为高动态环境下无人机自组网的可靠运行提供了有效技术支撑。关键词：无人机自组网;动态分簇;多智能体强化学习;簇首选举;拓扑优化127|100|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：对抗攻击揭示了深度学习模型的脆弱性，有效的对抗攻击方法有助于发现模型的潜在漏洞。现有的梯度对抗攻击方法过度拟合受攻击的白盒模型特性，对黑盒模型的迁移攻击性能较差。针对黑盒模型开展迁移对抗攻击研究，提出了一种基于多视角置信度融合的对抗样本迁移性提升方法，并作为通用模块嵌入到基于梯度的对抗攻击过程，以提升对抗样本的迁移性。具体而言，设计了基于双像素空间的多视角变换策略，引导模型在不同通道与空间尺度下感知图像信息，从而扩充模型的重点关注区域，针对图像形成差异化的关注分布，实现对图像信息的多视角感知；为建模视角间的冲突与不确定性，利用证据理论框架提出了基于冲突感知的置信度融合方法，从模型多个视角下的输出置信度提取预测的共性信息，避免视角特异性带来的决策干扰，有效提升模型多视角决策融合的可靠性；设计了一种双向损失优化函数，优化对抗样本偏离正确的模型决策边界，引导其处于跨视角、跨模型共享的脆弱区域，从而提升对黑盒模型的迁移攻击能力。实验表明，本文方法在跨模型架构攻击场景下能够有效提升对抗样本的迁移性，现有梯度对抗攻击组合多视角置信度融合方法后，对常规训练的卷积神经网络（Convolutional Neural Network，CNN）和Transformer架构模型的迁移攻击成功率平均提升了21.15%和13.02%，对防御模型的迁移攻击成功率平均提升了13.84%，对集成模型的迁移攻击成功率平均提升了16.14%。关键词：深度学习;对抗攻击;图像分类;迁移性;置信度98|118|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：个性化联邦学习作为一种分布式机器学习范式，能够在不泄露客户端原始数据的前提下，实现多客户端模型的协同训练，已成为医学影像智能处理与分析领域的研究热点。然而，现有的个性化联邦学习方法主要通过全局协同或聚类分组协同来建模客户端关系，其整体协同粒度粗且灵活性不足。近年来，基于协作图的个性化联邦学习方法通过图结构建模客户端之间的协作关系，能够实现较细粒度的动态协同，有效缓解了全局协同与聚类协同的固有缺陷。但是，其仅以数据量和模型相似度来更新客户端协作图，未考虑医学图像分割任务中固有的高不确定性，导致其易受高不确定性客户端的影响而使得分割精度下降。为了解决该问题，提出了一种基于不确定性协作图和双层聚合机制的个性化联邦医学图像分割方法。该方法的核心优势主要包括两个方面：一是设计了不确定性惩罚项并将其引入服务器端目标函数中来优化协作图更新过程，生成适配医学图像分割任务的不确定性协作图，通过动态调整各个客户端之间的协作权重并避免高噪声参数混入导致知识污染，有效保障了协同训练的稳定性。二是提出了基于不确定性协作图的双层聚合机制。第一层聚合实现基于协作图的客户端局部协同，挖掘相似客户端之间的有效知识；第二层聚合通过融合局部协同结果与全局模型，来平衡全局模型通用性与本地客户端的个性化需求，实现了高质量知识的有效传递，提升了客户端本地模型的分割性能。为了全面验证所提方法的有效性与鲁棒性，在四个公开的息肉分割数据集上开展了大量的实验。实验结果表明：与其他先进的医学图像分割方法相比，提出的方法在多个客户端测试数据上取得了更优异的分割性能，为临床医疗场景下的个性化联邦医学图像分割提供了一种新的技术方案。关键词：个性化联邦学习;医学图像分割;协作图;不确定性;双层聚合;证据理论98|72|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：缩略图保持加密（Thumbnail-Preserving Encryption， TPE）是平衡云端图像隐私性和可用性的重要方法。为确保安全性，通常利用动态更新机制生成与原始图像信息相关联的密钥。针对图像信息非正常缺失或篡改，接收方无法获得正确的密钥进行解密的问题，设计了一种基于生成对抗网络的轻量化缩略图盲解密模型（Blind Decryption model based on Generative Adversarial Networks， BD-GAN）。通过对生成器、判别器和损失函数的改进和优化，提升解密图像的质量。生成器基于改进的U-Net网络，采用编码器-转码器-解码器的级联结构。在编码器和解码器中分别嵌入多尺度注意力融合模块（Multi-Scale Attention Fusion modules， MSAF），实现各尺度头部信息的跨层融合，在采样过程中最大限度保留图像细节，解决了多次采样和深层网络长距离依赖所导致的信息丢失问题。将U-Net网络的瓶颈层替换为由多个基础残差块级联堆叠构成的转码器，促进提取特征的高效传递与学习。为了解决局部判别器只输出最后一层局部特征，忽略中间层特征所含的多尺度语义与纹理信息的问题，改进并设计了具有多层特征反馈特性的局部判别器，返回多个中间层特征用于对抗训练。通过对不同尺度特征的逐层输出，提升判别器对多尺度纹理细节的感知能力。在损失函数优化方面，采用视觉感知损失、对抗损失和身份一致性损失的联合优化策略，将各损失项的线性组合作为优化目标，通过最小化目标函数进行训练，提升重建图像的视觉质量。实验结果表明，该模型能够对多种缩略图保持加密算法进行免密钥重建，解决了密钥有损情况下解密失败的问题。同时在不牺牲重建性能的前提下，具有更少的训练计算开销，有效地降低了部署成本。相比于采用U-Net网络和局部判别器的生成对抗网络模型，重建图像的峰值信噪比提升了0.632 8 dB，FID（Fréchet Inception Distance）性能提升了14.361 0。与去噪扩散概率解密模型相比，在保证重建效果的同时，参数量和计算量分别减少5.120 × 107和2.807 × 1010以上。研究为通过身份验证和合法授权的用户提供了应急条件下的缩略图解密方案，提高了安全冗余度。关键词：盲解密模型;生成对抗网络;残差块;自注意力机制;局部判别器123|89|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：单目三维目标检测为三维感知提供了低成本解决方案，但现有方法难以生成可供人类直观理解的场景描述，从而限制了它们在人机交互、自动驾驶和其他需要丰富语义理解的场景中的适用性。视觉描述作为人类语言智能的直接体现，提供了理想的沟通媒介，赋予机器直观“讲述”场景的能力。但现有的视觉描述方法主要聚焦于单目图像内容，仅能表述物体间的二维拓扑关系，缺乏对三维几何信息（如精确距离、空间位置与运动状态）的精确建模与表达能力。若采用“先进行三维检测，再借助大模型生成描述”的两阶段方法，则存在系统效率低、信息一致性差的问题。而大模型的描述内容也只能局限于物体间的拓扑关系，无法准确反映三维几何信息，且因其固有的“幻觉”现象，也会导致空间信息的不准确并伴随冗余描述。为此，本文首次提出了单目三维视觉检测与空间语义描述（Monocular 3D Detection and Captioning，Mono3DDC）这一新颖任务。该任务旨在统一单目三维目标检测与描述生成，要求模型同时学习深度感知的视觉特征与语言语义，通过端到端的网络架构使生成的描述能够准确地学习到一致的三维空间信息，确保描述的几何准确性与三维目标检测的高精度。为支撑该交叉研究领域的深入探索，本文构建了首个支持中文语义的单目三维视觉描述基准数据集KITTI3DDC。该数据集基于KITTI数据集设计了一套高效的自动化数据生成流程，通过大语言模型与结构化验证模板的协同机制，在保证描述多样性与语言流畅性的同时，严格控制了空间信息的几何一致性，为后续研究提供了高质量的多模态监督信号。此外，本文设计了一个统一的新型框架，即Mono3DDC-TR（Monocular 3D Detection and Captioning based on Transformer）。该框架通过深度融合优化后的几何与视觉特征，在生成描述准确率及多类别三维检测效果上均展现出显著优势，在构建的KITTI3DDC基准上取得了最优性能，验证了该框架在几何信息与语言语义联合建模方面的有效性。本文为Mono3DDC任务提供了全面的基准测试，有效地推动了该任务的发展与实际应用。关键词：多模态学习;场景理解;三维目标检测;三维视觉描述;单目视觉;端到端学习137|129|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：单目单人三维人体姿态估计在动作识别与人机交互等领域极具应用价值。然而，受固有深度模糊、严重自遮挡与成像噪声等因素影响，从含有误差的2D观测中鲁棒地恢复3D姿态仍是一大挑战。针对现有基于图卷积神经网络（Graph Convolutional Network，GCN）方法过度依赖单一且静态的物理骨架拓扑，难以充分表达左右对称性等非物理连接语义，以及基于自注意力的方法在长序列下因二次方复杂度导致计算冗余与参数量过大的问题，本文提出MSGPose，一种基于多语义动态分离图卷积（Multi-Semantic Dynamic Separable Graph Convolution，MSDG）与语义图引导的时空双向Mamba（Semantic Graph-guided Mamba block，SGM）的双流并行框架，用于联合建模并提取2D姿态序列的空间与时间特征。具体而言，MSDG模块不仅通过自连接、物理连接与左右对称性先验构建多层级语义图，为各语义分支配置独立权重以避免特征耦合，还引入带权修正矩阵动态缓解固定拓扑的归纳偏置。随后，结合基于K近邻策略构建的稀疏动态时序图卷积，自适应捕获复杂运动下的跨关节与跨帧依赖。同时，为弥补Mamba架构在空间拓扑建模上的不足，SGM模块在双向状态空间扫描前引入多语义图卷积引导，将解剖学结构先验显式注入序列表示中，为后续的状态空间模型提供了一个具备局部几何感知能力的特征空间，从而更高效地进行长程时空依赖建模。在特征融合与优化阶段，通过可学习的自适应权重对两条特征流进行互补融合，并采用三维位置损失与速度损失进行联合训练，以增强预测姿态的时间一致性与稳定性。在Human3.6M数据集上，MSGPose取得了38.9 mm的平均每关节位置误差（Mean Per Joint Position Error，MPJPE），相较于MotionBERT降低了0.3 mm。值得注意的是，MSGPose展现出极佳的参数效率，其参数量（13.3 M）仅约为MotionBERT的31%。同时，在场景更复杂的MPI-INF-3DHP数据集上，MSGPose的MPJPE降至14.5 mm，相较于MotionAGFormer进一步下降了1.7 mm。此外，在无噪声的真实2D标注输入下，MSGPose进一步将Human3.6M上的MPJPE显著降至12.7 mm。这充分验证了多语义先验与双流结构的结合，能有效提升2D到3D的姿态回归能力。关键词：三维人体姿态估计;多语义图卷积;状态空间模型;时空建模;语义先验;深度学习110|78|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：密码学算法是现代软件系统中保护数据机密性与完整性的核心机制。然而，密码学应用程序编程接口（Application Programming Interface，API）的误用，例如使用可预测密钥或不安全密码算法，严重影响着软件系统的安全性，可能导致软件破解、网络攻击等后果，表明了检测密码学API误用的必要性。现有密码学API误用检测研究主要通过分析API参数值来识别误用现象，根据分析方式可分为动态分析方法和静态分析方法。动态分析方法能获取运行时的参数值，但受代码覆盖率低的限制，易遗漏未触发的代码，从而导致漏报。相比之下，静态分析方法具备更高的代码覆盖率，但现有的静态检测方法在理论与实现上仍存在显著局限：它们大多依赖简单的常量传播或模式匹配，仅能识别直接赋值的简单参数形式，而难以解析经过复杂指令（如字符串拼接、编码转换等“值变化”操作）处理的目标参数，导致当密码学参数经过复杂变换时，现有静态分析方法会出现大量漏报的情况，形成分析盲区。针对上述问题，本文提出并实现了ParamScope。这是一种基于中间表示（Intermediate Representation，IR）解释模拟的Java密码学API误用静态检测方法。首先，ParamScope实现了一种“赋值驱动”的程序切片算法。该算法基于SootUp程序分析工具构建，通过引入严格的赋值模式约束，能够精准提取密码学参数的依赖路径。其次，ParamScope实现了轻量级IR解释器对切片后的路径进行模拟执行，并引入包含真实逻辑的Android核心类库，结合Java反射机制，在静态分析中实现了对复杂方法调用的语义还原。该方法具有静态分析的高覆盖率优势，同时有效解决了静态环境下复杂指令导致的参数值分析难题。实验表明，ParamScope在公开数据集上的参数值重建精确率达到97.31%，且误用检测准确率达到96.2%，优于现有的先进静态与动态工具；在真实Android应用程序中的检测实验进一步显示，ParamScope有效识别出大量被编码或隐藏的真实参数典型案例，并报告其中的误用现象，相较于现有的静态工具CogniCrypt额外检测出约27%的误用案例，且单个应用平均分析用时仅4.85 min。综上，ParamScope兼具静态分析的高覆盖率与复杂参数解析的高精准度，为密码学API误用检测提供了一种高精度、高效率的新型解决方案。关键词：静态分析;程序切片;模拟执行;Java程序分析;密码学API;误用检测140|141|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：在现代网络运营和维护中，可靠的网络服务与系统健康管理至关重要。传统的网络健康管理方案依赖于规则匹配的简单算法或机器学习模型，难以应对通信状况复杂、信息难以拟合的网络通信环境。大型语言模型（Large Language Model，LLM）因其具备自主的思考与推理能力可以解决这些问题。目前，最先进的基于LLM的算法在通信网络领域取得了显著进展。然而，现有方案通常将LLM作为特征梳理与学习的工具，LLM本身被动接收数据，其自主性和思考能力受到了极大的限制。这导致目前基于LLM的方案无法直接应用于网络运营与维护任务中。为了解决这个问题，本文通过外接行为树（Behavior Trees，BTs）赋予LLM感知与修改网络环境的能力，并构建自主化的网络健康管理框架。此外，该框架通过双池设计保证各专家信息隔离与案例经验更新。同时，通过多专家讨论的方式加强操作安全性，以保证网络运维任务的完成。实验证明：相较于目前流行的模型，基于LLM的自主化网络健康管理（Network Autonomous health management based on LLM，NetAutoLLM）模型在异常检测任务中精度提高了8.44个百分点；在故障溯源任务中，精度提高了21.7个百分点，同时可以自动缓解故障。关键词：大语言模型（LLM）;主动运维;网络健康管理;行为树（BTs）;多专家讨论;双池信息存储75|57|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：仿生学通过借鉴自然界生物的优异特性，为工程创新提供了重要的方法支撑。然而，如何从丰富的生物信息中提取准确的知识并与设计需求有效对接，仍具有挑战。尽管大语言模型（Large Language Models，LLM）在自动化仿生设计过程中展现了潜力，但其依然存在局限性，包括：认知缺乏导致对仿生原理理解偏差；参数化知识约束引发时效性与准确性不足；外部知识库利用不足使得生成方案缺乏领域支撑。为此，本文提出一种融合双粒度知识库与LLM的智能化仿生设计方案生成方法（Intelligent Bio-Inspired Design，IBID），其核心是整合双粒度仿生知识库与LLM协同生成与评审机制，以实现从问题出发生成完整且有效的仿生设计方案。首先，针对知识表示与检索，本文收集生物优异特性及仿生实例，通过将每种生物策略拆分为连贯的片段，并依据主题相似性对其进行聚类，形成粗细两种粒度的知识表示，构建了双粒度仿生知识库，并设计了双粒度检索机制以提升知识检索的效率与准确性。其次，针对方案生成与优化，本文设计了分层协同的LLM工作流程：初始由基于LLM的仿生设计方案写作专家根据需求生成结构化大纲，进而设计专家会商评审机制，由多个LLM形成普通专家组，基于知识证据独立扩展草案，再通过多轮德尔菲法进行意见交换、评估与迭代修订，以此集成多元视角、提升一致性与可靠性；最后，由基于LLM的高级专家进行终审，执行逻辑校验、细节补充与整体提升，避免观点漂移，提升方案的完整性与有效性。为验证IBID的有效性，本文在自主构建的仿生数据集上开展了实验分析，结果表明，IBID在Precision@1 （P@1）、Precision@3 （P@3）及Mean Average Precision （MAP）等检索指标上均优于最佳基线模型；在生成质量评估中，IBID在专业质量及内容相关性等大多数指标上优于GraphRAG、RAPTOR及其他基线模型。本方法有效缓解了LLM在专业领域的幻觉与知识局限问题，为高质量、高可靠的智能仿生设计提供了实用框架。关键词：仿生设计;大语言模型;检索增强生成;聚类;文本嵌入;专家会商133|85|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：AI生成图像技术（AI-Generated Images，AIGI）技术实现了高质量视觉内容的自动化生产，在艺术创作、数字娱乐及虚拟现实等领域展现出巨大的应用潜力。然而，该技术在赋能内容生产的同时，也带来了严峻的安全与伦理挑战。生成模型可能被恶意用于伪造真实人物或事件，进而制造虚假信息、传播深度伪造内容，甚至干扰网络舆论。因此，如何有效识别AI生成图像（AIGI检测），已成为保障数字内容可信性和维护网络空间安全的重要研究课题。然而，现有的AIGI检测器在面对对抗攻击时普遍表现出鲁棒性不足的问题，攻击者仅需向合成图像中添加人眼难以察觉的细微对抗扰动，即可使其绕过检测，导致合成内容被误判为真实图像，且对于此类攻击的防御机制仍鲜有研究。针对该问题，本文首先系统评估了对抗训练在AIGI检测任务上的有效性。理论分析与实验结果表明，其在训练过程中易诱发特征纠缠现象，进而导致检测性能严重退化甚至崩塌。鉴于此，亟需发展一种针对AIGI检测任务有效的专用对抗防御方法。与对抗训练中出现的特征纠缠不同，本文发现在标准训练的检测器中，对抗扰动会致使对抗样本在特征空间中的表示明显偏离于干净样本，从而形成显著的可分离性。基于该观察，本文提出将对抗样本视作独立类别进行建模的策略，并构建了一种后训练防御框架：在保持预训练特征提取器固定的前提下，仅通过学习新的分类边界以拟合对抗样本的特征分布。为增强模型对未知攻击的泛化能力，本文进一步提出一种对抗混合专家后训练机制。该机制利用多个专家模块分别学习特定攻击类型的特征模式，并引入共享专家以捕捉不同攻击间的共性表征，从而实现对多类对抗样本的高效建模与鲁棒识别。实验结果表明，本文方法在ProGAN和Stable Diffusion等主流AIGI数据集上，面对多种典型对抗攻击方式，在不牺牲良性样本检测精度的前提下，其平均对抗准确率相较现有主流防御方法分别提升了18.92%与12.56%，展现出良好的实用性与在实际安全场景中的应用潜力。关键词：AI生成图像检测;对抗样本;对抗攻击;对抗防御;混合专家;后训练策略102|94|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：本文提出一种基于可控泄漏约束的鲁棒自适应干扰对消算法（Robust Adaptive Interference Cancellation with Controlled Leakage Constraint，RAIC-CLC），旨在解决阵列误差导致的导向矢量失配问题及非平稳环境下的恶意干扰挑战。针对由期望信号导向矢量失配引起的干扰对消后期望信号增益下降的问题，提出一种可控泄漏约束机制，该机制通过将约束干扰对消后期望信号增益不低于预设阈值，以显式调节信号泄漏水平，实现了期望信号增益保持前提下干扰信号的充分抑制。理论分析表明，引入可控泄漏约束因子可显著降低期望信号增益损失，进一步推导出最优泄漏约束因子的闭式解，实现不同工作条件下干扰抑制能力与期望信号保真度之间的自适应权衡。针对非平稳环境中因干扰源移动、信道变化等因素导致接收的干扰信号统计特性时变、需要低复杂度算法实现干扰信号动态抑制的问题，设计了一种基于梯度投影的迭代优化算法。该算法基于实时输入的数据流快拍，采用瞬时梯度下降法和梯度投影法，完成不等式约束条件下权值矢量的实时更新，显著降低了计算复杂度，实现了算法对非平稳环境下干扰信号的实时跟踪抑制，适用于现场可编程门阵列（Field Programmable Gate Array，FPGA）平台高效实现。仿真结果表明，所提方法在多种典型算法中表现优异，包括传统最小输出功率法（Minimum Output Powe，MOP）、带正则化惩罚项的最小输出功率法（Minimum Output Power with Regularization Penalty，MOP-RP）、最小方差无失真响应（Minimum Variance Distortionless Response，MVDR）算法、广义旁瓣相消法（Generalized Sidelobe Canceller，GSC）及基于特征值替换的协方差矩阵重建（Eigenpair Substitution-based Covariance Matrix Reconstruction，ESCMR）方法，尤其在低快拍数与高信噪比（Signal-to-Noise Ratio，SNR）等具有挑战性条件下展现出更强的鲁棒性。关键词：导向矢量失配;可控泄漏约束;非平稳环境;梯度投影;动态干扰跟踪;鲁棒自适应干扰对消71|135|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：雷达目标高分辨距离像（High Resolution Range Profile，HRRP）因其能够有效表征目标的几何结构与电磁散射特性，在雷达目标识别领域具有重要的应用价值。近年来，深度学习方法凭借其强大的特征表征能力被广泛应用于HRRP目标识别任务。然而，现有基于深度学习的HRRP目标识别方法在少样本开集识别（Few-Shot Open-Set Recognition，FSOSR）场景中，其性能因训练样本少且本身不具备对未知类别的判别能力而受限。为此，本文提出一种基于多球体空间拓扑约束的雷达目标HRRP FSOSR方法。首先，在训练策略上引入元学习框架，从类别充足、样本丰富的辅助数据集中采样大量相似且互不重复的任务作为训练单元，学习跨任务共通的知识，使模型在样本稀缺的任务数据集上具备快速泛化能力，缓解少样本模型过拟合问题；其次，在此基础上，设计适用于少样本场景的多球体决策边界建模机制，以超球体分别建模各已知类特征子空间，形成由多球体组成的已知类空间分布，从而隐式建模未知类分布；再次，在多球体之间引入自适应间隔，维持已知类间特定空间拓扑关系，提升决策边界的精细度和鲁棒性；最后，提出难分样本学习策略，先经难分挖掘筛选高价值样本，再借助样本对加权机制定量刻画样本难分程度，使模型依据权重进行针对性学习，从而利用高价值难分样本挖掘更精细的差异化特征，以增强模型对细粒度未知类判别能力。实验结果表明：该方法在5-shot及10-shot场景下，相较于现有方法，准确率分别提升6.17个百分点和2.94个百分点，AUROC指标分别提升13.1个百分点和12.94个百分点，验证了该方法的有效性与稳健性。此外，通过在瑞芯微RK3588嵌入式人工智能（Artificial Intelligence，AI）芯片上完成模型部署，所提方法推理时延为2.197 ms，功耗为2.25 W，充分验证了该方法的工程可实现性。该方法适用于未知类频发的复杂场景，可支撑高分辨体制雷达对非合作目标的探测识别；同时，得益于良好的工程可实现性，该方法亦适用于机载平台等高实时性需求、硬件资源受限的应用场景。关键词：雷达目标识别;高分辨距离像（HRRP）;深度学习;元学习;少样本开集识别（FSOSR）162|131|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：扫描辐射源因其主瓣信号信噪比高、波束窄、扫描周期稳定等特点，在军事领域和民用领域获得了广泛的应用。针对扫描辐射源无源定位中单一量测体制信息有限的问题，本文提出一种联合时差（Time Difference Of Arrival，TDOA）和扫描角度（Scanning Angle，SA）的半正定松弛扫描辐射源定位算法。首先，构建了联合TDOA-SA的扫描辐射源最大似然定位模型。其次，针对联合体制非凸代价函数存在的初始值敏感、易陷入局部最优的问题，通过引入辅助变量对原始非凸的观测模型进行松弛处理，将问题转化为可高效求解的凸优化形式，从而获得稳定的全局最优解。在此基础上，结合距离二阶锥约束与扫描角度有界约束进行可行域分析，缩小松弛后引起的可行域扩张，实现扫描辐射源的精确定位。最后，进行了联合体制的克拉美罗下界（Cramér-Rao Lower Bound，CRLB）推导和最小观测站数目分析，并通过仿真试验分析所提算法的定位性能。仿真结果表明，在量测误差较大场景下，联合TDOA-SA的定位精度优于单一SA量测定位体制。当扫描角度测量均方根误差小于1°、时差测量均方根误差小于50 µs时，本文所提算法定位精度逼近克拉美罗性能界。关键词：无源定位;扫描辐射源;扫描角度;到达时差;半正定松弛65|76|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：有效的资源调度是天基异步异质传感器网络（Asynchronous Heterogeneous Sensor Networks，AHSN）多目标协同跟踪效能得以充分发挥的关键。监视系统中的天基雷达（Space-Based Radar，SBR）与天基光学（Space-Based Optical，SBO）两类典型传感器在遂行跟踪任务中的资源约束相对独立，但存在多重变量耦合共同影响多目标跟踪（Multi-Target Tracking，MTT）性能的问题。针对这一问题，本文提出一种面向低地球轨道（Low Earth Orbit，LEO）MTT的天基异质传感器网络节点调度方法。考虑到不同传感器的量测维度与采样率差异，本文提出一种分布式异步异质传感器并行局部滤波融合方法。该方法首先将目标的过程噪声同时建模在雷达笛卡尔坐标系与光学修正球坐标系（Modified Spherical Coordinate，MSC）下的运动方程中，并进行局部滤波；然后利用时戳偏置信息预测近似后验分布，通过容积点映射进行状态转换后在快速协方差交叉（Covariance Intersection，CI）融合准则下实现融合反馈跟踪。为发挥系统最优全局效能，本文综合考虑SBR回波信噪比（Signal-to-Noise Ratio，SNR）与SBO太阳相位角对量测质量的影响，推导了AHSN并行局部滤波融合后验克拉美-罗下界（AHSN Parallel Local Filtering Fusion Posterior Cramer-Rao Lower Bound，AHSN-PLFF-PCRLB）的跟踪性能测度。在此基础上建立了传感器网络节点调度优化模型，引入节点效能因子，开发了一种多起点贪婪迭代异质节点选取策略（Multi-Start Greedy Iterative Heterogeneous Node Scheduling Strategy，MSGI-HNSS），能够实现传感器-目标最优匹配方案的高效快速求解。仿真结果表明，与开环调度算法、枚举算法等标准方法相比，所提方法的跟踪精度优于开环调度算法，且在降低优化求解复杂度的基础上，能够获得可比拟枚举算法的优化跟踪精度。关键词：天基异步异质传感器网络（AHSN）;多目标跟踪（MTT）;动态资源调度;后验克拉美-罗下界（PCRLB）;并行滤波106|114|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：海域恶劣无线信道和干扰攻击增加了感知数据和反馈信息的传输难度，进而降低了协作感知性能。为支撑基于大语言模型的协作感知和目标识别任务，海域通信需为文本、图像、视频和点云等多模态数据提供高可靠传输，满足多样化服务质量需求。为此，提出面向大语言模型协作感知的海域通信抗干扰技术，除了数据量、信道增益和历史性能外，进一步利用大语言模型根据接收到的多模态数据和文本提示词推断生成的通信环境，以及频谱感知获取的干扰特征，联合优化传输功率、信道和模型选择，在恶劣信道下防御干扰攻击和通信干扰，支撑基于多模态数据的协作感知。针对恶劣海域信道导致的反馈延迟或丢失问题，设计反馈恢复机制，提升多模态数据传输质量。建立海域通信抗干扰博弈模型，刻画海域终端和干扰机间的交互机理，分析纳什均衡点存在条件并给出通感性能界限，揭示模态数量和信道状态等参数对性能的影响。基于WaterScenes数据集和LLaVA等大语言模型的仿真结果表明，在防御基于Q学习的智能干扰机时，所提方案相较于对比方案可提升13.6%的感知精度，降低66.2%的通信能耗和21.7%的时延。关键词：海域通信;多模态;协作感知;大语言模型;抗干扰;智能通信147|194|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：针对现有序列密码算法存在非线性度不足、硬件实现效率受限等问题，本文基于初等元胞自动机（Elementary Cellular Automata，ECA）提出了一种在硬件平台上性能优于ZUC（ZU Chongzhi）算法，且安全可靠的“旋转陀螺”（Spinning Top）序列密码算法。研究首次将弹性混沌规则引入序列密码构造，有效兼顾了均衡性、相关免疫性与混沌性，从而确保输出序列具备优良的统计特性与高度不可预测性，并利用该类规则设计了三ECA循环嵌合结构，该结构在不采用S盒的情况下，能利用有限的硬件资源保证算法的非线性度。相关分析和实验表明，算法能够通过NIST SP800-22与Test U01的相关测试，随机性达标；可抵御区分攻击与猜测—确定攻击，且具备前向/后向安全性。性能上，FPGA平台（Zynq-7000/200 MHz）吞吐率理论上能够达到25~40 Gbps，相同时钟周期下是ZUC算法能够达到的最大吞吐率7.1 Gpbs的3~5倍以上，且资源占用还比ZUC略少。该研究提供了利用ECA进行高非线性序列密码设计的范式，实践中可适配工业互联网、6G算力网络等场景，为资源受限设备提供“低资源-高安全”的加密方案。关键词：序列密码算法;元胞自动机;弹性函数;相关免疫性;伪随机数89|95|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：Python第三方库在现代软件生态中被广泛应用，其面临的安全威胁也变得日益严重，如Python包索引平台（Python Package Index，PyPI）中漏洞数量持续快速上升、依赖网络高度复杂，导致单一漏洞易通过依赖链波及大量下游项目。现有模糊测试工具在测试Python第三方库时，复杂的应用程序编程接口（Application Programming Interface，API）交互场景下接口间的隐式数据流关系会导致探索能力不足；Python语言自身的动态特性，例如鸭子类型及反射机制进一步降低了静态分析的准确性，导致对多重条件保护的复杂约束探索能力低下，使得漏洞发现能力受限。此外，传统的模糊测试引擎往往采用随机变异的策略，因而无法针对测试目标进行定制化变异，使得测试资源大量消耗在无状态依赖的低价值浅层路径上，难以探索深层代码漏洞。为此，本文提出PyBoros——一种针对Python第三方库的高效模糊测试框架。该框架通过构建包级API依赖图，并结合团渗流方法（Clique Percolation Method，CPM）进行子图分割，以精准捕获隐式依赖；在此基础上，使用大语言模型生成语义丰富的初始模糊测试驱动以捕捉隐式依赖；采用停滞触发式非阻塞动态分析，即以覆盖率增长停滞作为信号，按需捕获运行时代码状态与变量快照等约束上下文信息，并利用大语言模型进行智能约束推理以产生突破性种子；在模糊测试过程中，通过引入API n-gram覆盖指导与分支价值评分相结合的资源调度策略，引导测试资源优先向高价值路径探索。我们在平均Github Star数超过2 000的10个真实Python第三方库中进行了测试，PyBoros发现20个真实漏洞（其中10个为0-day），漏洞检出数量较Atheris提高100%；边覆盖率较Atheris提高8.57%；初始生成的模糊测试驱动的API覆盖数达到Fuzz4All的1.8倍；对四种大语言模型（包含两种开源、两种闭源）生成的模糊测试驱动平均接受率为72.6%；在额外的扰动实验中，模糊测试驱动的接受率即使在10%静态分析扰动攻击场景也仅下降了3.8%，仍保持较高鲁棒性。总体而言，PyBoros模糊测试框架为Python第三方库的安全分析提供了一种高效实用的方法。关键词：Python安全;Python第三方库;模糊测试;LLM;程序分析;漏洞挖掘140|118|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：作为一种新型的编码调制方案，概率成形的两层编码调制（Two-Level Coded Modulation with Probabilistic Shaping，TLCM-PS）提供了编码增益和成形增益，同时保持了适中的复杂度。然而，现有的TLCM-PS方案尚未针对移动通信中的信道衰落问题提出有效的解决方案。为此，本文提出了一种适用于衰落信道的TLCM-PS方案。具体而言，对于高阶信号星座的低可靠度标号比特，采用5G低密度校验码（Low-Density Parity-Check，LDPC）码进行保护；对于高可靠度标号比特，则使用基于硬判决译码的Bose-Chaudhuri-Hocquenghem（BCH）码进行保护。在衰落信道下，利用空时分组编码和多天线技术获取分集增益，减少了低可靠度标号的解调错误概率，从而使BCH码输出很低的错误概率。高可靠度标号比特采用了并行解映射，低可靠度标号比特采用硬判决解映射。基于这一特点，本文分析了编码调制系统的可达速率。基于可达速率分析，以及分集增益对低可靠度标号比特错误率的影响，本文提出了一种针对星座成形、LDPC编码和BCH编码的冗余分配方法。首先在无BCH码的假设下，通过优化可达速率确定成形和LDPC码的最优冗余分配，得到一个好的瀑布区性能。然后固定LDPC码的冗余，取出小部分成形冗余给BCH码，以轻微的瀑布区性能回退换取子集内标号比特的可靠度。仿真结果表明，所提方案在2 × 2天线的瑞利衰落信道下能保持低于10-4的误帧率，并且相较于均匀的比特交织编码调制系统，所提方案在高于6.0比特/二维的传输速率下具有0.75 dB的增益。此外，分析表明，相较于均匀的比特交织编码调制系统，所提方案的复杂度显著降低。关键词：两层编码调制;星座成形;多输入多输出;信道衰落;空时分组码;LDPC码76|53|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：针对传统轨道沉降监测方法存在实时性差、成本高等问题，本文提出一种基于毫米波通信信号互相关分析的轨道沉降监测方法。该方法利用毫米波车地通信系统在完成高速数据传输的同时实现轨道状态感知，扩展了通信信号辅助环境感知的能力。相比依赖人工巡检或专用测量设备的传统方案，该方法具有部署灵活、成本低和实时性强等优势。高速磁浮列车在运行过程中接收的通信信号由直达波与反射波干涉形成，其电平对轨道沉降变化极其敏感。当轨道发生沉降时，反射路径长度及其相位关系随之变化，导致接收功率干涉特征发生偏移，为沉降量反演提供了物理基础。通过路径损耗补偿还原真实接收功率，有效消除列车运行距离变化带来的功率衰减影响，引入零相位滤波去噪以避免信号畸变，提高信号处理过程中相位信息的可靠性，并采用自适应窗函数提取主频信号以提升干涉偏移估计的稳定性。利用互相关函数精确提取干涉信号的相对偏移量，建立干涉偏移与沉降量之间的线性映射关系，实现沉降量的高精度估计。实验结果表明，该方法在1~10 cm沉降范围内监测误差不超过±0.5 cm，线性拟合决定系数（
- 摘要：本文针对空间调制（Spatial Modulation， SM）短码编码系统的译码性能受限问题，提出了一种基于二维极化空时编码的空间调制（2D Polar-Coded SM， 2D-PC-SM）系统。不同于一维极化码空间调制（1D-PC-SM）方案仅在时间域编码，所提方案进一步引入空域编码，充分利用大规模天线阵列提供的空间维度，将信源信息在时间域和空间域联合编码生成二维码字矩阵，并通过空间调制映射完成传输，提升短码场景下的传输可靠性。在接收端，利用空时编码后空间调制符号的稀疏特性，提出了基于正交匹配追踪（Orthogonal Matching Pursuit， OMP）和近似消息传递（Approximate Message Passing， AMP）的检测译码接收机。仿真结果表明，所提2D-PC-SM-AMP的译码性能距离最大似然（Maximum Likelihood， ML）接收机的一维编码系统小于0.1 dB。同时，相较于最小均方误差（Minimum Mean Square Error， MMSE）检测，基于OMP和AMP的检测译码接收机大幅降低了计算复杂度，并取得2 dB的译码性能增益。关键词：空间调制;极化码;空时编码;稀疏性;压缩感知107|79|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：漏波天线（Leaky-Wave Antennas，LWAs）由于其波束扫描能力在通信和雷达领域具有广泛的应用。但传统漏波天线普遍存在缺陷，其一，波束扫描多依赖频率调控，难以适配固定频段的应用场景，其二，为实现扫描功能常需引入周期性结构，易引发开阻带现象。本文基于单向表面磁等离子体激元（Surface MagnetoPlasmons，SMPs）的独特物理特性，提出并系统研究一类新型漏波天线。通过理论推导与数值模拟相结合的方法，全面揭示了由旋磁材料层与介质层构成的导波结构中所有可行模式的色散特性、辐射性能及动态调控机制。研究表明所提出的导波结构具有本征单向传输特性的单向SMPs模式，该SMPs传输模式具有免疫背向散射的非互易传输特性，且可以通过调节偏置磁场强度来控制SMPs模式的控制频率，是实现高性能漏波天线的理想载体，为高性能波束扫描器件的设计提供了理论支撑与技术方案。在数值模拟中，采用有限宽度梯度调控的旋磁铁氧体构建SMPs波导，在SMPs波导结构开放表面获得均匀的场分布，该设计可获得理想的远场辐射方向图，并且辐射效率可调控至任意期望值，在本研究案例中的优化结构辐射效率可达95%以上。此外，通过调节外部磁偏置，可实现单向SMPs模式动态调控和色散曲线偏移，直接实现对漏波天线扫描角度的磁场控制，在固定频率下，实现±60°以上的波束扫描范围。与传统漏波天线相比，这种基于SMPs的设计具有显著优势，可在固定频率下实现波束扫描而无需依赖频率调控，且避免了传统设计中由于引入周期性结构导致的开阻带。这些特性使基于SMPs的漏波天线成为辐射与波束扫描应用的潜在解决方案，有效突破了传统波束扫描天线的性能瓶颈，兼具固定频率扫描、宽频稳定、高效辐射及灵活调控等核心优势，在微波、太赫兹等频段的高精度波束控制、高效辐射系统中具有广阔应用前景。关键词：表面磁等离子体激元（SMPs）;漏波天线（LWAs）;旋磁性;铁氧体;非互易性93|51|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：长期环境监测设备作为物联网的关键节点，在智慧城市系统中发挥着至关重要的作用。然而，为这些设备提供可持续的长期电力供应仍然是一项重大挑战。在本研究中，我们提出了一种基于绿色植物叶片的植物耦合能量收集系统（Plant-Coupled Energy Harvesting System， PCEHS），用于从周围环境中收集能量并支持长期环境监测设备运行。植物叶片广阔的生物界面为耦合环境中的电磁能量提供了理想的媒介，其角质层与细胞层在工频电场下可等效为电容-电阻结构，能够有效汇聚环境中的电磁辐射。实验结果表明，玫瑰书带木、辐叶鹅掌柴、红鸡蛋花等多种类型的植物叶片在50 Hz工频电场作用下均能够产生有效的电能输出，并且在叶片遭受纵向撕裂、横向撕裂等物理损伤的情况下仍能保持稳定的能量供应，验证了系统良好的鲁棒性。其中，辐叶鹅掌柴因叶片宽大平坦、叶脉网络发达，展现出最优的能量收集性能，被选为后续实验的研究对象。该系统采用事件驱动型间歇工作与双级异构储能架构，通过小容量电容器快速积累能量并周期性唤醒电源管理芯片，实现了极低的静态功耗。本研究成功将PCEHS部署于实际办公场景，以植物盆栽叶片为能量耦合介质，通过笔记本电脑充电器产生的环境电场，实现了长达数天的温湿度连续监测，数据每5 min通过无线网络上传至手机终端。实验数据表明，该系统单次信号传输能耗低至0.27 mJ，5 min 监测周期总能耗约为2.455 mJ，充分验证了PCEHS在超低功耗下的稳定运行能力，可满足长期监测需求并适配各类能源敏感场景。凭借其稳定性、可持续性与环境友好特性，PCEHS无需接触电力线，也不依赖光照或机械运动，在绿色建筑、智能办公等典型低频电磁场场景中展现出广阔的应用前景。该技术有望在城市管理智能化与效能提升方面发挥关键作用，为智慧城市的可持续发展提供有力支撑。关键词：植物耦合能量收集;环境电磁能量;可持续系统;自供电系统;智慧城市;物联网89|105|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
学术论文
- 摘要：近年来，卷积神经网络（Convolutional Neural Network，CNN）、视觉Transformer以及大规模语言模型（Large Language Model，LLM）等深度学习模型在表示学习与任务泛化方面取得显著进展。然而，随着模型参数规模与计算复杂度迅速增加，其推理延迟与存储开销持续攀升。在遥感领域，高分辨率遥感图像与合成孔径雷达（Synthetic Aperture Radar，SAR）图像具有幅面大、分辨率高、场景复杂、目标多尺度以及小目标占比高等特点。因此，目标检测模型不仅需具备强大的表征能力以应对复杂背景与尺度变化，还必须满足星载、机载及边缘设备等受限平台对实时性与低功耗的严格要求，这使得“精度提升”与“高效部署”之间的矛盾日益凸显。本文首先系统回顾了深度网络压缩与加速技术的发展历程，涵盖从传统手工优化到剪枝、量化与知识蒸馏等经典方法，并进一步探讨了大模型时代下的条件计算与推理优化策略，包括混合专家系统（Mixture of Experts，MoE）、键值（Key Value，KV）缓存优化与混合量化等。其次，通过整合遥感目标检测领域的主流数据集与评价指标体系，本文构建了一个面向“精度-效率-资源”权衡的多维评估基准，用于分析不同压缩方案在遥感场景中的适配性与局限性。与现有综述多沿单一算法主线或仅聚焦轻量网络不同，本文从“算法视角”与“模型规模视角”两个互补维度组织研究脉络：算法视角侧重于在既定模型上通过剪枝、量化、蒸馏与稀疏化来降低计算与存储复杂度；模型规模视角则区分轻量模型与大规模基础模型在结构冗余、敏感模块与内存瓶颈方面的差异，进而分析压缩策略在不同体量模型中的作用机制与优化潜力。再次，基于这一双视角框架，本文对代表性方法的核心思想与实现要点进行对比，总结影响压缩效果的关键因素，并提炼可复用的工程化实践建议，以期为模型选型与部署配置提供参考。最后，结合遥感智能解译的应用需求与绿色低碳发展趋势，本文展望自适应压缩、多模态协同压缩、参数高效微调与软硬件协同优化等方向，为遥感目标检测模型在边缘端与工程系统中的高效落地提供系统化的理论支持与实践指导。关键词：遥感图像;目标检测;网络压缩;模型规模;加速317|749|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
- 摘要：随着生成式人工智能技术的快速发展，文本图像的篡改手段日趋智能和隐蔽，严重威胁学术诚信、信息安全与社会信任。文本图像篡改分析（检测与定位）旨在判别图像是否存在篡改，并进一步定位图像中被篡改的文本区域，以维护信息的真实性和图像的可信度。本文系统回顾了近年来该领域的研究进展，从单流视觉建模、多模态融合检测、文本语义与结构一致性分析三个视角梳理了现有的深度学习篡改分析方法，并分析各类方法的设计思路与适用场景。在此基础上，本文进一步从模型鲁棒性与工程部署两个横向维度，重点讨论了近年来出现的前沿技术，包括对抗样本训练策略、大型视觉语言预训练模型在文本一致性判定中的应用、跨语种与场景文本检测的挑战、面向嵌入式系统以实现高效部署的轻量化检测网络，以及融合语言模型生成解释以增强模型透明度和用户信任的可解释性方法。在评估基准方面，本文总结了现有公开数据集及其规模和特征，并对代表性方法的检测与定位性能和模型复杂度进行对比分析。最后，结合现有研究工作，本文提出了有待解决的难点与未来发展趋势，为文本图像篡改检测与定位领域提供了全面的技术视角和研究参考。关键词：文本图像篡改;篡改检测与定位;多模态融合;语义与结构一致性;对抗鲁棒性;视觉语言模型;可解释性取证188|300|0<HTML><网络PDF> <Meta-XML>更新时间：2026-06-26
综述评论
