最新刊期
2025年第53卷第10期
- 摘要：波导缝隙阵列天线是微波与毫米波系统中的关键辐射器件，其工作原理在于缝隙切割了波导壁上的表面电流，从而产生辐射.通过设计缝隙的偏置、倾角、长度以及在波导上的排列方式（如谐振式或非谐振式阵列），可以控制天线的辐射方向图、极化方式和阻抗特性.常见的阵列形式包括在宽边中心线两侧交替偏置的纵缝（用于形成边射阵）以及与轴向成一定角度的斜缝（可用于实现频率扫描或圆极化）.该类天线具有结构紧凑、功率容量高和损耗低等优点，广泛应用于雷达、通信及电子对抗领域.传统均匀直线排列的波导缝隙阵列在频率扫描范围和副瓣抑制方面存在局限.为突破这些限制，本文设计并加工了一款中心频率为15.35 GHz的“蛇”形脊波导缝隙阵列天线.该结构创新性地引入“蛇”形慢波线，通过增加电磁波传播路径，显著提升等效传播相位常数，使得频率变化时产生更大的波束偏转，从而实现更宽角度的频率扫描.仿真与实测结果表明，该天线实现了-30°至+30°的宽角度频率扫描，覆盖范围广，且在整个扫描过程中保持良好的低副瓣特性.同时，该结构具有紧凑、低剖面的优点，适合空间要求严格的集成化系统.为进一步提升性能，本文采用结合多测量向量与欠定系统局灶解法的M-FOCUSS（一种多测量向量（Multiple Measurement Vectors，MMV）欠定系统局灶解法（FOCal Underdetermined System Solver，FOCUSS））综合算法，对阵列进行稀疏优化.该方法在保证辐射性能的前提下，将缝隙单元数量减少约28%，实现约-18 dB的低副瓣电平，并保持良好频率扫描特性.稀疏化使波导表面开孔面积减少，功率容量提升约40%，对高功率应用具有重要意义.实验测试结果与全波仿真数据吻合良好，验证了“蛇”形脊波导结构在拓展波束扫描范围方面的有效性，以及M-FOCUSS稀疏综合方法的实用价值.该设计为波导缝隙天线实现宽角频率扫描与低副瓣性能提供了新思路，同时展示了稀疏化在提升功率容量和降低制造成本方面的潜力，对新一代高性能扫描天线发展具有积极参考意义.关键词：波导缝隙天线;脊波导;频扫天线;低副瓣;稀疏天线41|7|0更新时间：2026-02-05
- 摘要：近年来，神经网络驱动的音频压缩方法在低比特率语音重建方面表现出显著优势，但其高计算开销与部署复杂度限制了在边缘设备上的实际应用.为此，本文面向移动终端等资源受限场景，提出一种轻量化的神经语音压缩系统.该系统在Funcodec框架基础上，对编码器模块进行优化设计，构建了基于卷积神经网络的简化结构，并引入融合感知对齐、频谱约束和对抗训练的知识蒸馏策略，有效迁移教师模型的表征能力.实验结果表明，所提出的卷积神经网络编码器在保持压缩质量接近原系统的前提下，大幅降低模型复杂度与推理延迟，可在边缘设备上实现毫秒级音频压缩处理.进一步地，针对原始量化索引中存在的冗余问题，本文提出基于哈夫曼树的变长编码方法，在不影响重建精度的条件下节省约5%的存储空间，提升系统的传输效率.综合实验结果表明，所提出方案在压缩质量、计算开销与工程部署可行性之间实现了良好平衡，具备在实际语音采集与感知系统中广泛推广的潜力.关键词：音频压缩;哈夫曼编码;蒸馏学习;边缘计算30|1|0更新时间：2026-02-05
- 摘要：本文设计并实现了一款基于磷化铟高电子迁移率晶体管（High Electron Mobility Transistor，HEMT）芯片的低插损、气密性低噪声放大器（Low Noise Amplifier，LNA）模块.针对传统波导E面探针（E代表波导的电场平面）封装结构在环境实验中容易受到水汽影响的缺陷，提出具有气密性能的垂直波导-微带过渡设计，提升了放大器模块在恶劣环境中的可靠性.同时，通过在波导短路区域周围引入周期性间隙波导结构，有效抑制了石英基板中电磁波能量泄漏与高次模谐振.仿真结果表明，该波导-微带过渡结构在87.5~90.5 GHz内反射损耗小于-25 dB，插入损耗小于0.3 dB.通过补偿键合金丝自身引入的寄生电感，带内反射性能由-15 dB改善至-25 dB，降低能量在传输过程的反射.模块实测结果显示，放大器模块在工作频段内增益大于20 dB，输入端反射损耗小于-20 dB，典型噪声系数值为2.5 dB，双边封装导致的损耗小于1 dB.整体性能与芯片手册数据吻合度较高，验证了该设计的有效性.关键词：气密性;低噪声放大器;间隙波导;低损耗封装;毫米波48|3|0更新时间：2026-02-05
- 摘要：针对传统超表面吸波器（MetaSurface Absorber，MSA）单频带工作、难以区分脉冲波（Pulse Wave，PW）与连续波（Continuous Wave，CW）的局限，本文提出了一种基于全波整流非线性电路的双频带MSA设计方案，其基本单元由三层组成，具体包括顶部加载非线性电路的两个相同尺寸的金属方环形谐振器、中间介质层以及底部金属接地面.通过创新性的电容/电感非线性电路组合，并引入额外并联电感调节谐振频点，构建了4种具有双频带波形选择性吸收效果的MSAs实现方法.这些MSAs可在两个独立频带内精准且独立地吸收特定波形（CW或PW）.且仅需改变并联电感值即可灵活调整工作频带，显著提升了设计的MSAs的工作灵活性与适配性，有效解决了现有电磁吸波器件在复杂多频谱应用场景中的局限性.为使研究具有普遍性，本文以4种类型中的一种双频带MSA作为重点研究对象，即加载电感式非线性电路和加载并联额外电感的电容式非线性电路，重点研究其波形选择特性.首先，通过电磁-电路联合仿真深入探讨了该双频带MSA对不同功率CW与PW的选择性吸收性能，明确功率阈值（-5 dBm）对二极管整流功能及阻抗匹配的关键影响.其次，研究了双频带MSA在不同脉冲宽度下对PW选择性，验证其与电路时间常数的匹配关系.再次，本文对双频带MSA在斜入射横电（Transverse Electric，TE）极化波与横磁（Transverse Magnetic，TM）极化波的波形选择性吸收性能的影响进行了详细分析，证实该MSA具备宽角度稳定性.最后，本文系统地阐述了集总电路元件参数（RC、C、RL、L）对不同波形入射波选择性吸收性能的影响.本文提出的双频带波形选择性MSA，凭借其灵活的频带可调性、稳定的极化与角度适应性，为解决多频带通信中的“脉冲杂波滤除”“频段间干扰抑制”问题提供了有效的技术路径，在天线设计、无线通信信号优化及电磁兼容防护领域具有重要的理论价值与潜在应用前景.关键词：超表面吸收器（MSA）;波形选择性;双频带;连续波（CW）;脉冲波（PW）59|8|0更新时间：2026-02-05
- 摘要：在电网巡检中，输电线路巡检机器人（Transmission Line Inspection Robot，TLIR）承担全覆盖式巡检任务，其长距离作业与高频数据采集对任务处理的实时性和能效提出严苛要求.移动边缘计算（Mobile Edge Computing，MEC）通过在网络边缘部署计算与卸载能力，能够有效支撑输电线路巡检的实时数据处理.传统巡检策略将路径规划和任务卸载视为两个独立过程进行分阶段优化，忽略了变量间的动态关联与时序联动，难以实现系统性能的全局最优.针对MEC辅助密集输电线路巡检中存在的决策时序差异、任务低时延需求与系统节能难以兼顾的问题，本文提出一种基于粒度嵌套的多目标输电线路巡检卸载策略，通过构建多单一窗口嵌套于复合窗口的粒度嵌套结构，实现路径规划、任务卸载和资源分配的联合优化.在该粒度嵌套结构中，复合窗口主要控制TLIR的巡检路径规划，单一窗口则依据通信状态和资源变化动态决策任务卸载与资源分配，以应对多个优化任务间的控制周期差异，确保系统时延和能耗最小化.为实现TLIR的全覆盖式巡检，本文引入欧拉图策略，通过研究巡检场景的拓扑特性，构建覆盖所有电力线的最短欧拉回路，并采用李雅普诺夫优化技术将数据积压和能耗管理的长期随机优化问题逐步转化为时隙级的确定性问题.针对优化变量间的复杂耦合与决策时序差异特性，本文进一步提出一种粒度嵌套感知的多目标自适应卸载算法（a Nested-Granularity-Aware Multi-Objective Adaptive Offloading algorithm，NGA-MOAO），将原NP-hard问题分解为两个子问题，并设计基于单一窗口激励反馈的跨窗口联合优化策略，通过动态调整单一窗口的任务卸载与资源分配来生成激励信号，进而在信号中叠加全覆盖硬性约束的惩罚项以引导复合窗口中的路径规划，最终实现多变量间的协同优化.仿真结果表明，NGA-MOAO算法在不同杆塔数量、加权系数占比和任务量激增下，时延和能耗均优于各对比方案且波动更小.在确保全覆盖巡检的前提下，NGA-MOAO算法相较于对比方案在巡检成本、能耗和时延上分别减少了11.75%、15.11%和8.32%以上，资源利用率提高9.47%以上，适用于复杂输电线路环境中的全覆盖式巡检.关键词：电网巡检;全覆盖;移动边缘计算;多目标;欧拉图;李雅普诺夫优化;粒度嵌套60|5|0更新时间：2026-02-05
- 摘要：随着无人机蜂群在民用领域的广泛应用，掌握其所在位置空间角度、信号极化等关键状态参数，对其有效监管至关重要，利用电磁矢量传感器阵列进行波达方向与极化联合估计可获取无人机的空域角度与极化参数.然而在复杂电磁环境中非合作无人机蜂群中的多无人机目标同时探测场景下，尤其环境中存在功率较强的干扰信号时，传统基于电磁矢量传感器阵列的参数估计算法对功率较弱的真实目标信号的参数估计性能下降.因此本文提出一种基于三维几何代数（Geometric algebra of Euclidean 3-space，G3）模型的不变噪声子空间空域与极化域参数联合估计算法.首先基于G3模型下的MUSIC算法的期望谱研究强弱信号共存对基于G3的传统子空间算法参数估计性能的影响，然后理论证明了在G3模型下接收信号阵列协方差矩阵具有噪声子空间不变性.本文算法基于G3的噪声子空间不变性进行空域-极化域联合参数估计，利用入射信号功率提升时噪声空间特征值保持不变这一特性，提高了算法对功率较弱的真实目标信号的波达方向与极化联合参数估计性能.通过理论推导虚拟信源极化参数变化对基于G3的阵列协方差矩阵噪声子空间不变性的影响，证明了算法无需4维谱峰搜索，仅通过2维谱峰搜索即可实现空域与极化域参数联合估计，提高了算法的计算效率.仿真结果表明，随着强干扰信号功率的提升，传统算法无法分辨功率较弱的入射信号.而本文所提出的算法在不同信噪比、强弱功率比和噪声相关性条件下，对弱信号的参数估计性能均优于传统算法，相较于传统算法，本文算法对弱信号可测向的信噪比门限可降低3 dB以上，空域与极化域参数联合估计精度可提高88.7%，且与传统基于不变噪声子空间类算法相比，计算量可减小97.11%以上.本文所提出算法可用于复杂环境中尤其存在强功率干扰时，对非合作无人机蜂群中的多无人机同时获取其所在位置空间角度与其发射信号的极化参数，在基于无人机平台的移动无线通信抗干扰等场景中亦有潜在应用价值.关键词：信号参数估计;抗强干扰;电磁矢量传感器;几何代数;不变噪声子空间;无人机蜂群31|2|0更新时间：2026-02-05
- 摘要：传统驾驶行为识别方法存在依赖外部传感数据、易受环境干扰及难以反映驾驶员内部认知状态等局限.为此，本文构建一种多模态生理信号深度学习框架，融合Transformer与卷积神经网络（Convolutional Neural Network，CNN），以实现驾驶行为高精度识别与可解释性分析.研究依托包含脑电图（ElectroEncephaloGraphy，EEG）、心电图（ElectroCardioGraphy，ECG）、肌电图（ElectroMyoGraphy，EMG）与皮肤电导率（Galvanic Skin Response，GSR）的多模态生理数据集（Multimodal Physiological Data for Behavior recognition，MPDB），系统规划从信号预处理、特征提取至时空融合的完整流程.各模态信号通过滤波、伪迹校正、特征标准化及时频变换后同步对齐，构建时空特征张量以实现不同生理模态间的统一表示.在模型架构层面，CNN分支负责捕捉局部时空模式并提取短时响应特征，Transformer分支则凭借自注意力机制对生理信号长程依赖与跨模态交互关系建模，兼顾局部敏感性与全局时序建模能力.融合网络采用双流结构，将多头注意力与多尺度卷积相结合，并引入动态权重分配机制实现特征自适应融合.优化进程运用AdamW算法与Dropout正则化，进一步提升模型的泛化性能与收敛稳定性.实验结果表明：该模型在二分类（平稳驾驶/动态驾驶）任务中，准确率分别达到94.9%与98.75%；在5种驾驶行为识别（平稳驾驶、加速、减速、换道、转弯）中，模型平均准确率为85.39%，显著高于循环神经网络（Recurrent Neural Network，RNN）、长短期记忆（Long Short-Term Memory，LSTM）网络、支持向量机（Support Vector Machine，SVM）、单一CNN及单一Transformer模型，且在F1分数和召回率上取得了良好的平衡，验证了其在多模态信号表征和时序依赖建模方面的综合性优势.模型训练曲线也表明：该框架收敛速度快且收敛损失值较低，体现出较强的鲁棒性与抗过拟合能力.在此基础上，为提升模型可解释性，本文引入深度SHAP（Deep SHapley Additive exPlanations，DeepSHAP）方法对所建立模型的决策过程进行特征归因分析.分析结果表明：高频脑电信号（β波、γ波）和上肢肌电信号对加速驾驶操作影响较大，而胫骨前肌活动和反应延迟对换道驾驶操作具有显著影响.本文提出的方法揭示了不同驾驶操作背后生理响应规律，为探究驾驶员神经-行为层级关系提供了新的视角.综上所述，本文提出的Transformer-CNN融合框架能够有效提取多模态生理信号的时空信息特征，在识别精度、稳定性以及解释性等性能指标方面均表现优异，不仅为智能驾驶监测系统提供实用的技术支持，还为在驾驶安全研究中多源信号建模与可解释人工智能的应用提供技术方向.下一步工作将考虑自然驾驶条件对所提方法的影响，以期其在驾驶状态实时监测、连续性风险预测中得到更广泛的应用.关键词：驾驶行为;多模态生理信号;Transformer;卷积神经网络（CNN）;SHAP79|3|0更新时间：2026-02-05
- 摘要：在城市环境下，人、车等对象的移动轨迹数据蕴含着丰富的居民活动信息，对城市规划、交通管控和流行病传播分析等具有重要价值.然而，隐私保护和商业机密等因素极大地限制了轨迹数据的共享和使用.生成能够保留真实轨迹特征的合成轨迹，以代替真实轨迹发布应用，已成为突破此限制的一种优选方案.近期，基于深度学习技术的轨迹生成研究颇受学术和工业界的关注，基于生成对抗网络（Generative Adversarial Networks，GAN）、扩散模型等的轨迹模型相继提出.但现有轨迹生成模型存在两大局限：其一，未能有效捕获人类移动轨迹中的全局空间依赖关系；其二，未能有效建模城市环境对轨迹生成的影响，导致生成的轨迹与真实场景存在偏差.为此，本文提出融合多源城市环境信息的知识图谱驱动轨迹生成模型（urban Trajectory Generation via Knowledge Graph-enhanced multi-source context fusion，KG-TrajGen）.首先，该模型整合路网拓扑数据、兴趣点（Point Of Interest，POI）、功能区域划分情况等关键的多源城市环境数据，分别构建基础的道路知识图谱（Road Knowledge Graph，RKG）和环境语义增强型道路知识图谱（Environment-semantics-enhanced Road Knowledge Graph，E-RKG），并采用关系图卷积网络（Relational Graph Convolutional Network，R-GCN），从RKG中学习路段基础嵌入，以同时捕捉道路间的局部和全局空间依赖关系，采用结构感知的知识图谱嵌入方法，从E-RKG中学习城市环境知识，赋予模型环境感知能力，以进一步丰富路段嵌入特征.其次，采用Transformer解码器模型，从历史轨迹数据中学习城市中的人类活动模式特征，获取到历史轨迹数据增强的路段嵌入特征.最后，通过有效融合知识图谱增强的路段嵌入和历史轨迹数据增强的路段嵌入特征，以自回归方式实现环境感知的细粒度轨迹生成.在两个开源的真实轨迹数据集上的实验表明：KG-TrajGen在统计特征误差、频繁模式特征误差和轨迹误差方面的指标显著优于基线方法，且生成的轨迹能够在交通流量预测这一下游轨迹分析任务上也优于基线方法，充分验证了KG-TrajGen模型的有效性.KG-TrajGen模型的代码可在https：//github.com/trajgen/KG-TrajGen获得.关键词：知识图谱;路网;轨迹生成;隐私保护;城市环境;Transformer71|5|0更新时间：2026-02-05
- 摘要：恶意软件家族通过代码混淆、多态变形等技术持续变异，导致特征空间偏移与模型决策边界失效，且零日攻击的快速演化和早期小样本场景进一步加剧了传统检测模型的知识退化与适应瓶颈.针对上述问题，本文提出一种基于多原型小样本类增量学习的恶意代码分类方法MP-FSCIL（Multi-Prototype Few-Shot Class-Incremental Learning），旨在解决动态环境下模型灾难性遗忘与过拟合问题.在基类训练阶段，将可分离大核注意力（Large Separable Kernel Attention， LSKA）与DenseNet网络融合，设计面向恶意软件图像的专用特征提取器，通过LSKA模块的大核注意力机制捕捉恶意软件图像的全局特征，结合DenseNet的密集连接特性保留细粒度局部特征，有效解决了传统特征提取器对恶意软件图像关键特征捕捉不充分的问题，模型在Malimg数据集上实现99.36%的分类准确率，优于现有FSCIL（Few-Shot Class-Incremental Learning）方法在Malimg数据集上的特征提取效果；在新类适应阶段，构建“自适应聚类-多原型学习”协同机制：通过G-means算法基于恶意软件特征分布自动迭代确定新类最佳聚类数量，再结合多原型学习为每个新类生成多个类原型，解决了传统单原型方法对类内特征异质性较高的恶意代码家族区分能力弱的问题，该策略使模型在每个增量会话上对新类识别准确率平均提升17.23%.在Malimg与Microsoft Big 2015数据集上的跨数据集类增量实验验证了模型在真实恶意代码演化场景中的有效性，实验结果表明，MP-FSCIL在保持旧类记忆的同时，能够较好地学习新类特征，和现有研究方法相比，模型在所有类别上分类准确率提升8.89%，在最后一个增量会话上的性能下降率降至12.21%，且模型参数量仅为16.18 M，对每个样本的推理时间仅为12.6 ms，适合在实际应用中部署，为开放动态环境下的恶意软件检测提供了鲁棒、可扩展的解决方案.关键词：网络安全;恶意代码;多原型;小样本类增量学习;可分离大核注意力;G-means算法19|1|0更新时间：2026-02-05
- 摘要：漏洞知识图谱作为网络安全知识建模的重要工具，在漏洞分析、威胁建模、安全态势感知和攻击链追踪等关键任务中发挥着日益重要的作用.与通用知识图谱覆盖领域广、更新周期长，侧重于通用知识与关系建模不同的是，漏洞知识图谱更新频率高，面临着数据异构、语义歧义和知识稀疏的挑战，往往需要融合非结构化描述信息进行联合建模.然而，现有方法仍局限于三元组建模范式，忽略了网络安全知识库中丰富的安全文本信息，导致漏洞知识图谱补全与攻击链预测精度受限.为此，本文提出构建一种漏洞描述知识图谱（Vulnerability description Knowledge Graph，VKG-T），通过联合结构和语义信息，增强漏洞弱点信息的补全能力.同时，本文设计了一种双模态感知聚合的漏洞描述知识图谱补全模型（Vulnerability description Knowledge Graph Completion， VKGC-ST），该模型结合图注意力网络（Graph ATtention networks，GAT）与预训练语言模型，综合考虑实体的结构邻接特征与文本描述信息，并结合多层次负采样与对比学习机制，提升实体语义判别能力和结构关联建模效果.通过在漏洞描述知识图谱VKG-T以及通用数据集FB15K-237、WN18RR上的链接预测实验证明，VKGC-ST在所有指标上均取得最佳性能，其中在漏洞描述知识图谱数据集上平均提升率为9.42%，最大提升率15.51%，展现了优异的泛化能力与领域适应性.关键词：漏洞知识图谱;知识图谱补全;知识表示学习;双模态感知;对比学习;攻击链预测41|4|0更新时间：2026-02-05
- 摘要：数据竞争是操作系统内核中最隐蔽且危害最严重的并发问题之一.当两个或多个内核执行线程在缺少适当同步机制的情况下，并发访问同一块共享内存，且至少有一个访问是写操作时会导致数据竞争.数据竞争会引发数据损坏、逻辑错误和内核崩溃，甚至可能被攻击者利用构造提权或拒绝服务攻击.因此，在操作系统开发与测试阶段，设计高效且精准的数据竞争检测机制，对保障系统的稳定性和安全性至关重要.然而，内核并发环境的复杂性与不确定性为数据竞争的检测带来了巨大挑战，现有的动态检测方法因需要追踪锁集或发生序关系、检测严重依赖内核自发产生的线程交错，存在性能开销大、复杂问题发现能力弱等局限性，严重影响了数据竞争检测的效率与准确性.为解决上述挑战，本文提出了一种基于推断-验证模式的内核数据竞争检测方法RIV（Racepair Inference-Validator）.RIV的核心思想源是“推断-验证”检测模式.RIV先通过分析线程执行情况与内存访问信息来推断潜在竞争变量对，再通过内存观测点与延时注入方式对潜在竞争变量对进行定向验证，以实现数据竞争的精确检测与复现.同时，RIV利用静态污点分析识别潜在共享变量，以减少被插桩代码量和降低运行性能开销；并通过采集变量访问的内存地址和发生时间，确保数据竞争检测准确度.为了验证RIV的有效性，本文在6款广泛使用的Linux内核模块上进行了实验评估，发现了31个真实的数据竞争且没有被误报，其中12个被Linux内核开发者确认.在性能对比方面，相比现有内核数据竞争检测方法KCSAN、DILP及SDILP，RIV分别提升1.5倍、6.7倍与1.8倍性能，并基于独特的推断-验证机制发现了更多真实的数据竞争，证明了其在解决复杂竞争发现能力弱这一核心问题上的突破.综上所述，RIV为操作系统内核的并发安全提供了一种高效、精准且实用的自动化检测方案.关键词：操作系统内核;数据竞争检测;动态分析;观测点采样66|2|0更新时间：2026-02-05
- 摘要：说话人无关的视觉配音技术旨在通过语音信号驱动说话人脸视频中唇部区域的运动，实现音视频的高度同步与自然融合.该技术不仅要求编辑后的视频具备良好的语音-视频同步性，还需保持面部纹理与身份特征的一致性.然而，现有方法在处理存在自然头部运动的视频时，常出现修复区域与真实人脸区域纹理不一致的问题，导致生成质量下降.为解决上述难题，本文提出了一种跨模态语义增强与3D人脸引导的运动纹理协同生成网络.该方法以三维可变形人脸模型（3D Morphable Model，3DMM）作为中间表示，将任务分解为语音驱动的3D表情系数预测与运动-纹理协同的人脸渲染两个子任务.首先，设计了跨模态语义增强的3DMM表情系数预测网络，通过引入Wav2Lip生成的语义图像序列与局部跨模态注意力机制，显著提升了语音-视频的同步率与几何一致性.其次，提出3D人脸引导的运动纹理协同渲染网络，利用多参考人脸与3D重建人脸进行纹理补偿与细节增强，并构建多任务学习框架以保证修复区域与真实人脸的纹理一致性.在VoxCeleb1和VoxCeleb2数据集上的大量实验表明，本文所提方法在生成保真度、运动鲁棒性和同步性方面均优于现有代表性方法.与基线模型相比，本方法在VoxCeleb1数据集上实现了峰值信噪比（Peak Signal Noise Ratio，PSNR）提升7.76，学习感知图像块相似度（Learned Perceptual Image Patch Similarity，LPIPS）降低0.08，结构相似性指标（Structural Similarity Index Measure，SSIM）提升0.11，人脸关键点距离（Landmark Distance，LMD）降低1.10，音画同步评分（Lip-Sync Score，Sync）得分提高0.20；在 VoxCeleb2数据集上，分别实现了PSNR提升7.12，LPIPS降低0.10，SSIM提升0.11，LMD降低1.10，Sync得分提高0.15.实验结果充分验证了所提方法在复杂头部运动与多样身份条件下的有效性与优越性.关键词：视觉配音;说话人无关;跨模态注意力;3D人脸建模;运动纹理协同生成55|7|0更新时间：2026-02-05
- 摘要：不确定性问题在现实世界中普遍存在，对人类理解认知世界和决策行为产生重大影响，也是不确定性人工智能研究的重要课题之一.尽管人工智能在处理不确定性问题方面取得一定进展，但仍难以有效认知处理不确定性问题.不确定性主要来源于概念边界的不确定性及刻画概念边界信息不足导致的不确定性.因此，如何准确识别不确定性问题的边界并有效处理边界成为人工智能领域的重要科学问题.本文首先总结归纳了认知处理不确定性问题的理论模型和方法，揭示了认知不确定性问题本质上是研究两个对立状态（确定状态）之间转变的过渡状态（边界），即识别和处理边界问题.随后从认知不确定性问题边界的角度，按照“点、线、面”的精确边界到“区间、区域、空间”的模糊边界等不同维度，分析了不确定性问题的边界呈现形式.最后，对处理不确定性问题的边界理论进行了讨论和总结，并对未来研究问题和方向进行了展望.本文研究为认知不确定性问题提供了一个新的视角，旨在推动不确定性问题的边界理论的发展和完善.关键词：不确定性问题;边界;粗糙集;模糊集;状态转变14|4|0更新时间：2026-02-05
- 摘要：行人轨迹预测在自动驾驶、智能安防及智慧城市等领域有着广泛用途，但是行人交互的复杂性和不确定性使得行人轨迹预测任务至今仍是一个充满挑战的课题.现有行人轨迹预测模型存在以下共性局限性：（1）仅考虑单一的社交耦合关系，不但引入了冗余交互关系，而且未能充分考虑不同场景下轨迹社交耦合关系不同以及行人间耦合关系不一的特性，从而限制了模型对不同场景特征的深度挖掘与有效利用；（2）未充分考虑域偏移问题，极少数方法虽然考虑了域偏移问题，但是采用基于统计准则的域分布对齐方式，对预定义统计度量具有高度依赖性，对复杂多变场景表现出明显的局限性.为了解决上述问题，本文提出了一种基于分级包络对抗域适应和松-紧耦合的行人轨迹预测模型.首先，设计包络样本变换机制构造包络样本并将其拓展到图结构；其次，结合局部域适应和全局域适应，设计对抗域适应模块；此外，针对不同场景下不同耦合关系，构建松-紧耦合包络样本构造模块.实验部分采用了两个代表性的公共数据集进行有效性验证，并与6个相关代表性算法模型进行综合对比.实验结果表明，本文模型比相关算法显著具有更高准确性，ADE（Average Displacement Error）指标与FDE（Final Displacement Error）指标分别下降了17.6%和19.1%，时间开销满足实际需要，这说明本文主要创新点有效.关键词：行人轨迹预测;社会交互;对抗域适应;包络样本变换;松-紧耦合55|6|0更新时间：2026-02-05
- 摘要：本文针对一个新的、具有挑战性的问题，即实现源域、中间域到单个目标域的知识转移，其中目标域的每个类别仅有少量标记样本.此种情况下的知识转移过程面临以下两个困难：一是目标数据极其稀缺，从而导致没有足够的目标域特征分布；二是现有的少样本学习方法无差别地提取每部分特征，从而导致少样本目标检测性能不佳.为解决上述问题，本文提出一种少样本多源域目标检测方法.提出一种新的元优化机制，通过引入的混合域将源域和目标域对齐，用以缓解目标域稀缺特征分布的问题.具体而言，首先利用图像级混合生成混合图像，和相应的标签共同构成第一个混合域；然后通过双通道注意力机制生成细粒度特征，再利用特征级混合生成特征级混合特征，和相应的标签共同构成第二个混合域；最后通过区域建议网络和感兴趣区域网络生成感兴趣区域特征，再利用感兴趣区域特征级混合生成ROI（Region Of Interest）级混合ROI特征，和相应的标签共同构成第三个混合域.生成的三个混合域共同用于计算损失函数，完成元优化过程.提出一种包含卷积层和特征校准的双通道注意力机制，用以学习更具判别性的深度特征表征，其中卷积层用于防止关键空间信息的丢失，特征校准用于选择性地增强重要特征并削弱非重要特征.具体而言，首先利用卷积层子模块生成粗粒度特征表示；其次，利用特征校准子模块根据特征间的相关性建立注意力权重，并将这些注意力权重与原始特征进行整合，从而有选择地强化重要区域，同时抑制不重要区域.COCO数据集和PASCAL-VOC数据集的大量实验结果证明了本文提出的跨域元优化和双通道注意力结合的少样本多源域目标检测方法的有效性和鲁棒性.在检测效果上超越了同领域内其他方法，同时在不同数据集上保持了良好的泛化性能，此外模型的参数量在同领域内相比其他方法有显著优势.关键词：少样本多源域目标检测;跨域元优化;双通道注意力53|4|0更新时间：2026-02-05
- 摘要：针对现有语义分割任务在复杂场景下全局语义与局部细节特征融合时难以平衡的问题，本文提出KA表示定理启发的图像语义分割动态融合网络（Dynamic Kolmogorov-Arnold Network，DynKANet），包含多级特征提取模块和动态特征融合模块.在多级特征提取阶段，设计基于残差连接的U型上下文增强模块和基于差异图的特征细化模块，分别用于精准捕捉全局语义和局部细节特征，以增强特征表达能力.在上述特征提取基础上，设计KA表示定理启发的动态特征融合模块，采用内外两层函数对前序模块提取的全局语义与局部细节特征进行深度提取和精准拟合，并结合自学习动态特征融合策略，确保全局语义与局部细节信息的平衡互补，有效缓解两类特征融合时难以平衡的问题.此外，设计CE/TopK+Dice动态联合损失函数，并采用条件触发策略，增强模型对困难样本的特征学习能力.实验结果表明，所提模型在涉及5个领域的10个公开数据集上均取得优异性能，平均在每个数据集上性能提升8%，具备较强的泛化能力与应用潜力.关键词：语义分割;KA表示定理;动态特征融合;全局语义;局部细节52|7|0更新时间：2026-02-05
- 摘要：图卷积网络（Graph Convolutional Network，GCN）被广泛应用在基于骨架序列的行为识别方法中，并取得显著效果.然而，随着行为种类和场景复杂度的增加，现有方法在建模人体结构细节与时序依赖方面仍面临诸多挑战，具体表现为以下两个问题：其一，在提取关节间的关联特征时，往往未能充分反映边缘处关节（双手、双脚与头部）之间的相互作用以及边缘处关节与其他关节之间的协同效应；其二，在提取时间特征时，局限于短期时间特征的提取，未能有效捕获长期时序依赖关系.针对以上问题，本文提出一种增强时空图卷积网络模型（Enhanced Spatial-Temporal Graph Convolutional Network，EST-GCN），它由多分支空间增强图卷积（Multi-branch Spatial Enhanced Graph Convolution，MSEGC）模块和多尺度时间增强卷积（Multi-scale Temporal Enhanced Convolution，MTEC）模块堆叠组成.MSEGC通过多阶段学习并传递双流图卷积下的特征，以增强边缘处关节的特征表达能力，从而捕获边缘处关节与其他关节之间的关系；MTEC通过多阶段学习并传递多尺度时间卷积下的时间特征，扩大时间跨度，从而捕获时间帧之间更广泛的时序依赖关系.模型依次通过MSEGC与MTEC提取并融合空间与时间特征，协同建模关节结构关联与时序依赖，提升时空特征判别性.为充分挖掘骨架数据的时空特征，在输入设计上，本文引入关节位置、运动速度与骨骼3类特征，并采用多流融合方式以增强特征表示能力.本文所提出的方法，在NTU-RGB+D数据集的X-Sub与X-View基准上，分别实现了92.4%与96.2%的准确率；在NTU-RGB+D 120数据集的X-Sub与X-Setup基准上，分别达到了88.7%和90.0%的准确率，证明了该方法的有效性.此外，为进一步验证模型在真实场景下的人体行为识别性能，本文基于NTU-RGB+D数据集的视频样本开展了骨架行为识别实验，并在多人交互及关节噪声干扰条件下进行了额外测试.实验结果表明，即使在局部关节出现错乱分配的情况下，模型仍能实现准确识别，验证了所提方法的实用性与鲁棒性.关键词：行为识别;骨架序列;图卷积网络;多分支空间图卷积;多尺度时间卷积;时空特征;多流融合37|4|0更新时间：2026-02-05
- 摘要：随着数字化转型的深化，以预测性流程监控为核心的数据驱动流程分析技术，已成为企业提升运营效能与决策水平的关键.为提升预测性流程监控的精度与泛化能力，现有研究致力于从海量的历史事件日志中挖掘流程的深层表征.然而，真实业务流程的演化不仅遵循既定的时序逻辑，也受到资源分配、数据依赖等潜在结构化因素的影响，这对现有预测模型的表征能力构成了严峻挑战.具体而言，主流预测方法的性能常受限于其单一的过程视角与静态的信息融合策略.多数方法，即便是基于图神经网络，也倾向于从单一的控制流视角建模，忽略了资源交互、数据依赖等关键维度，进而造成流程深层结构与多维关系表征的鸿沟.此外，少数尝试融合多维信息的研究也大多采用静态融合策略，缺乏对多维信息的上下文感知融合能力，使得模型适应性不足.为应对上述挑战，本文提出一种上下文感知多视角图融合预测框架（Context-Aware Multi-view Graph Fusion，CAM-GF）.该框架首先突破控制流局限，系统性地构建了一个过程图谱，该图谱不仅包含捕捉宏观规律的长期依赖图等基础控制流视角，还涵盖了如揭示组织协作关系的资源交互图等扩展语义视角，以捕获流程全局性、多层次的结构化知识.进而，在时空信息融合层面，设计了一种新颖的上下文感知图注意力机制，它以案例的实时执行前缀为输入，动态学习并分配各视角的融合权重.最后，引入Transformer对动态融合后的特征序列进行深度时序建模，以实现对下一活动的精准预测.为验证框架的有效性与实用价值，本文在6六个公开的真实业务流程数据集上进行了综合实验.结果表明，相较于多种主流模型，CAM-GF框架在下一活动预测任务上预测准确率平均提升4.16个百分点.此外，框架动态生成的注意力权重为模型行为提供了高价值的可解释性，揭示了模型如何根据预测反馈与实时上下文，既能在局部上下文失效时回归对全局流程结构的依赖，也能在特定情境下转而聚焦于资源分配等关键语义视角，充分验证了所提框架在精度与透明度上的先进性与实用价值.关键词：预测性流程监控;图注意力网络;多视角表征;上下文感知融合;可解释24|2|0更新时间：2026-02-05
- 摘要：在众多现实场景中数据以流的形式持续产生，由于流数据具有动态变化的特点，在生成过程中可能产生新的类别，也被称为概念演化.概念演化是流数据挖掘模型预测性能衰退甚至预测失效的主要原因.因此，能及时发现类空间变化并提醒模型做出适应性调节的概念演化检测方法受到广泛关注.然而，目前多数概念演化检测方法基于特征空间静态不变的假设构建算法.在现实场景中，特征空间同样具有动态性，属于开放的空间.具体来说，随时间推移可能出现部分特征消失和新特征产生的现象，从而破坏上述假设并导致已有算法失效.针对这一问题，本文提出一种面向开放特征空间的概念演化检测方法（Concept evolution Detection method for Open Feature space，CD_OF）.该方法通过构建微簇集成模型对新进实例分类，对于开放特征空间中的旧特征消失问题，通过利用转移矩阵将旧特征中包含的信息转换到共享特征中；对于新出现的特征，拓展共享特征空间并重构集成模型.在此基础上，根据样本的共享邻域信息定义样本间相似度以检测概念演化，并建立动态衰减模型，以解决开放特征空间下的类消失和类循环问题.实验结果表明，本文所提出的方法能够对开放特征空间中特征的变化作出及时响应，增强概念演化检测的能力，在特征空间变化的真实流数据中与现有方法相比，错误率降低了1.7%~11.4%.关键词：概念演化;开放特征空间;特征相似性度量;共享邻域;动态衰减模型;在线学习18|3|0更新时间：2026-02-05
- 摘要：基于文生图扩散模型的微调技术有助于实现高质量的图像定制化生成效果，但也存在隐私泄露和被用于操纵舆论的风险.当前研究主要聚焦于构造基于提示词级别或图像级别的对抗样本来实现对生成特定人物或风格定制化图像的反制，然而却忽略了这两个不同模态层面对抗样本之间的关联性，以及模型内部功能模块之间对抗性的关联.这些不足导致现有方法生成的对抗样本在实际场景中的反定制化性能受到限制.为此，本文提出了双重反扩散对抗样本生成方法（Dual Anti-Diffusion，DADiff），这是一种反制扩散模型定制化的两阶段对抗样本生成框架，将提示词级别的对抗攻击融入图像级别对抗样本的生成过程中.在第一阶段，DADiff生成提示词级别的对抗向量，以文本层面的对抗扰动信息引导后续的图像层面对抗扰动生成；第二阶段，除了对扩散UNet模型进行端到端对抗攻击外，DADiff还对其自注意力和交叉注意力模块进行干扰，旨在打破图像像素之间的相关性，并使图像利用实例提示词向量和对抗提示词向量计算得到的交叉注意力结果保持一致.此外，DADiff还引入了局部随机时间步长梯度集成策略，通过整合多个分段时间步长的随机梯度来更新对抗扰动.在主流人脸图像数据集和艺术风格图像数据集上的实验结果表明，与现有方法相比，DADiff在跨提示词，关键词不匹配和跨模型的反定制化任务上的平均性能提升了20%.关键词：文本生成图像;扩散模型;模型微调;对抗样本;模型反定制34|1|0更新时间：2026-02-05
- 摘要：高分辨率遥感图像的半监督语义分割旨在利用少量标注样本与大量未标注样本联合训练，从而提升语义分割模型的性能.此种方法在显著降低人工标注成本的同时，能够充分挖掘未标注数据的潜在价值.现有方法通常采用将高分辨率遥感图像裁剪为多个子视图的方式进行训练，主要聚焦于同一视图在不同扰动条件下预测结果的一致性.然而，这类策略往往忽略了不同视图之间的语义与空间关联，限制了模型在标注数据不足时对遥感图像更广泛上下文信息的学习能力.为此，本文提出了一种基于跨视图上下文感知的高分辨率遥感图像半监督语义分割方法，该方法通过显式建模跨视图之间的上下文交互关系，有效提升伪标签的质量，并引入多重跨视图一致性约束机制，以在更广泛的上下文环境中保持预测结果的一致性.具体而言，本方法在训练过程中从原始高分辨率遥感图像中采样多个具有重叠区域的视图，包括一个主视图和若干上下文视图，并将这些视图同时输入模型.进一步设计了空间感知交互融合模块（Spatial-aware Interaction Fusion，SIF），该模块通过交叉注意力与自注意力机制，对不同视图的特征进行交互与融合，生成空间注意力激活图，从而自适应地融合各视图的预测结果，提升伪标签的准确性.同时，本文提出了多重跨视图上下文一致性约束（Cross-View Context Consistency，CVCC），通过匹配重叠区域的空间位置关系，约束多个视图在重叠区域中的预测结果趋于一致，增强模型对跨视图上下文信息的感知与建模能力，避免因视角变化引发的语义歧义. 为全面评估所提方法的性能，本文基于国际摄影测量与遥感学会提供的Vaihingen与Potsdam遥感图像语义分割数据集，设置了多种标注比例并进行系统性实验.实验结果表明，所提出的方法在多种标注比例下均显著优于现有主流半监督语义分割方法.特别是在仅使用一张标注图像的低标注设定下，相较于监督训练的基线模型，本文方法在Vaihingen和Potsdam数据集上分别实现了6.84%和12.73%的mIoU提升，充分验证了其在低标注条件下的卓越性能与强泛化能力.关键词：遥感;语义分割;半监督学习;跨视图上下文一致性;空间感知交互融合;伪标签91|3|0更新时间：2026-02-05
- 摘要：针对合成孔径雷达（Synthetic Aperture Radar，SAR）图像中舰船目标识别任务中存在的类内差异显著与类间相似性高的难题，本文提出一种基于多分支多信息多深度复值特征融合网络（Multi-Branch， Multi-Information， Multi-Depth feature fusion complex-valued Network，M3Net）的舰船目标识别方法.传统方法多依赖人工设计的幅度特征，未能充分利用SAR原始数据中固有的复数特性，忽略了相位信息及其与幅度的耦合关系，导致对舰船精细结构的表征能力不足，识别精度与模型泛化能力受限.本文通过深入分析舰船目标的非圆性和复信号峰度特征，发现两者能够有效表征舰船目标区别于海面背景的散射特性，揭示了复数域统计量对舰船散射特性的表征优势.在此基础上，本文设计了深度复值特征提取模块（Complex Feature Extraction Module，CFEM），通过复卷积运算提取幅相耦合特征，创新性地引入实虚交融激活函数（Cross-fusion of Real and Imaginary Activation，CRIA），通过双激活函数的交叉耦合机制实现非线性特征交互，增强了对复数特征的表征能力.进一步构建多分支多信息多深度融合网络M3Net，通过主干复数域卷积神经网络（Complex-Valued Convolutional Neural Network，CV-CNN）、预训练CFEM分支和实值特征分支的协同处理，结合复数域注意力机制实现异构特征的动态加权融合，自适应突出判别性强的特征通道.在重构OpenSARship数据集上的实验结果表明，所提方法较传统CV-CNN提升5.89%，极差值降低至6.82%，显著改善了类别均衡性.关键词：合成孔径雷达;复数域网络;舰船目标;识别;复值特征62|7|0更新时间：2026-02-05
学术论文
- 摘要：目前Sub-6 GHz频段资源日益稀缺，推动了毫米波在5G/6G通信领域的研究，低相位噪声、高稳定度的毫米波振荡器的研究与开发具有重要的科研价值和应用前景.本文采用具有负阻特性的共振隧穿二极管（Resonant Tunneling Diode，RTD）设计实现了一款Ka波段MMIC（单片微波集成电路）振荡源芯片，有效降低了振荡电路的设计难度.RTD是一种基于量子隧穿效应的半导体器件，双势垒单势阱（Double Barrier Quantum Well，DBQW）结构是该器件最典型的结构，其中势垒由宽带隙材料构成，势阱由窄带隙的材料构成.RTD同时具有非线性特性和负阻特性，通过改变偏置电压可以分别实现源和探测器.文中通过比较GaAs和InP外延材料的特性，最终采用InP材料体系，通过优化外延材料结构设计，研制出的RTD器件峰谷电流比为3.9，峰值电流密度为290 kA/cm2. 该振荡电路采用InP衬底设计实现，主要电路结构包括RTD、共面波导、金属-绝缘体-金属电容（去耦电容和隔直电容）和抑制电阻等. 去耦电容用作射频信号对地短路，以避免射频功率被抑制电阻消耗；隔直电容用于防止在片测量期间直流信号输入频谱分析仪导致仪器毁坏；抑制电阻用于抑制低频偏置振荡.RTD的本征电容与使用短路传输线实现的等效电感一起组成LC振荡网络，产生所需的振荡频率.采用薄膜NiCr电阻来实现抑制电阻，去耦电容和隔直电容采用Si3N4实现.振荡器在片测试结果表明：基波振荡频率为30.67 GHz，输出功率约为-2.2 dBm，相位噪声为-87 dBc/Hz@1 MHz 和-114 dBc/Hz@10 MHz，可调带宽0.72 GHz，FoM为-169.7 dBc/Hz，电路直流总功耗71.3 mW，芯片面积0.39 mm2.仿真结果与实测结果之间的差异可能是由于器件加工误差、短路线偏差以及器件等效电路模型不够精确等原因.本文研究的振荡源芯片在输出功率和芯片面积方面有一定的优势，与国外采用相同工艺实现的振荡源性能之间还有一定的差距.后续将通过优化材料结构、改进电路设计、合理设计抑制电阻阻值等手段进一步优化振荡源的性能.本文研究的基于共振隧穿二极管实现的电路形式的振荡芯片属于国内首次报道，且该方式有望应用于实现太赫兹频段振荡源.关键词：共振隧穿二极管;Ka波段;振荡源;单片微波集成电路;磷化铟11|0|0更新时间：2026-02-05
科研通信
- 摘要：针对现有基于不同隐私定义设计的扰动机制在理论上难以比较优劣的问题，本文从理论层面深入分析了中心化场景和本地化场景下可辨识性、差分隐私和互信息隐私这三类经典隐私定义之间的关系，构建了一个完备的隐私定义框架.具体而言，给定由真实数据先验概率分布决定的常数（当先验概率分布为均匀分布时，常数
- 摘要：随着数字经济的高速发展，数据存储已成为数据要素全生命周期管理的核心环节，在完整性、隐私性、可用性等安全属性上面临多重挑战.区块链依托分布式账本数据结构与密码学共识机制，构建起覆盖数据全生命周期可信存储的基座，为破解安全挑战提供创新技术路径.然而现有区块链技术在可扩展性、效率优化和安全加固等方面仍存在局限，亟需系统梳理区块链赋能数据安全的技术路径与能力边界.本文围绕数据安全服务“数据上链、服务访问、授权管理、生态运营”等关键业务，系统性调研区块链赋能数据安全研究进展，并面向数据安全利用和价值流通等数据产业安全发展指明技术发展趋势.具体地，本文首先从数据上链存储环节出发，分析影响数据完整性的共识机制、可编辑区块链以及完整性审计技术现状；其次在服务访问环节，分析拒绝服务（Denial-of-Service，DoS）攻击和低效率功能两类威胁的攻击原理，并对比当前存储可用性方案的优缺点；面对授权管理环节，从身份管理和密文存储两方面讨论数据跨域和非法访问问题及分析现有解决方案；面对数据存储安全服务生态运营需求，探索可扩展性的共识协议和分片机制两类技术，分析其成本、效率与适配性等方面瓶颈；最后，讨论区块链在数据安全领域赋能大语言模型（Large Language Model，LLM）安全的能力，并展望区块链在抗量子密码算法的能效优化机制、基于联邦学习的区块链弹性扩展架构，以及可信数据要素驱动的大语言模型等研究方向的发展趋势.关键词：区块链;数据安全;存储;安全服务;大语言模型31|1|0更新时间：2026-02-05
综述评论
- 技术支持由北京北大方正电子有限公司提供 京ICP备09064830号-19
京公网安备11010802024621 - 本系统建议在Chrome、 IE9+ 以上版本浏览器阅读本站内容，360浏览器请切换至极速模式
- Cookies帮助我们提供服务并提供个性化体验。使用本网站，即表示您同意我们使用Cookies
0