最新刊期
2026年第54卷第2期
- 摘要：随着精确制导武器的演进与雷达探测技术的进步，基于雷达回波变化实现准确高效的目标毁伤评估，已成为现代战争中的关键挑战。该任务不仅涉及判断目标是否被击中，还需检测命中部位，其结果既是衡量攻防对抗效能的重要依据，也对战术策略与武器系统的优化具有指导意义。本文针对空空作战场景下的飞机目标，系统研究其毁伤评估方法，并重点攻克以下三个关键难点：第一，在真实战场环境中获取打击前后雷达回波数据极为困难，如何通过仿真构建毁伤场景并生成可信的雷达回波数据，是本研究需解决的基础问题；第二，毁伤部位及其形态具有高度随机性与不确定性，导致难以构建完备的毁伤特征库，限制了有监督检测方法的适用性；第三，为满足实时性需求，常采用一维距离像（High Resolution Range Profile，HRRP）进行目标状态监测，但其相较于逆合成孔径雷达图像（Inverse Synthetic Aperture Radar，ISAR），损失了大量稳定的结构特征，增加了毁伤本质特征提取的难度。针对上述挑战，本文提出一种基于多域表征对齐融合的雷达目标无监督异常检测方法，用于实现被打击飞机毁伤效果的准确高效评估。具体而言，针对毁伤场景构建与雷达回波数据生成困难的问题，提出基于Unity 3D的毁伤场景模拟方法，并结合雷达点散射中心模型生成目标回波数据；针对毁伤特征库不完备导致有监督信息难以利用的问题，构建基于正常信号重建的无监督异常检测框架，并引入自注意力机制设计“恒等映射”对消模块，以抑制模型退化，提升毁伤识别能力；针对目标结构信息有限导致本征特征提取困难的问题，提出一种多域表征对齐融合的无监督正则方法，通过引入ISAR像特征以增强HRRP中的结构信息表达，并设计基于格拉姆矩阵的体积度量函数，实现HRRP与ISAR像之间的稳健域对齐，从而增强毁伤本征特征的挖掘能力。从贝叶斯参数优化的视角来看，正常信号重建为模型参数学习提供了可优化的似然函数，而多域表征对齐融合则对应为可优化的KL散度项，二者共同构成统一的理论框架。本文在自研的目标毁伤仿真数据集上对所提方法进行了验证。实验结果表明，在无监督信号及目标ISAR像的测试条件下，该方法能够仅基于正常状态下的HRRP数据，有效挖掘出具有判别力的毁伤特征，实现正常与毁伤状态的准确区分。进一步地，通过迁移并融合目标ISAR像中的结构信息，模型在毁伤评估任务中的受试者工作特征曲线下面积（Area Under the Receiver Operating Characteristic curve，AUROC）相较于仅使用HRRP的模型提升12.31个百分点，验证了所提方法具有良好的泛化能力与工程应用潜力。关键词：雷达目标毁伤评估;无监督异常检测;多域表征对齐融合;电磁信号仿真;高分辨距离像;逆合成孔径雷达图144|58|0更新时间：2026-05-28
- 摘要：针对非合作对抗通信场景中信号易被截获和通信意图易暴露的安全威胁，本文突破传统被动防御范式，提出面向智能电子设备中自动调制识别（Automatic Modulation Recognition， AMR）的隐真示假调制识别方法，实现对抗场景下合作链路的可靠传输与非合作链路的精准诱骗。考虑多输入多输出信道在时-频-空域呈现的多维差异性特征，本文设计了基于主-窃信道特征提取的数据标签投毒方法，实现了诱骗非合作方AMR模型的隐蔽后门触发机制，同时保证合作方准确可靠的识别率。此方法赋予通信设备主动防御能力，从物理层阻断了非合作方利用同源技术设备实施信号窃取的路径。本文在对多种AMR模型进行基线性能比较的基础上，进一步评估了所提方法在不同天线配置、投毒率、误导策略及信道估计相位误差下的性能表现。基于典型AMR模型的实验结果表明，在投毒率
- 摘要：无线通信系统利用接收信号的数据特性进行自动调制识别（Automatic Modulation Recognition，AMR）是确保电磁频谱智能监测与管控的重要先导步骤。近年来，深度学习技术凭借其强大的隐式特征提取能力被广泛研究，国内外学者致力于探索深度学习技术在信号调制识别任务中的潜力，并已提出一系列AMR方法，依据其采用的网络架构可粗略划分为以下三种类型：基于卷积神经网络（Convolutional Neural Networks，CNN）、基于循环神经网络（Recurrent Neural Networks，RNN）以及基于Transformer网络的方法。然而，在动态复杂电磁环境中，现有AMR方法面临两大共性挑战：现有深度学习模型对时变信道噪声缺乏自适应感知能力，导致不同信噪比（Signal-to-Noise Ratio，SNR）条件下的不同调制类型之间易产生混淆；现有模型在长时序信号建模中的计算效率与特征提取能力难以兼顾，对长序列信号数据的判别精度受限。因此，针对现有调制识别方法缺乏电磁环境感知能力、长时序高效建模能力不足等问题，本文将状态空间模型（State Space Models，SSMs）的长序列建模能力与双曲几何空间的SNR感知特性相结合，提出一种基于双曲状态空间模型（Hyperbolic state space model，H-Mamba）的无线电信号调制识别方法。具体地，本文首先建立了一种基于状态空间模型的时频特征挖掘机制（Mamba-based Time-frequency Feature Mining，MTFM），联合提取时域与频域判别性表征以增强不同调制类型信号间可分性；其次，从双曲几何空间的角度提出了一种新颖的信号质量感知方法，依据所接收信号的双曲几何半径判断其SNR分布情况，并基于此设计了一种基于双曲SNR提示的特征调制模块（Hyperbolic SNR-aware Feature Modulation，HSFM），通过双曲几何引导动态调整信号表征，提升模型对不同SNR条件的适应能力；最后，提出了一种基于双曲SNR感知的课程学习策略（Hyperbolic SNR-aware Curriculum Learning，HSCL），通过双曲距离度量实现对样本质量差异的感知，从而动态调整模型训练过程以缓解低质数据干扰。实验结果表明：本文方法在RML2016A（RadioML2016.10A）、RML2016B（RadioML2016.10B）以及RML2018（RadioML2018）等多个公开信号调制识别数据集上均取得最优性能，较现有最优方法分别提高了4.09%、1.58%、1.21%，证明了其有效性。关键词：认知无线电;信号调制识别;状态空间模型（SSMs）;双曲几何;信噪比（SNR）感知71|72|0更新时间：2026-05-28
- 摘要：随着物联网（Internet of Things，IoT）设备的广泛部署和网络通信的快速发展，加密流量已成为主流传输形式，但同时也为后门攻击和针对性投毒攻击等高级威胁提供了隐蔽通道。为应对加密恶意流量检测这一关键安全挑战，本文提出基于梯度协同与特征融合网络的加密流量检测模型，专用于提升网络中加密恶意流量的检测能力。该模型包含两大核心模块：特征融合模块与梯度协同模块，显著增强模型对复杂加密流量模式的表征学习能力。在特征融合模块中，该模型充分利用卷积神经网络（Convolutional Neural Network，CNN）的局部特征提取优势以及知识增强网络（Kolmogorov-Arnold Networks，KAN）的全局特征建模能力，实现局部与全局特征的高效深度融合。为进一步提升子模型间的协同性与鲁棒性，梯度协同机制使多个子模型能够实时动态共享梯度并联合优化损失函数，从而在训练过程中相互引导、纠错，强化对多样化加密恶意流量模式的捕获。该机制不仅缓解了局部与全局特征学习间的冲突，还显著提升了模型对隐蔽加密攻击流量的敏感性。在多个公开加密流量数据集上的实验结果表明，本文所提出的模型相较现有方法在F1分数上提升约7%，实现了对加密恶意流量的高精度分类。关键词：加密流量;流量检测;特征融合;梯度协同37|75|0更新时间：2026-05-28
- 摘要：网络直播视频平台凭借庞大的主播群体、海量的内容供给以及极高的日活跃用户规模，已经成为当下数字内容传播、社交互动与商业转化的核心载体。然而直播内容的实时动态性和不可预测性，为网络内容监管带来严峻挑战。视频场景图作为一种能够刻画视频中对象、属性及行为关系的结构化表示方式，通过在时空维度上构建“对象—关系—行为”的语义网络，可实现视频内容的结构化表征。近年来，视觉语言模型（Visual-Language Models，VLMs）在跨模态特征语义理解与复杂场景推理方面展现出显著优势，为直播视频场景图生成提供了新的技术支撑。值得注意的是，VLM虽能提升复杂直播场景的语义解析精度，但仍需克服直播视频特征分布规律不易挖掘的瓶颈问题。在VLM模型训练过程中，凸函数优化对驱动模型收敛至全局最优解至关重要，提出了一种基于VLM凸优化的网络直播视频场景图生成方法（VLM-based Convex Optimization for Scene Graph Generation，VCO-SGG）。该方法构建VLM近似凸优化架构，通过优化对象语义及其关联关系的特征空间几何结构，缩小特征分布差异，缓解VLM模型在训练过程中的收敛震荡问题；同时，构建动态原型记忆模块，通过参数化记忆机制增强对视频帧间关键语义元素持续性与关联性的记忆能力；此外，提出特征联合与关系筛选策略，在线识别并过滤场景图中由动态变化产生的冗余对象索引，实现场景图的动态生成与更新。实验结果表明，该方法在自建直播视频数据集BJUT-LGSD上R@10与mR@10分别提升至55.41%与34.82%；在公开数据集Mini Charades和Mini Action Genome上R@10和mR@10分别达到48.19%/28.02%、43.42%/26.02%；推理速度保持在22.36 FPS，较现有对比方法更具竞争力，表明了其可以胜任直播视频场景图的生成任务。关键词：网络直播视频;场景图生成;视觉语言模型;凸优化;动态原型记忆;特征联合与关系筛选58|42|0更新时间：2026-05-28
- 摘要：随着现代通信技术的快速发展，自动调制识别（Automatic Modulation Recognition，AMR）在频谱资源管理方面的重要性日益凸显，基于深度学习的AMR方法凭借其优异的性能成为当前研究热点。针对现有方法在复杂信道条件下多尺度特征融合能力不足、特征token化方式有效性与复杂度难以平衡的问题，提出一种基于改进Res2Net与自适应多尺度窗口池化的调制识别方法Res2-AMWP。特征提取阶段利用改进的Res2Net对特征按通道分组并逐级融合，同时引入挤压与激励（Squeeze-and-Excitation，SE）注意力机制对通道进行自适应重标定。特征融合阶段提出自适应多尺度窗口池化（Adaptive Multi-scale Window Pooling，AMWP）模块将多尺度特征转化为更具判别性的token表征，并利用双向长短期记忆网络（Bidirectional Long Short-Term Memory，BiLSTM）捕获token间的上下文依赖。注意力分类头采用注意力池化机制进一步突出关键的token表征，由全连接层得到最终的识别结果。在公开数据集RadioML2016.10a、RadioML2016.10b、RML22上的实验结果表明，Res2-AMWP的整体识别准确率分别达到63.51%、65.36%、70.30%，相较于多种对比方法分别提高了1.01%~7.33%、0.32%~6.5%、0.75%~8.40%，且模型的复杂度保持在较低水平，实现了精度与复杂度的较好平衡。关键词：自动调制识别;多尺度特征融合;特征token化;Res2Net;注意力机制;自适应多尺度窗口池化195|87|0更新时间：2026-05-28
- 摘要：随着自组织网络技术的快速发展，基于多个麦克风阵列节点的无线声传感网（Wireless Acoustic Sensor Networks，WASNs）已成为户外开放空间中实现持续监测的重要技术手段。针对户外分布式声学监测中的多声源同时增强需求，现有节点特定分布式广义旁瓣对消（Node-Specific Distributed Generalized Sidelobe Canceler，NS-DGSC）算法具有低通信开销、低先验知识需求、低目标失真三大优势。然而，实际户外部署的WASN通常会面临阵列节点数多于目标声源数的场景，并且在期望目标中还包含信号持续时间较长的非间歇性声源（如无人机、履带车辆），NS-DGSC在此类节点数量冗余且非间歇性声源并发的条件下存在目标信号自消、性能恶化等局限性。为解决此问题，本文提出了一种鲁棒节点特定分布式广义旁瓣对消（Robust Node-Specific Distributed Generalized Sidelobe Canceler，RNS-DGSC）算法。该算法的各节点在将初级广义旁瓣对消（Generalized Sidelobe Canceler，GSC）增强后的本地目标声源压缩信号广播至网络之后，不再将所有非本地压缩信号无差别纳入次级GSC辅助通道，而是通过引入基于最小均方误差准则的相关性检测模块，对来自网络的目标主导与干扰主导两类压缩信号进行自适应判决与区分，从而规避节点冗余导致的信号融合架构冲突；再通过设计双策略时延对齐模块，对目标主导与干扰主导两类压缩信号实施差异化时延补偿，从而保障后续次级GSC中目标信号相干增强且算法快速收敛。所有时延对齐后的目标主导压缩信号与本地初级GSC主通道输出一起融合完成多节点目标信号累加增强，作为次级GSC的主通道，而所有时延对齐后的干扰主导压缩信号则一起构建次级GSC的辅助通道，进而得到各节点最终的网络融合增强输出。实验结果表明，在节点数量冗余且多个非间歇性声源并发场景下，所提RNS-DGSC不仅继承了NS-DGSC的优势，还能实现优越的多声源增强性能。具体而言，在不同网络规模与输入信干噪比（Signal-to-Interference-plus-Noise Ratio，SINR）条件下，RNS-DGSC可达到与集中式处理相当的SINR增益；同时，相较于现有方法，所提算法在信号失真比方面的改善超过50%，并对导向矢量估计误差表现出更强的鲁棒性。因此，该算法可为复杂开放空间中的持续声学监测提供一种通信高效、性能可靠的方案。关键词：声学监测;节点冗余;节点特定;分布式多声源增强;广义旁瓣对消;无线声传感网28|26|0更新时间：2026-05-28
- 摘要：物联网（Internet of Things，IoT）旨在将物理世界映射到数字世界，借助无线通信技术实现人与人、人与物、物与物之间的泛在连接，是未来6G“万物智联”的关键技术之一。随着IoT技术在垂直行业的广泛应用，海量IoT节点以无线方式接入网络，加剧了频谱资源稀缺与IoT业务频谱需求日益增长之间的矛盾。另一方面，受制造成本与体积限制，IoT节点的电池容量十分有限，且难以频繁更换，使得能量受限问题尤为突出。目前，反向散射赋能的互惠共生无线电（Mutualistic Symbiotic Radio，MSR）已被业界公认为解决上述问题的频谱共享携能新范式，其核心是允许IoT节点与环境中的主系统发射机（Primary System Transmitter，PST）共享频谱与能量资源。在MSR网络中，IoT节点以PST信号作为反向散射通信的载体与能量来源，不仅通过信号复用实现被动信息反射，还可利用能量收集技术补充自身能量，有效缓解能量受限难题。与此同时，合作接收机（Cooperative Receiver，CR）利用IoT节点反射信号中包含PST符号信息这一特征，结合主次链路调制速率的差异，将反射信号转化为有益多径分量，从而提升PST通信容量，最终实现主次链路互惠共生。考虑到PST通常传输块长无限的长包数据，而IoT节点通常采用短包来承载低数据量业务，本文考虑了PST长包通信、多个IoT节点短包通信（Short Packet Communication，SPC）的MSR网络，并面向该网络研究PST发射功率最小化资源分配方案。具体而言，考虑到IoT节点SPC的误包率会对主链路传输性能产生直接影响，本文理论推导了主链路传输速率的下界解析表达式。在此基础上，在每个IoT节点的服务质量、能量因果性以及保障主链路吞吐量增益等约束下，建立一个以最小化PST发射功率为目标的优化问题。为了求解所建立的非凸优化问题，本文提出一种基于二分法与块坐标下降（Block Coordinate Descent，BCD）的混合优化算法。具体地，采用二分法迭代更新PST发射功率来简化原问题，通过收缩可行域来求解原问题。在每次迭代中，根据固定PST发射功率，利用BCD方法将简化后的问题进一步解耦为两个独立的子问题，通过交替迭代求解子问题实现原问题的近似最优解。仿真结果表明所提算法具备快速收敛性，且验证了所提方案在降低PST发射功率方面的性能优势。关键词：互惠共生无线电;反向散射通信;短包通信;资源分配;功率最小化;块坐标下降55|68|0更新时间：2026-05-28
- 摘要：成像分辨率是合成孔径雷达（Synthetic Aperture Radar， SAR）系统最为重要的指标参数，更高分辨能力的成像结果能显著提升图像层次，使得目标轮廓、纹理及散射特性更清晰，有效抑制相干斑噪声对细节的污染，从而为下游图像解译与信息提取提供更稳健的底层物理表征。经验理论建模的方法物理意义清晰、理论推导严密，但在拟合实际数据时容易出现模型失配，且忽略历史信息。先验数据驱动的方法特征表示与数据拟合能力强，但无法考虑相干成像原理，理论可解释性差。对此，提出一种信号外推与层级融合的SAR单视复图像超分辨率新方法。首先，根据SAR成像原理进行频域补零的信号外推，完成初始对齐任务，实现理论可解释外推。其次，在此基础上设计包括双模交叉学习特征学习和精细化特征融合重建的超分辨率专属学习框架，通过卷积与Transformer的双模交叉学习机制，从初始对齐图像挖掘高层语义表征与细节电磁特征，其中卷积分支用于局部特征学习，Transformer分支用于长时窗依赖建模，并设计残差跨层特征融合完成精细重建，实现SAR单视复图超分辨率重建。最后，针对通用指标无法对SAR成像质量进行全面客观评价的问题，构建SAR超分辨率评价体系，从可视化聚焦、点目标成像、相位保真度等维度客观评价重建结果。利用实测数据开展大量实验验证，结果表明所提方法可提高峰值信噪比（Peak Signal-to-noise Ratio，PSNR）6.27 dB，同时降低峰值旁瓣比5.85 dB。关键词：SAR超分辨率;信号外推;多尺度对齐;层级学习45|27|0更新时间：2026-05-28
- 摘要：随着现代社会无线通信技术的飞速发展，智能手机、笔记本电脑及Wi-Fi路由器等无线设备已成为室内环境不可或缺的一部分。由于现代人约80%~90%的时间处于室内，室内多径效应导致的复杂电磁环境对人体电磁暴露剂量的准确评估构成了巨大挑战。传统的物理测量法受限于空间采样点且难以应对人体位置的随机性，而全波仿真算法虽然精度高，但面对大规模室内场景时计算资源消耗极大，难以实现实时预测。针对这一现状，本文提出了一种基于混沌多项式展开法（Polynomial Chaos Expansion，PCE）的室内人体局部比吸收率（Specific Absorption Rate，SAR）峰值快速预测模型构建方法。本研究首先利用射线追踪法（Ray-Tracing）对室内复杂电磁环境进行数字化重建。通过追踪射线在室内各表面间的反射、绕射及散射路径，准确获取了人体所处位置周围的电磁场分布。为了解决大规模环境仿真与精细人体模型耦合的矛盾，本文引入惠更斯法则，将复杂的室内背景场转化为人体周围的等效辐射源（即惠更斯盒子）。随后，结合时域有限差分法（Finite-Difference Time-Domain，FDTD）模拟等效辐射源与高分辨率数字人体模型的近场耦合效应，精准计算人体内部的电场强度分布及局部SAR峰值，从而生成涵盖不同暴露场景的高质量训练数据集。在模型构建阶段，本文采用了稀疏混沌多项式展开法，通过对不确定性输入变量（如无线设备位置、人体位置等）进行正交多项式基函数展开，建立了输入变量与SAR峰值之间的显式解析映射关系。该方法通过稀疏化技术有效缓解了“维数灾难”问题，极大提升了建模效率。研究结果表明，本文所采用的室内复杂电磁环境重建方法具有极高的准确性。通过实验对比验证，重建环境与实测结果的相对误差小于5%，确保了电磁暴露场景的真实性。此外，基于PCE建立的预测模型在测试集上的预测精度
- 摘要：高纬度低温海域的冰盖为潜航器形成天然隐蔽屏障，而海冰覆盖改变了常规海域的场域空间特性，影响着潜航器腐蚀相关静态电场（Corrosion-Related Static Electric Field，CRSE）的分布。而CRSE是潜航器一项重要的水下军用目标特性，能量占比大且衍生的极低频交变电场具备远程探测优势，研究其在高纬度低温海域下的分布规律，是发展潜航器电场探测、定位及隐蔽技术的关键基础。本文先构建含空气、海冰、海水、海床与潜航器的多域耦合物理模型，基于拉普拉斯方程，确定各域电位分布与边界条件。采用COMSOL有限元软件搭建三维仿真模型，设置海冰、海水及潜航器各部件的电导率、电容率等关键参数，仿真计算潜航器在海水域及冰层中的CRSE分布，并重点分析海冰电导率、厚度两大核心参数对电场电位与电场强度的影响规律。为验证仿真结论的正确性，本文在-15 ℃冻库中模拟高纬度低温海域自然结冰环境，构建搭载外加电流阴极保护系统的潜航器缩比模型，通过Ag/AgCl电极阵列对冰下水域、冰层中电位分布进行实测，获取实测电位数据后与仿真结果进行对比。研究表明，潜航器CRSE在海水域与冰层中均有分布，且冰层中场量值更为可观，冰层内电场呈现清晰的电偶极子分布特征。海冰的存在会普遍增强海水域的电位与电场强度，其电导率越低、厚度越大，增强效应越显著，且海冰对电场纵、垂向分量的影响程度远大于横向分量。此外，冰层环境、结构更稳定，测试干扰小，相较于海水域更易实现高精度的电场测试。本文系统揭示了高纬度低温海域中海冰对潜航器CRSE分布的影响规律，填补了该领域的研究空白，为高纬度低温海域潜航器电场目标特性的实际应用提供了全新思路，也为优化该海域潜航器隐蔽策略、开发针对性的电场探测与预警技术奠定了坚实的理论与实验基础，对提升相关海域潜航器作战效能与反潜探测能力具有重要工程应用价值。关键词：高纬度低温;海冰;潜航器;腐蚀相关静态电场;分布特征31|17|0更新时间：2026-05-28
- 摘要：先进鳍式场效应晶体管（Fin Field-Effect Transistor，FinFET）因其高集成度、强栅极控制能力、高驱动电流、高开关速度、低泄漏电流等优势，在先进集成电路中成为主要的晶体管器件。为得到器件物理层面的FinFET工艺下不同器件尺寸的辐射总剂量（Total-Ionizing-Dose，TID）效应模型，本文结合TCAD（Technology Computer Aided Design）技术与深度神经网络（Deep Neural Networks，DNN）技术提出并建立了一个辐射总剂量效应模型（TCAD-DNN模型）来预测器件的TID效应的电学响应。本文采用Synopsys Sentaurus TCAD软件对SMIC 14 nm CMOS工艺下的FinFET进行三维（3D）器件建模并进行实测数据校准，后利用Sentaurus软件内置的Gamma射线总剂量辐射模型对器件进行辐射总剂量效应模拟仿真，相比于添加固定电荷以模拟总剂量辐射效应的做法，Gamma射线总剂量辐射模型可以得到更为真实的总剂量效应陷阱电荷分布。通过对器件在辐照前后进行实际电学特性测试，将得到的辐照前后实测数据用于TCAD模型校准，对此工艺节点下不同器件尺寸进行仿真产生数据集，其中32 928个器件数据点作为训练集对该模型进行训练，另外8 232个器件数据点作为测试集，对FinFET器件在开态（ON）辐照偏置下的总剂量效应进行预测。训练后的最终模型所得曲线与测试集数据的平均相对误差为2.98‰。此外，模型所得预测曲线与辐照后的实测数据也有极佳的吻合度，进一步验证了模型在实际工程应用中的巨大潜力。本文结合TCAD仿真技术和深度学习技术构建的TCAD-DNN模型仅需提供特定尺寸范围内的若干器件尺寸的电学特性曲线作为训练集对TCAD-DNN模型进行训练，训练完成后的模型能够在毫秒量级的调用时间内得到一定尺寸和总剂量范围内所有器件可靠的电学性能。此模型有效避免了TCAD仿真中的耗时过长和收敛性不稳定问题，成功预测了器件总剂量效应的电学响应对辐射剂量和器件几何参数方面的依赖性，该模型较高的预测精度和较好的灵活性使其能够应用在FinFET器件设计优化和器件与集成电路抗辐射加固等领域。关键词：TCAD;鳍式场效应晶体管;总剂量效应;深度神经网络;半导体;辐射效应43|79|0更新时间：2026-05-28
- 摘要：本文基于简化复合左右手零阶谐振器（Simplified composite right-/left-handed Zeroth-Order Resonator， SZOR）设计了一款小型化二阶微带频变耦合带通滤波器。小型化微带SZOR由高低阻抗线和并联枝节构成，结构对称，且具有可控的零阶主模和一阶寄生模。利用隐式空间映射可从SZOR的集总等效电路模型快速生成相应的微带版图。频变耦合由相邻微带SZOR低阻线间容性缝隙和并联枝节间感性条带提供的分立电磁耦合路径产生，电耦合与磁耦合皆可独立调控，易于实现目标频变耦合值。带通滤波器中心频率为3.1 GHz，相对带宽为4.5%，带内回波损耗为22 dB。滤波器初始物理参数基于二阶频变耦合矩阵生成。最优版图采用单纯形法最小化由S参数提取的频变耦合矩阵与理论频变耦合矩阵的绝对误差得到。优化过程完全自动化，无需人工干预。根据最优版图参数，加工并测试了滤波器原型，仿真与实测结果吻合良好。验证了磁主频变耦合传输零点位于上阻带以及电主频变耦合传输零点位于下阻带的关键特性。关键词：带通滤波器;简化复合左右手;零阶谐振器;频变耦合;自动优化;磁主耦合;电主耦合45|20|0更新时间：2026-05-28
- 摘要：针对无线通信系统对滤波器高选择性、低损耗、高带外抑制与小尺寸的需求，本文提出一种采用三角型（CT）拓扑结构的片上带通滤波器综合设计方法。该方法首先通过耦合矩阵综合法构建三谐振器耦合结构，在相邻谐振器间设置直接耦合与非相邻谐振器间引入交叉耦合，构建出特定的归一化耦合矩阵。接着，通过精确调控交叉耦合的极性与强度，形成主辅双路径干涉机制，从而在通带两侧生成可控传输零点（TZs）。此外，利用接地通孔的寄生电感Lgnd与并联LC谐振单元的串联，在带外的上阻带处额外产生一个TZ，从而显著提升了滤波器的频率选择性与带外抑制能力。在物理实现上，本文基于90 μm砷化镓（GaAs）基板，使用集成无源器件（IPD）工艺流片加工，利用多层金属结构构建的高品质因数（Q值）螺旋电感（最大值约32.2），并结合金属-绝缘层-金属（MIM）电容，实现整体片上带通滤波器的电磁（EM）建模。实物经过探针台和矢量网络分析仪的测试结果表明：该片上三阶带通滤波器中心频率4 GHz、相对带宽20%，插入损耗为2.35 dB，在DC~2 GHz的下阻带和6~11 GHz的上阻带抑制水平分别优于44 dB和31 dB，表现出优异的阻带抑制性能。片上带通滤波器整体尺寸仅为
- 摘要：反射阵列天线凭借其高增益、低成本及波束灵活调控等优势，在卫星通信、微波遥感与雷达系统中得到了广泛的应用。然而，随着现代无线系统对抗干扰能力、信号质量、系统可靠性与安全性等要求的不断提升，实现低副瓣电平（Side-Lobe Level，SLL）与高口径效率成为反射阵列天线领域的研究热点。传统的纯相位调控方法在抑制副瓣方面能力相对有限，而现有的幅相联合调控技术虽能降低副瓣，但往往因单元的反射幅度一致性差等原因，导致天线口径效率显著降低，限制了其在高性能系统中的进一步应用。针对上述问题，本文提出了一种基于超表面的低副瓣、高口径效率反射阵列天线，设计了具有非均匀线宽的I形超表面反射单元，通过非均匀设计对称分裂环和切割导线的线宽，调控不同谐振模式下的表面电流分布，有效抑制了调相过程中反射幅度的波动。仿真结果表明，该单元不仅可实现0°~360°的连续相位调控和0~1的幅度调控，且在相位调控过程中，反射幅度波动小于0.03，具有良好的幅度一致性，有利于组阵后实现高口径效率的反射阵列天线。基于该单元，结合Taylor加权进行幅相联合调控，设计并研制了一款中心频率为15 GHz，圆口径直径为193.3 mm（
- 摘要：具备宽频带与宽角度扫描能力的相控阵系统已成为电子战与宽带通信领域的关键设备。本研究设计并实现了一种宽带宽波束相控阵系统，旨在满足复杂环境下对宽频带波束展宽的设计需求，同时实现系统的小型化和轻量化。该系统采用6 × 14规模的阵列构型，以小型化的对数周期偶极子天线作为基本辐射单元，通过弯折偶极子振子臂延长电流路径，并结合介质基板挖孔技术，有效减小了天线单元的物理尺寸与整机重量，同时配合采用碳纤维地板进一步降低了系统重量。本文的核心创新在于构建了一种能够同时实现宽频带、宽波束的相控阵系统，通过在阵列中集成衰减器、移相器及延迟器，并结合波束赋形算法，在瞬时大带宽条件下实现了稳定的宽波束与精确的宽角度扫描，这一设计同时克服了紧耦合阵列方案中单元间互耦过大对有源驻波的影响，保障了系统在宽频带内的辐射稳定性。多通道T/R组件采用“瓦片式”结构提高了集成度，延迟器用于补偿移相器在不同频率下引入的相位差异，与移相器共同组成宽带波束控制网络，有效避免了传统相控阵在宽带宽角扫描时因移相器频率敏感性而产生的波束空间色散与波形时间色散问题。系统整机测试结果表明，该相控阵系统在0.8~2 GHz全频带内可稳定工作，在每500 MHz瞬时带宽内均可实现俯仰面±20°和方位面±40°的波束扫描能力，同时方位面波束宽度不小于10°，俯仰面波束宽度不小于20°，在宽频段内表现出稳定的宽波束性能。整体性能方面，系统在单元输入功率小于10 W的条件下，等效全向辐射功率大于41 dBW，且系统整体重量较传统设计显著降低。仿真与实测结果的一致性验证了设计的有效性，实测中波束指向稳定、副瓣电平可控，证明了该系统在复杂电磁环境下的工程实用性。此外，该系统在宽频带内维持了良好的辐射效率和稳定的增益特性，进一步验证了其在实际应用中的可靠性与适应性。本文研究的宽带宽波束相控阵系统在波束覆盖范围、瞬时带宽内的扫描稳定性与系统轻量化方面均表现出显著优势，为国内宽带阵列工程化应用提供了有效解决方案，且该设计思路有望应用于更高频段的通信与探测系统中。关键词：相控阵天线系统;有源;宽带天线;阵列天线;波束赋形;宽波束45|88|0更新时间：2026-05-28
- 摘要：心律失常作为心血管疾病中诱发心源性猝死的关键诱因，其早期精准识别与动态分类对改善患者预后具有重要临床意义。然而，受个体差异、采集设备差异及采集环境变化等因素影响，不同患者及不同数据库之间的心电图（ElectroCardioGram， ECG）信号普遍存在显著的域偏移问题；同时，临床ECG数据中普遍存在类别分布高度不平衡的现象，严重制约了现有模型在跨患者、跨数据库场景下的泛化性能。针对上述问题，本文提出了一种面向类别不平衡ECG信号的轻量级快速患者间域适应心律失常识别框架。首先，在特征层面，本文提出了一种基于宽度学习系统（Broad Learning System，BLS）的特征分布域适应方法BLS-FDDA（BLS-Feature Distribution Domain Adaptation），基于协方差归一化和分布重构技术，深入分析了源域与目标域特征之间的偏移问题，成功实现了源目标域特征空间的对齐。该方法通过对BLS特征扩展矩阵的分布对齐，避免了传统深度学习框架中对复杂模型的依赖，并保证了特征信息的有效传递。其次，在数据层面，本文进一步提出了一种可逆数据域适应方法BLS-DRDA（BLS-Data Reversible Domain Adaptation），结合误差扰动理论，深入推导了源域与目标域之间的数据变换关系。基于这一理论推导，该方法实现了在不重新训练BLS主模型的情况下，快速适应新数据域，大幅降低了迁移成本。此外，BLS-DRDA方法在数据变换中保持了原始信号的判别能力，并有效避免了信息失真。在决策层，针对心律失常数据中类别分布高度不均衡的问题，设计了一种代价敏感判决算法，该算法通过引入类别中心距离和样本分布权重的概念，建立了一个加权决策机制，有效缓解了少数类样本在跨域迁移中的误判问题。最后，在MIT-BIH与INCART公开数据库构建的多患者、多数据库及连续域迁移实验中，所提方法在准确率、F1值及G_mean等指标上均取得接近100%的识别性能，显著优于原始宽度学习模型及多种对比方法。理论分析与实验结果表明，所提出的BLS-FDDA和BLS-DRDA方法在多源数据、跨设备以及连续域适应场景中均表现出优越的性能，验证了该框架在复杂临床ECG应用中的有效性与实用性，特别是在多类别患者间心律失常的识别任务中，所提方法显著提升了少数类的识别能力，并在复杂域偏移和类别不平衡问题下展现出极强的鲁棒性。关键词：心律失常识别;域适应;类别不平衡;宽度学习系统65|83|0更新时间：2026-05-28
- 摘要：本文研究了受到执行器攻击的开放式异构多智能体系统的自适应输出一致性问题。在复杂的工业互联网与现代集群系统应用场景中，多智能体系统常因任务编组调整、通信链路波动、节点故障与动态接入等因素而呈现出显著的开放式特性，具体表现为系统节点集合与整体维数随时间演化，通信拓扑呈现时变、间歇性连通与重构切换等复杂特性，从而使群体动力学结构与可获得信息结构具有更强的时变性与不确定性。与此同时，分布式控制信号通常需要经由网络化通道传输并在执行器端接收并执行，一旦攻击者在执行器侧进行恶意数据注入，控制输入将被叠加未知干扰甚至被篡改为具有误导性的指令，从而导致智能体实际执行行为偏离预期并破坏协同一致性，显著增加分布式控制设计与一致性分析的难度。针对上述挑战，本文首先利用智能体的输出信息构造了一种具有攻击免疫能力的降阶观测器，在不对执行器攻击进行显式估计的前提下获取控制所需的局部状态信息，降低了估计成本。在此基础上，本文进一步设计了一种完全分布式的自适应弹性控制协议，该协议仅利用相邻智能体之间的交互信息及本地观测量即可在线调节耦合增益与攻击补偿参数，实现对攻击影响的抑制以及对拓扑不确定性的自适应处理。该方法不需要任何全局拓扑信息与攻击上界信息，因此能够适应开放式网络环境下的节点数量动态变化以及拓扑切换等情形，具有良好的可扩展性与工程可实现性。为刻画开放式异构多智能体系统的结构特性与误差演化机理，本文建立了一种用于描述系统跟踪误差演化的统一分析框架，并在该框架下推导了执行器攻击存在时实现输出一致性的平均驻留时间条件，从而给出拓扑切换频率与系统收敛性能之间的关系。最后，通过数值仿真对所提出方法进行验证，并与现有算法进行对比。结果表明在相同攻击条件与网络环境下，本文方法能够有效抑制攻击对群体行为的影响并提升收敛速度，从而验证了所提出降阶观测器与完全分布式自适应弹性控制策略的有效性与优势。关键词：开放式多智能体系统;弹性一致性;分布式跟踪;自适应控制;执行器攻击42|24|0更新时间：2026-05-28
- 摘要：我国自主研发的SM9密码算法是重要的商用密码标准和国家标准，对于密码算法的国产化替代具有关键作用。然而，原始SM9数字签名作为标识签名机制，存在不具备分层特征的局限性，在大规模网络环境中极易因用户量激增导致密钥生成中心压力过大和网络拥堵。为解决这一难题，本文首次提出了一种基于国密SM9算法的分层标识签名方案。方案创造性地引入分层签名技术，通过各级节点共同分担密钥生成任务，有效减轻了密钥生成中心的私钥生成与分发压力，完美适用于车联网、区块链等大规模、多层级网络场景。在技术实现上，为了适配SM9算法，本方案基于素数阶群，采用高效的分层技术，完成由上一层签名私钥到下一层级签名私钥的分配，以此来形成一种层级式的私钥更新机制；紧接着用户再根据其签名私钥来进行数字签名，生成的签名值仅由三个群元素构成，相较于原始SM9算法仅增加一个群元素，并实现了常数级签名长度，与层级深度无关。在随机谕言机模型下，给出了方案的严格安全性证明，证明方案满足选择消息和身份攻击下的存在性不可伪造，且方案的安全性可规约至（q，n）-SDH困难问题。理论分析与实验结果表明，本方案在签名生成和验证效率上具有显著优势：随着系统层数k的增加，本方案的签名生成和签名验证时间趋于常量级别，明显优于现有基于双线性对的分层标识签名方案。特别地，当系统层数k为2~10时，签名生成和验证时间分别约为2.24 ms和36.08 ms，签名和验证效率较现有最优的分层签名方案分别提升0.03~2.79倍和0.87~1.27倍。且随着k的增大，效率提升就越大，当k为100时，签名生成和验证效率较现有最优的分层签名方案分别提升约34倍和4.5倍。最后，将本方案应用于车联网身份认证场景，成功解决了车联网环境中因用户量激增而导致的网络拥堵问题，实现了轻量化与去中心化的身份认证机制，为构建高效、安全的国产化大规模网络环境提供了重要的技术支撑。关键词：分层签名;SM9;标识签名;车联网身份认证;定长签名27|29|0更新时间：2026-05-28
- 摘要：近年来，大语言模型（Large Language Models， LLM）的快速发展为智能合约漏洞检测领域带来了新的机遇。为将LLM强大的语言理解能力有效转化为漏洞检测能力，并克服单一模态检测方法的局限性，提出一种基于大语言模型语义增强的多模态智能合约漏洞检测方法（Multimodal Vulnerability detection for smart contracts with LLM enhancement，MVul-L）。该方法融合文本、图结构与视觉三种模态特征，实现了对智能合约语义、结构与上下文信息的深层建模。首先，设计一种用于LLM漏洞检测的任务提示模板，共包含七个关键字段，为LLM提供明确的分析目标、提示策略与输入输出规范，有效减少模型理解偏差。其次，提出一种基于大语言模型和CodeBERT语义增强的文本特征提取方法，LLM通过任务提示模板对合约进行推理解释，生成语义注释的文本输出，将源代码与注释共同输入CodeBERT中，获得合约的文本特征表示。最后，引入图注意力神经网络与卷积神经网络分别对合约结构信息与视觉特征进行建模，并采用基于Transformer的多模态特征融合机制，实现多模态特征间的深度融合。在公开数据集上的实验结果表明，MVul-L较现有方法整体性能更优，在可重入漏洞、时间戳依赖和整数溢出漏洞检测任务中，F1值提升3.51%~9.40%，验证了该方法的有效性。关键词：大语言模型;智能合约;漏洞检测;多模态融合;语义增强59|37|0更新时间：2026-05-28
- 摘要：区块链是集成了密码学、智能合约的新型分布式系统，在金融交易、版权保护等领域已取得广泛应用。目前，全球共计运行着上千条不同的链，为了兼容性和便利性，许多开发者通过分叉或复用主流区块链系统的代码进行再开发。然而，这也导致安全缺陷快速传播。与此同时，隐匿安全补丁是指开源项目中未公开披露于漏洞数据库中的安全修复。当前，区块链系统项目中的安全补丁透明度不足，存在大量隐匿安全补丁，进一步加剧了下游软件系统的修复延迟，降低了整个区块链系统生态的可靠性。因此，亟需针对涵盖多种编程语言的区块链系统生态，设计自动化的隐匿安全补丁识别方法，及时发现和修复潜在的已知安全问题。为此，本文提出BlockPatch，首个面向区块链系统生态的通用隐匿安全补丁识别和迁移框架，通过大语言模型（Large Language Model，LLM）将多模态的变更信息进行融合，实现了多语言区块链系统安全补丁的准确识别。具体来说，BlockPatch以代码提交为输入，提取提交文本描述、变更代码块和抽象语法树（Abstract Syntax Tree，AST）编辑行为，得到多模态的变更表示，以捕获细粒度的变更内容和过程；随后利用大语言模型的强大表征能力对三类信息进行语义嵌入，并结合神经网络实现特征融合和学习，以提升对安全补丁的识别能力。为了验证方法的有效性，本文构建了包含主流公有链和联盟链项目的补丁数据集。实验结果表明，BlockPatch能够取得94.02%的精确率、94.58%的召回率和94.29%的F1值，在F1分数上较现有先进方法提升了5.03个百分点，并在不同类型的安全补丁识别上均取得了良好效果。消融实验进一步证明了多模态信息融合的有效性。最后，BlockPatch将识别到的安全补丁迁移至下游区块链系统中进行安全检查。基于近期比特币和以太坊仓库的代码提交，BlockPatch识别到16个隐匿安全补丁，并在下游项目中检测到了28个未修复的安全漏洞，突出了识别并运用隐匿安全补丁的重要性。关键词：区块链系统;安全补丁识别;大语言模型;补丁信息融合;多模态学习;补丁迁移35|26|0更新时间：2026-05-28
- 摘要：检索增强生成（Retrieval-Augmented Generation，RAG）技术将大语言模型（Large Language Model，LLM）与检索系统相结合，凭借可溯源、可解释、知识更新成本低等优势，已成为LLM落地的主流方案。然而，RAG系统上线前需要经过严苛评估，开发者要构建大规模知识库，并以数千条查询进行全面测试，其间涉及密集检索与反复LLM调用，导致评估耗时极长，严重制约企业级AI的研发迭代效率。为破解这一瓶颈，本文提出RGE-Pipeline（检索器-生成器-评估器流水线）系统，面向基于LLM的RAG算法提供高吞吐、可扩展的快速评估方案。首先，通过预实验对典型RAG系统进行量化分析，定位检索器初始性能瓶颈，引入BM25S替代传统BM25算法，使检索耗时占比降到4%以下，将瓶颈转移至生成与评估阶段。在此基础上，RGE-Pipeline从3个层面进行系统级优化：其一，将评估流程解耦为检索、生成、评估3个模块，引入流水线并行架构，消除串行等待与模型反复加载带来的开销；其二，基于vLLM推理框架设计精细化硬件资源管理方案，支持在同一组GPU上并发部署多个LLM实例；其三，构建数学模型，揭示生成器与评估器之间显存分配比例与系统整体吞吐率的定量关系，并提出3种GPU资源分配策略——显存共享、整卡分配与混合分割，通过平衡两阶段计算负载实现吞吐率最大化。基于CRUD-RAG数据集（涵盖文本续写、摘要生成、多文档问答与幻觉修改等任务，共计6 400条查询）的实验证明，在固定使用BM25S、生成器与评估器均采用Qwen2.5-7B的条件下，RGE-Pipeline展现出显著的加速效果。相比原始串行工作流（耗时约95 h），混合分割方案将总评估时间压缩至1.3 h，加速比达71.7倍；相比模型预加载工作流（耗时约10.8 h），加速比达8.2倍。此外，扩展性实验也表明，RGE-Pipeline在不同知识库规模（18 KB～60 MB）及小规模查询集上均具备良好的适应性。总之，RGE-Pipeline不仅大幅降低了RAG算法的验证成本，还为多LLM并行推理场景的系统优化提供了可借鉴的设计思路。关键词：大语言模型（LLM）;检索增强生成（RAG）;BM25（Best Matching 25）算法;基于知识库的问答;vLLM;CRUD-RAG35|30|0更新时间：2026-05-28
- 摘要：本文针对金属介质复合结构目标多右端项电磁响应求解效率低下的问题，提出一种高效稳定的直接求解器算法。首先，基于M-HODLR架构，研究适用于金属介质复合结构的基函数分组与M-HODLR算法构建策略。随后，将高阶电磁建模引入所提金属介质复合结构的M-HODLR算法中，在保证高精度求解的同时，显著减少未知量，有效提高算法效率。最后，针对高阶电磁建模中的基函数分组策略问题，研究了基于高阶基函数簇的分组策略，并将不同层间的基函数进行顺序重排，结合聚合操作，实现了M-HODLR中金属介质复合问题的向上聚合。所提高阶电磁建模的M-HODLR算法极大地加速了金属介质复合结构目标电磁响应的求解效率。理论分析与数值算例验证了本文所提方法的有效性。关键词：金属介质复合;高阶基函数;M-HODLR;多右端项问题31|61|0更新时间：2026-05-28
- 摘要：行人轨迹预测对于提升自动驾驶和服务机器人的决策能力以及降低未来潜在碰撞风险方面具有重要意义。然而，由于行人群体内外社会交互关系的差异性和复杂性，现有研究往往未能对群内和群外交互关系进行显式区分与独立建模，不同类型交互特征在模型学习过程中相互混淆，难以精准刻画行人在复杂场景下的真实运动模式，进而制约了模型预测性能的进一步提升。因此，本文提出了一种基于自适应群体掩码图卷积网络（Adaptive Group Masked Graph Convolution Network，AGMGCN）的行人轨迹预测模型，通过对群内和群外交互关系进行独立建模，从而提升模型轨迹预测的准确性。该模型首先构建社会图并采用自注意力机制进行处理，以获得注意力矩阵用于初步表示行人之间的交互关系。后续设计了时频域卷积模块，通过在时域和频域同时对注意力矩阵进一步处理，生成用于表征行人时空交互关系的时频交互矩阵，以实现对行人复杂动态交互更准确的刻画。为有效区分并独立建模群内和群外交互，模型设计了自适应群体掩码模块，根据行人之间的特征相似性自适应确定阈值，并通过阈值处理生成群内掩码矩阵和群外掩码矩阵，为后续群内和群外交互关系的独立建模提供支持。在此基础上，将时频交互矩阵与群外和群内掩码矩阵相结合，并分别应用图卷积捕捉群内交互特征和群外交互特征，从而实现行人群内和群外交互关系的独立建模。最后，模型设计了特征融合模块动态加权融合群内交互特征和群外交互特征，并通过时间卷积网络完成行人未来轨迹的预测。在ETH、UCY和SDD数据集上的实验结果表明，在仅使用23.9 K模型参数的条件下，本文提出的方法相较于DSTIGCN在平均位移误差和终点位移误差上分别降低了12%和20%，验证了所提方法在预测精度和计算成本方面的优势。关键词：行人轨迹预测;自适应群体掩码;图卷积网络;时频域卷积模块;时间卷积网络38|23|0更新时间：2026-05-28
- 摘要：风电机组叶片是实现风能捕获与机械能转换的关键气动结构部件，其表面缺陷（如裂纹、侵蚀和脱胶）会影响叶片的气动性能进而降低机组的发电功率。实际风场巡检场景中，叶片表面缺陷通常存在缺陷微小、对比度低、纹理弱等特点，同时伴随复杂背景、光照变化和噪声侵蚀的干扰，使得目前的端到端检测方法在风电机组叶片小尺度缺陷检测任务中存在明显的性能受限问题。尽管实验室环境中的基准测试已取得超过99%的定位精度，但在实际场景中的复杂背景和小缺陷的影响下，定位与识别任务相耦合，降低了这类方法的检测精度。针对上述问题，本文提出一种融合多尺度感知与自适应增强的混合式两阶段检测方法Spatial-FineDef（Spatial-Fine Defect detection approach），通过解耦缺陷定位与精细判别过程，将缺陷候选区域提取与缺陷类别分类分阶段优化，提升了Spatial-FineDef在面对复杂背景和小缺陷问题时的检测精度。第一阶段，目标空间提取模块（Spatial-Net）通过结合定制化数据增强策略与定位增强方法提升了缺陷候选区域筛选的效率。第二阶段，精细化缺陷判别模块（FineDef-Net）在候选区域使用ConvNext主干结合轻量化多尺度注意力机制，在保持较低计算复杂度的前提下强化了精准区分不同缺陷的能力。相较于端到端式的故障检测方法，通过“先定位、后判别”的两阶段处理策略，Spatial-FineDef在抑制背景干扰的同时，实现了小缺陷区域的稳定筛选与精确类别判别。在现场采集的多缺陷风电机组叶片数据集中，Spatial-FineDef在麻面、涂层脱落、边缘开裂和表面裂纹四类缺陷检测任务中取得96.71%的整体准确率，并在多项指标上优于多种代表性基线模型。同时，消融实验验证了两阶段解耦策略与多尺度线性注意力模块在复杂背景下小缺陷检测的有效性。实验结果表明，本文提出的方法为风电机组叶片现场检测提供了一种可部署的技术方案，提升实时故障检测能力，并促进风电机组的可靠性及智能运维。关键词：风电机组叶片;缺陷检测;端到端监测;多尺度感知;自适应增强38|34|0更新时间：2026-05-28
- 摘要：遥感图像在成像链路中常受大气散射、传感器噪声及极端光照等多种异质退化因素的严重影响，现有一体化复原方法主要依赖隐式特征学习，缺乏对退化物理频域特性的显式建模及高阶语义交互能力。为此，本文提出一种结合频域物理感知与高阶语义融合的一体化遥感图像复原框架Aether。该框架构建频域自适应退化解析器（Harmonic-Adaptive Degradation Analyzer，HADA），利用数据驱动的可学习谐波滤波器组替代固定基底变换，实现对不同退化类型频谱指纹的自适应解析与精准提取。此外，设计基于Kolmogorov-Arnold表示定理的高阶非线性交互融合模块（Higher-Order Nonlinear Interaction Fusion，HONIF），通过样条函数网络构建高维映射空间，突破传统线性注意力的表达瓶颈，实现退化先验与图像特征的深度语义对齐。在MD-RSID、MD-RRSHID及MDRS-Landsat三个基准数据集上的实验表明，Aether在处理雾霾、噪声、模糊及低光等退化问题时均取得最优性能。特别是在MDRS-Landsat数据集上，该方法在去雾任务中的峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）较次优方法提升3.63 dB，在低光增强任务中PSNR提升1.60 dB，且可学习感知图像块相似度（Learned Perceptual Image Patch Similarity，LPIPS）改善了75.2%，有效解决了复杂遥感场景下的一体化通用复原难题。关键词：遥感图像复原;一体化图像复原;频域自适应;高阶非线性交互41|70|0更新时间：2026-05-28
- 摘要：针对图像分类网络提取到的特征耦合度高、判别性不足导致关键特征表达能力受限的问题，本文提出一种衰减解耦机制的图像分类网络（image classification Network with Attenuation Disentangling Mechanism，ADMNet）。首先，基于生物神经元对信号强度的差异化响应特性，提出衰减解耦机制，设计空间衰减解耦（Spatial Attenuation Disentangling，SAD）模块，将特征图分解至独立子空间并进行不同阈值的衰减变换，有效解耦提纯关键特征，过滤空间冗余信息；设计通道解耦（Channel Disentangling，CD）模块，使用多尺度一维卷积建模不同范围的通道耦合关系，动态增强与类别相关的特征通道，抑制无关通道；再整合SAD与CD模块，构建特征衰减解耦（Feature Attenuation Disentangling，FAD）模块，通过双分支联合操作实现特征的有效解耦，增强关键特征的判别性，进而提高图像特征的非线性表达能力。然后，构建特征聚合池化（Feature Aggregation Pooling，FAP）模块，通过聚合不同卷积提取到的多尺度特征，丰富特征表示，提高空间信息利用率，减小特征图尺寸。最后，将FAD模块和FAP模块分别嵌入到残差块的主干路径和残差分支中，让网络学习耦合度更低、判别性更强的特征以及丰富的上下文信息，减少网络传递过程中的信息丢失，提升网络泛化能力。本文方法在CIFAR-10、CIFAR-100、SVHN、Imagenette和Imagewoof数据集上分别取得了96.6%、80.6%、97.5%、89.6%和83.1%的分类准确率。实验结果表明，ADMNet能够有效解耦图像特征，增强特征的判别性，减少信息丢失风险，提升图像分类能力。关键词：图像分类;衰减解耦;特征解耦;多尺度特征;残差分支58|83|0更新时间：2026-05-28
- 摘要：TLS 1.3与QUIC的普及使载荷内容不可见，流量分析转而依赖侧信道特征，但侧信道泄漏在加密通信中为何不可避免，长期缺乏严谨论证。本文从信息论与系统设计出发，构建形式化模型
- 摘要：联合多模态方面情感分析（Joint Multimodal Aspect Sentiment Analysis，JMASA）作为细粒度情感分析领域的重要研究方向，旨在从图像-文本对中联合识别具体的方面术语及其对应的情感极性，近年来受到了越来越多的关注。尽管该任务在社交媒体分析、产品评论挖掘等领域具有重要应用价值，然而，现有方法主要面临两个方面的挑战：一是在利用预训练语言模型融合多模态信息时，模型常对部分无关的视觉或文本标记产生注意力过度信任问题，即分配了不合常理的高注意力分数，干扰了对关键情感线索的捕捉；二是现有方法难以显式地建模图像内部对象间的复杂关系，也缺乏有效机制来挖掘图像与文本之间在对象级别的深度语义交互与依赖。为了解决上述问题，本文提出了一种基于注意力惩罚和自适应学习的场景图增强联合多模态方面情感分析方法（Attention Penalty and Adaptive Learning Scene Graph，APALSG），并利用场景图生成（Scene Graph Generation，SGG）来增强联合多模态方面情感分析。具体来说，该方法主要通过专门设计的注意力惩罚策略对超过预设阈值的高注意力分数进行惩罚性衰减，并将衰减的注意力值重新分配给其上下文窗口内的相邻标记。该策略动态调整了模型的注意力分布，有效缓解了对无关信息的过度关注，从而提取出更精准的关键对象特征。此外，设计场景图建模模块，结合图卷积网络（Graph Convolutional Network，GCN）在该场景图上进行消息传播与聚合，获得包含丰富对象间关系上下文信息的视觉表示。最后，还设计了一种自适应学习策略，使模型能够自适应地聚焦于图像-文本对之间与当前方面相关的潜在依赖关系，实现深度的跨模态对齐与融合，并将融合后的多模态特征送入一个分类器，以同时完成方面术语提取和情感分类的联合预测。为全面验证APALSG的有效性，在多个公开可用的基准数据集上的实验结果表明，APALSG在性能上显著优于现有最先进的方法，验证了其有效性。与现有的JMASA模型相比，APALSG在Twitter-2015、Twitter-2017和MACSA数据集上表现优异，精确率分别提高了1.46%、2.18%和1.19%。关键词：联合多模态方面情感分析;注意力惩罚;场景图生成;图卷积网络;预训练语言模型43|25|0更新时间：2026-05-28
- 摘要：现有多路快速用户数据报协议（User Datagram Protocol，UDP）互联网连接（MultiPath Quick UDP Internet Connections，MP-QUIC）协议的调度算法忽略了流之间的优先级关系，在异构网络中无法有效区分关键流与普通流，导致网页加载的关键流阻塞，严重影响用户体验。因此，本文提出了一种基于加权优先级与数据包到达时间的多路径调度（Priority-Weighted and Packet Arrival Time based Scheduling，PW-PATS）算法，提升了MP-QUIC协议在异构网络环境中的关键业务流和整体业务传输性能。PW-PATS算法通过将快速UDP互联网连接（Quick UDP Internet Connections，QUIC）流的权重量化为优先级因子（Priority Factor，PF），并作为数据包到达时间（Packet Arrival Time，PAT）的计算权重，形成加权包到达时间（Weighted PAT，W-PAT）的核心路径选择准则，将高优先级数据包调度到高信道质量网络路径。基于网页仿真响应的实验结果表明，相较于传统最短时延优先（Lowest Round-Trip Time first，LowRTT）调度算法，所提算法能够显著提升关键流的传输效率。在传统网页访问模式场景下，高优先级超文本标记语言（HyperText Markup Language，HTML）流的完成时间最高可缩短69%，整体页面加载时间缩短了24%；在网页并行加载模式场景下，高优先级层叠样式表（Cascading Style Sheets，CSS）流的完成时间最高可缩短79.8%，整体页面加载时间在不同网络条件下也获得高达48.9%的缩短。关键词：MP-QUIC;流优先级;异构网络;调度算法;路径调度39|58|0更新时间：2026-05-28
- 摘要：近年来，基于自注意力机制的序列推荐模型在用户行为建模中展现出了显著的效果，尤其是在处理长程依赖关系方面表现突出。然而，此类模型（如Transformer类方法）在深层编码过程中，高阶表示会因多层聚合而逐渐趋同，个性化信号被削弱，从而产生过度平滑问题，且该问题在此类模型中往往被忽视；与此同时，特征维度间的高度相关会带来冗余与噪声传播，削弱模型对重要特征的辨识能力，从而进一步限制模型的泛化能力。为此，本文提出特征掩码与对比学习融合多维度去过度相关的序列推荐模型（feature Masking and Contrastive learning integrating Multi-Dimensional decorrelation in Sequential Recommendation，MCMD-SR）。首先，设计自注意力感知的特征掩码机制，依据自注意力得分衡量各维度贡献，对低贡献且易导致表示相似化的特征进行针对性遮蔽，并提出随层数递减的对数掩码率衰减策略，使浅层施加强扰动以打破局部高相似特征，深层保持适度扰动以持续抑制过度聚合。进一步地，在掩码后的最终层表示与原始浅层表示之间构建对比学习任务，通过拉近同一序列的正样本对、推远不同序列或不同特征的负样本对，强化差异化与个性化语义，提升嵌入空间的区分能力。其次，提出多维度自适应去过度相关模块，在注意力掩码后的特征矩阵上分别从列间与层间计算皮尔逊相关系数（Pearson Correlation Coefficient，PCC），并依据相关强度自适应分配惩罚权重，在保持总体正则化强度可控的同时抑制冗余维度与冗余层间依赖，从局部（列间）与全局（层间）双视角降低特征冗余，提升关键特征辨识度。最后，将自注意力掩码机制、对比学习模块与多维度自适应去过度相关模块的损失进行多任务联合优化，使三类约束相互补充，稳定训练并提升嵌入质量与模型泛化性。在Beauty、Yelp、LastFM和ML-1M四个公开数据集上，本文模型与11个经典及最新的序列推荐模型进行了对比。实验结果表明，在命中率（Hit Ratio， HR）和归一化折损累积增益（Normalized Discounted Cumulative Gain，NDCG）两个指标上，所提模型MCMD-SR相对已有最优基线模型分别平均最少提升2.13%和1.67%，验证了本文模型在推荐性能上的有效性。此外，本文还通过消融实验和参数敏感性实验分析，验证了各模块的必要性及其协同有效性，进一步阐明了模型具有良好的泛化能力。关键词：序列推荐;特征掩码;对比学习;去过度相关;自注意力机制;相关性度量220|76|0更新时间：2026-05-28
学术论文
- 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