现有去雾网络对低光照雾霾图像的特征提取和色偏约束能力有限,导致复原图像出现细节丢失和色彩失真的问题。针对上述问题,提出一种联合颜色融合与特征增强的低光图像去雾网络FCformer。首先,为了恢复图像结构和纹理细节,构建了包含窗口空间特征增强和稀疏通道特征增强等模块的特征增强主干网络,分别从空间和通道两个维度自适应地关注局部和全局重要特征;其次,设计了包含色彩校正和色彩融合等模块的颜色融合支路,增强网络对颜色特征的表示能力;同时,在主干网络末端引入一个可学习的先验约束模块,利用大气散射模型和Retinex模型,对解码输出结果进行约束;最后,设计了一种包括重建损失、感知损失和色彩损失的复合损失函数,引导网络更好地复原图像的细节和颜色。实验结果表明,在参数量相当时,FCformer的峰值信噪比优于Dehazeformer达0.98 dB,而在峰值信噪比相当时,其参数量较ACANet降低了96.84%,综合去雾性能更优,色彩更加真实。

拖曳式诱饵作为一种有源欺骗干扰样式,在现代电磁空间频谱作战中发挥着重要作用。诱饵通过调制转发雷达信号模拟目标回波,引导雷达跟踪功率更大的假目标实现对载机的自卫式防护。针对末制导雷达易被拖曳式诱饵诱骗的问题,本文提出了一种基于空间形态特征的末制导雷达抗拖曳式诱饵干扰方法。利用宽带条件下干扰信号难以逼真模拟目标的空间形态,所提方法能实现目标鉴别与抗干扰成像。首先,通过单脉冲三维成像算法实现对雷达前视区域的强散射点空间位置分布重构;其次,对成像结果进行空域滤波,实现噪点剔除和强散射点云分簇;最后,对各点云簇进行空间形态特征提取并通过鉴别器调用实现目标鉴别并获得抗干扰后的目标三维像结果。理论分析与实验结果表明,干扰生成的假目标与真实目标在空间形态上呈现出显著的差异性,验证了所提方法对抗拖曳式诱饵干扰的有效性。

文本类屏幕内容广泛应用于在线会议、云游戏、远程控制等场景,所产生的海量数据给存储和带宽造成巨大压力。传统的屏幕内容传输方法受限于香农极限,无法突破传输瓶颈,而且现有的基于语义通信的图像编码传输方法主要针对的是自然场景图像,对于屏幕内容图像而言尚未得到充分研究。针对上述问题,笔者首次构建了面向文本类屏幕内容图像的语义编码传输系统。首先设计端到端的语义框架,提取出图像中文本信息的语义特征,并对无关数据进行压缩或舍弃。通过减少不必要的传输数据量,实现对关键语义特征的高效编码。接着,提出一种利用信道状态信息反馈的动态编码策略,通过实时获取无线信道特性来优化编码过程,提高传输的鲁棒性和效率。然后,设计一种附加损失函数,对图像中与下游任务相关的语义特征进行保护。最后,实验结果表明,相比于先进的传输方法,方法在不同的信道和码率条件下都具备更高的通信效率。

针对单个发光二极管(LED)的室内可见光三维定位问题,考虑到非视距链路(NLOS)的影响,提出了一种基于多策略改进Jaya算法的室内可见光定位(VLP)方案。具体地,在该室内三维VLP系统模型中,将NLOS链路视为干扰,利用基于PAM-DMT的最小二乘(LS)信道估计来对LOS链路信道增益进行估计,进而将估计后的信道增益与测试点计算得到的信道增益差值的平方和作为适应度函数,通过多策略改进Jaya算法进行搜索寻优来实现定位。随后,仿真对比了不同数量PD在不同倾角以及不同高度下的三维定位误差,同时将提出的多策略改进Jaya算法与其他4种算法进行了收敛性以及性能对比。结果表明,在考虑NLOS链路的情况下,基于PAM-DMT的LS信道估计方法可以有效减小由于NLOS干扰引起的定位误差, 与未采用信道估计的系统相比,采用信道估计的系统平均定位误差减小了约84.64%。当接收机中PD数量为5且倾角为75°时,定位误差随高度变化波动幅度最低且平均定位误差最小。与其他4种算法相比,多策略改进Jaya算法具有更高的定位精度以及更少的迭代次数,文中工作对室内单LED可见光定位系统研究具有一定参考价值。

高分类吞吐量和支持规则集的动态更新是包分类算法的两个核心需求。结合哈希表和决策树的混合包分类算法利用哈希表代替树节点,以弥补决策树在更新性能方面存在的固有缺陷。然而,哈希表代替树节点在包分类过程中引入了额外的哈希映射,并且破坏了树结构原本的单一查询路径,这会损害树结构原本良好的分类性能。为此,提出基于区间树的混合包分类算法(CITree),以构建高速分类且支持快速更新的包分类算法。CITree避免将哈希表引入树形结构中,而是引入预处理单元将规则集分为独立规则与非独立规则,并分别将其存储至二层树形结构和哈希表中。规则的分类存储充分发挥树形结构高速分类和哈希表易于更新的优势。此外,CITree将独立规则存储至区间树中的根节点、内部节点和叶子节点中,可以在任意节点内完成匹配操作,无需遍历至叶子节点,实现有效剪枝。实验结果表明,所提出的算法与当下先进算法相比,分类吞吐量提升约72.2%,规则更新效率提升约63%。

AFDM作为一种在高速移动场景下提出的多载波调制技术,能够完全分离时频双选信道的每条路径,达成完全的时间和频率分集增益,是未来移动通信物理层波形的有力候选。然而,当前针对AFDM系统的符号同步研究成果非常少,且传统同步算法在复杂的时频双选信道中难以取得良好性能。针对该问题,提出了一种适用于时频双选信道的粗、精两级同步算法,依靠在离散仿射傅里叶变换域进行的精同步对粗同步的误差进行纠正,在时频双选信道下得到较高的同步率。在此基础上,结合粗同步要求的多段重复导频结构,将精同步与信道时延-多普勒频偏估计进行联合设计,节省了导频开销,最后使用LS估计算法得到信道复增益信息,从而实现AFDM系统符号同步与信道估计。仿真结果表明,该算法在时频双选信道下同步精度高,信道估计准确,且信道估计对导频能量的要求得到显著降低,显示出其在时频双选信道环境中的良好适应性与应用前景。

量子算法的经典模拟对于评估算法性能、验证理论正确性具有重要意义。对于高阶稀疏矩阵,其对应的哈密顿量通常具有复杂的结构和特性,导致经典模拟量子求解算法的复杂度过高,严重制约了模拟效率与精度。针对哈密顿量模拟的难题,提出模块分解技术和构建函数技术来近似模拟哈密顿量的演化,构建了在普通计算机上实现HHL(Harrow-Hassidim-Lloyd)算法的通用电路设计方案。基于Qiskit量子计算框架实现了13/14量子比特(基础规模)和20/21量子比特(扩展规模)的多规模电路对比,同时选取多组8阶厄米矩阵和列向量验证所设计电路的适用性。最后对比了不同线性系统在相应条件下的保真度和误差及其所占用的时间空间资源。实验结果表明,随着量子比特规模的扩大,两种技术对应的量子电路在求解线性系统时呈现出保真度提升与误差下降的同步优化特征。与其它方法相比,这两种技术均展现出大规模电路处理优势,为利用量子算法求解高维线性系统提供了可扩展的技术路线。

针对低质量图像虹膜分割性能不佳的问题,提出了一种基于协同注意力机制的虹膜分割算法。该算法在深度学习框架下的U-Net模型基础上,创新性地引入了区域注意力机制和质量感知注意力机制的双重注意力模块,通过位置感知和图像质量感知两个维度来协同提升虹膜区域分割的准确性。具体而言,区域注意力机制通过预测虹膜圆环所在区域,在特征提取过程中对目标空间区域进行约束,从而有效减少背景噪声干扰;质量感知注意力机制则依据图像质量评估结果,动态调整卷积注意力模块对关键特征的关注力度,从而显著增强低质量图像的关键特征表达能力。在公开数据集以及自制数据集上的实验结果表明,算法在交并比和准确率这两种核心分割评估指标上均优于U-Net、IrisParseNet等多种主流分割模型,特别是在低光照、运动模糊等低质量图像条件下,分割效果的提升更为显著。这些改进为虹膜识别系统在复杂环境下的实际应用提供了可靠的技术支持。

社交推荐通过挖掘用户间的社交联系,有助于提升个性化推荐系统的性能。然而,目前大多数方法难以充分捕捉用户与物品间的复杂关系,且忽略了由于存在无共同兴趣甚至错误的社交联系所导致的社交不一致问题,从而影响用户嵌入表征的正确性和社交推荐的准确性。为此,文中提出了一种基于知识感知的邻居过滤机制用于社交推荐,旨在通过融合知识图谱与图神经网络来解决上述问题。首先,利用知识图谱嵌入技术对用户、物品及评分进行嵌入表示,从而捕捉他们之间的潜在关系模式。随后,嵌入向量被输入到图神经网络中,用于优化图神经网络节点的嵌入表示。为了提高模型的一致性识别能力,文中根据待评估的用户物品动态地构建了查询向量,并利用知识图谱综合建模查询向量与邻居节点之间的一致性分数,通过采样聚合更一致的邻居节点,从而增强图神经网络模型过滤不一致邻居节点以及节点表征的能力。在3个公开数据集上的大量实验证明了所提方法相较于现有主流方法的优越性。

针对当前直接计数法测频虽测量范围宽,但分辨率受限,而间接相位测量法虽分辨率高却存在测量死区和测量范围窄等问题,文中提出了一种可变最小公倍数周期的数字化线性相位比对方法,用于频率和频率稳定度测量。该方法将模数转换器作为鉴相器采集相位信息,通过数字化处理避免了传统相位比对方法中存在的测量死区;通过控制鉴相区处于线性区域,规避了测量模糊区,提高了测量分辨率;通过分析任意频率信号之间的相位差变化规律,以标称最小公倍数周期为取样间隔,结合频率粗测与截断处理,拓宽了测量范围,避免了归一化过程中引入噪声;对取样得到的线性区相位信息进行数据处理,完成了任意频率信号间的直接相位比对,实现了高分辨率的频率及频率稳定度测量。实验结果表明,系统本底噪声优于1.86E-15/1 000 s,在1 s 测量闸门下,频率测量的分辨率可达20 μHz。对1~100 MHz 频率源信号进行高分辨率的频率及频率稳定度测量时,测量结果的准确性保持稳定。

多功能雷达(Multi Function Radar, MFR)通过波形捷变与波束自适应调度实现多任务协同,这给雷达工作模式识别带来了诸多挑战。现有识别方法依赖脉冲序列局部时域特征,难以有效解析不同工作模式的生成机理,面对脉冲丢失、脉内参数相近等复杂情况,识别性能急剧下降。考虑到多功能雷达波束扫描过程对脉冲组序列幅值信息的影响,提出一种基于空时联合图卷积网络的多功能雷达工作模式识别方法。该网络模型首先通过引入动态规整模块量化相邻波位信号的辐射特性相似度,构造具有物理可解释性的空域邻接矩阵;然后将一维脉冲组序列映射为二维图结构,融合脉冲频率、信号幅度等节点特征,形成空时联合表征;最后,设计分层图卷积核,通过多层信息传递机制,提取深层空时特征,完成雷达工作模式识别。对比实验表明,在脉冲丢失等非理想情况下所提方法的平均识别率仍能达到93.38%,具有更好的泛化性和鲁棒性。

壁画数字化修复的目标是借助信息技术生成壁画破损区域的缺失内容,恢复其视觉完整性和艺术原貌。针对现有深度学习方法在壁画修复过程中存在跨模态文本语义约束不足,导致修复结果容易出现语义混乱与细节丢失问题,提出一种文本引导的多模态壁画扩散修复算法。首先,设计基于多头自注意力机制的文本编码模块,通过文本编码器将壁画文本描述编码至特征空间,并设计跨模态交互机制,实现跨模态文本特征与壁画图像特征融合,增强跨模态文本语义一致性约束;设计基于扩散模型的壁画修复模块,通过正向扩散加噪处理,获得壁画高斯分布特征,并且设计逆向修复网络恢复壁画缺失区域内容;提出了掩码细化控制修复模块,利用壁画互补掩码图像特征,控制壁画逆向解码修复,提升细节纹理的生成能力,从而完成破损壁画修复。最后,在敦煌壁画数集上进行修复实验,结果表明,所提方优于比较方法。

针对密度峰值聚类算法在变密度数据集上聚类效果不佳且样本分配过程会产生“多米诺骨牌”现象等问题,提出一种融合类簇生长及边界分配策略的密度峰值聚类算法。该算法利用局部k近邻信息计算样本密度和相对距离,进而得到样本决策值。基于样本间距离、密度和近邻关系定义样本间吸引度和生长半径,结合决策值依次选取类簇中心,提出类簇生长策略。该生长策略从每个类簇中心出发,利用吸引度和生长半径不断生长当前类簇以获得初始聚类结果。在此基础上,利用已分配类簇和未分配样本间近邻和距离信息定义邻接度,提出边界分配策略。该分配策略由邻接度将每个未分配样本划分到最合适的类簇中,不断更新已分配和未分配样本集,直到所有样本分配完成获得最终聚类结果。在16个人工数据集和10个UCI数据集上与7个算法的比较实验结果表明,所提算法在大部分数据集上的调整兰德系数、标准化互信息和调整互信息聚类指标均优于对比算法。同时,统计检验结果表明所提算法与对比算法在统计学上均有显著性差异,具有较好的聚类效果。

在阵列信号处理领域,现有改进型阵列存在显著性能局限:改进互质阵列虽具备稀疏结构,却因空洞填充能力薄弱,导致可识别的来波信号数量受限;改进嵌套阵列虽能填充大部分阵列空洞以支持更多来波信号的识别,但密集分布的阵元引发强烈耦合效应,严重制约了角度估计精度。针对上述矛盾,提出一种基于新改进阵型的最优权重稀疏阵列(OWSA)。该阵列通过优化阵元布局与权重分配,在保证较长均匀自由度的基础上,进一步提升阵元稀疏度,从而有效缓解阵元间的电磁耦合效应,实现了多来波角度识别能力与耦合抑制性能的协同提升。实验结果表明,OWSA 阵列成功平衡了传统阵型中均匀自由度与耦合效应难以兼顾的核心问题。在低信噪比、低快拍数及高耦合系数等复杂场景下,其波达角度估计精度均显著优于改进互质阵列与嵌套阵列,验证了该新型阵列在复杂电磁环境中进行高精度角度估计的可行性与优越性。

作为“应用中应用”的典型范式,小程序已深度参与人们的工作和生活,并可以获取大量用户隐私数据。为防止小程序泄露用户隐私,小程序平台会对小程序的常规通信方式进行监管和检测,但小程序可以进行隐蔽通信而躲避检测。针对隐蔽通信对用户隐私泄露带来的安全威胁,对小程序利用隐蔽通信泄露隐私的风险展开研究。在总结小程序隐蔽通信模型和通信条件的基础上,分析小程序可利用的隐蔽通信载体,并基于小程序接口和组件分别设计了小程序与小程序间、小程序与服务器间的隐蔽通信方法,同时分别采用基于不可见字符的信源编码和伪造网页提高隐蔽性。实验结果表明,上述隐蔽通信方式可实现秘密信息传输;设计了两种攻击场景以分析隐蔽通信带来的隐私泄露风险,并对缓解措施进行讨论。

图像隐写分析技术面临的主要挑战是,在保证检测精度的同时加快模型训练和推理速度。为此,提出了一种结合元素相乘和深度正交融合的隐写分析方案。该方案首先设计了一种多尺度注意力模块,用于在预处理阶段增强空间丰富模型滤波器提取的噪声残差信号;其次,引入可分离卷积与元素相乘的特征分析模块,对增强后的噪声信息进行多尺度建模与学习;最后,提出一种正交特征融合模块,将噪声的局部特征与全局特征进行正交融合,以补偿分析过程中全局平均池化带来的细节信息损失。在公开数据集BOSSBase和BOWS 2上开展实验,选用两种典型的自适应隐写算法S-UNIWARD与WOW,并在不同嵌入率下构建训练集与测试集进行验证。实验结果显示,所提方案在两种嵌入算法下的检测准确率分别比已有方法平均提升了约2.4%和1.2%,同时模型参数量显著减少,展现出更高的效率与性能。此外,通过消融实验验证了各个模块在整体框架中的有效性。

车载网是一种特殊的移动自组织网络, 它以车辆和基础设施为节点, 利用无线通信技术实现节点间的数据交换和信息共享, 这在优化交通效率、确保驾驶安全、改善用户体验等方面具有重要作用。然而,车载网通信过程中若数据以明文形式直接传输,易遭受数据伪造、窃取等攻击。但现有车载网通信机制对数据的认证性关注较多, 对数据的机密性考虑较少, 同时也存在着恶意车辆难以快速追踪、撤销等问题。基于此, 凝练了国密SM2数字签名算法的核心技术, 设计了一种高效SM2衍生签密方案, 并在随机谕言机模型下证明了其安全性。随后,将该签密方案部署于车载网系统,并融合区块链智能合约技术管理车辆证书,可在单一逻辑步骤内保证数据机密性与认证性的同时实现对恶意车辆的快速追踪与撤销。此外,智能合约的引入还进一步提升了系统的透明性与可信度。实验分析表明, 相比于现有工作, 所提方案在计开销未显著增加的前提下通信开销降低了约12%。

椭圆曲线密码是指数级攻击难度的一类公钥密码算法,被广泛应用于包括二代身份证加密等领域。Shor算法理论上对公钥密码具有致命威胁,但目前公开文献没有任何能成功应用于椭圆曲线密码攻击的相关报道。针对量子算法对于椭圆曲线密码攻击研究的空缺现状,提出了一种使用量子退火攻击素域上椭圆曲线离散对数问题的算法。首先,优化量子退火过程中Ising模型转化中的系数,降低了相关量子比特89.02%以上的权重h_i和耦合强度J_i,j。利用量子退火求解Semaev求和多项式优化后的Ising模型,能显著降低退火过程中的能量间隙,从而得到椭圆曲线上点的关系。然后,求解足够多的Semaev求和多项式,利用得到的关系构建一类线性方程组。针对构建的线性方程组,提出了使用量子退火求解线性方程组的一种算法,实现了非满秩、非方阵的线性方程组求解。最终,基于D-Wave Advantage成功求解了10 bit素域上的椭圆曲线离散对数问题,其素域大小达先前最大求解记录的289%。实验结果说明,所提方法能有效降低D-Wave量子退火的求解难度,是一种新的能有效攻击椭圆曲线离散对数问题的量子算法。