随着多媒体的快速发展,大规模的图像数据对网络带宽和存储空间造成了巨大压力。目前,基于深度学习的图像压缩方法仍然存在重建图像有压缩伪影和训练速度慢等问题。针对上述问题,提出了分布式策略下的解码端增强图像压缩网络,用于减少重建图像压缩伪影和提高训练速度。一方面,原有的信息聚合子网不能有效利用超先验解码器的输出信息,不可避免地会在重建图像中产生压缩伪影。因此,使用解码端增强模块预测重建图像中的高频分量,减少压缩伪影。随后,为了进一步提高网络的非线性能力,引入了特征增强模块,进一步提高重建图像质量。另一方面,采用分布式训练解决单个节点训练速度较慢的问题,通过使用分布式训练有效缩短了训练时间。然而,分布式训练过程中梯度同步会产生大量通信开销,将梯度稀疏算法加入了分布式训练,每个节点按照概率将重要的梯度传递到主节点进行更新,进一步提高了训练速度。实验结果表明,分布式训练可以在保证重建图像质量的基础上加速训练。

短波通信是一种依靠大气电离层反射实现超远距离传输的通信技术,具有不可替代的通信保底作用。然而,短波信道具有严重的多径时延扩展和多普勒展宽,呈现出典型的时间-频率双选择性衰落特性。上述信道特性将为短波通信的可靠性带来严峻挑战,需要接收机利用信道均衡算法,实现对通信数据的检测。针对短波信道的传统均衡算法存在收敛过慢的问题,无法适应短波信道的复杂特性;而可实现快速收敛的均衡算法则存在计算复杂度过高的问题,难以满足工程实现需求。为克服上述问题,提出一种适用于短波双选择性衰落信道的低复杂度正交近似消息传递(Orthogonal Approximate Message Passing,OAMP)均衡算法,采用基于LU分解的三角矩阵迭代解法,并利用短波信道矩阵的稀疏性,降低矩阵求逆运算的计算复杂度,从而大幅降低原OAMP均衡算法的计算量。仿真表明,所提出的低复杂度OAMP均衡算法与原OAMP均衡算法的误比特率(Bit Error Rate,BER)性能一致,而计算量可降低约88%。

准确预测网络流量的变化,可以帮助运营商提前进行资源分配和调度,最大程度减少网络拥塞。现有的网络流量多步预测方法难以捕获流量序列的长相关性,在多步预测任务上精度较低,基于此,提出了一种时间二维变化建模的网络流量多步预测方法。该方法首先利用门控循环单元对网络流量序列进行编码,以实现网络流量时间相关性的精准表征;然后利用网络流量周期特征对其进行重构,将一维的流量序列转化为二维,重构后的流量序列长度被压缩,特征更为集中,使得模型能够有效感知其长相关特征。最后通过新型卷积神经网络捕获重构后流量序列的二维特征,并进行加权融合得到最终的预测结果。仿真结果表明,相较于主流的网络流量多步预测方法,所提方法均方根误差至少降低约8.69%,平均绝对误差至少降低约8.96%,平均百分比误差至少降低约11.73%。实验结果说明所提方法能够有效挖掘网络流量长相关特征,在网络流量多步预测任务中具有更高的预测精度。

传统机动目标跟踪方法在机动模型建模方面,通过模型集自适应交互的方式,实现模型与目标真实运动的匹配。在跟踪非合作目标时,由于机动状态随时变化,且机动形式多样,当模型集内的有限个模型均无法精准表征其真实运动时,跟踪性能下降。将模型修正和状态修正两级神经网络融入到滤波递推过程中,提出一种基于堆叠长短时记忆(Stacked Long Short-Term Memory,SLSTM)网络的两级修正机动目标跟踪方法(Two Level Modified Maneuvering Target Tracking,TLM-MTT),第一级模型修正网络实时感知目标的机动,调整模型参数,实现机动模型的精准建模,第二级状态修正网络对状态估计进行实时补偿,提升滤波输出的精度。通过离线方式进行网络训练,训练后的网络用于在线实时跟踪,相较于传统方法和其他智能化滤波方法,文中所提方法对高机动目标跟踪具有更好的跟踪性能。

研究智能反射面赋能的共生无线电系统中的传输方案设计与性能优化问题。系统中,智能反射面辅助多天线基站与主用户的通信,同时作为反向散射装置生成次级信号,向次级用户传输信息。智能反射面采用开关键控方式,通过控制反射单元的开关实现对基站反射信号的调制和散射,次级用户则使用能量检测法进行次级符号的检测。在保证主传输的最小传输速率的条件下,对基站波束成形矢量和智能反射面的相移矩阵进行联合优化,最小化次级传输的差错概率。原始优化问题为非凸问题,通过采用半正定松弛法和交替迭代优化等方法对原问题进行转化和求解。最后对所提方案进行仿真验证,结果表明,相较于基准方案,所提方案不仅可以提高主传输系统的性能,而且可以获得更低的次级传输误比特率,且误比特率随发送功率、天线数和智能反射面反射单元数增加具有明显更高的下降速率。

无人机自主飞行避障技术是无人机安全飞行和应用中最为基础和关键的技术,也是当前无人机领域的研究热点。随着深度学习在计算机视觉方向的应用,以及事件相机等视觉传感器技术的迅速发展与不断完善,基于视觉传感器的无人机自主飞行避障方法取得一定的进步,但目前有些研究方法在复杂场景下仍存在很大的挑战以及存在一些列亟待解决的问题,在精准性、实时性以及算法鲁棒性方面仍有改进空间。首先介绍无人机避障的相关概念及问题难点;然后将基于视觉传感器的避障算法根据采用的硬件及技术手段,具体划分为传统避障方法、基于深度学习避障方法、基于处理事件流的避障方法、基于传感器融合避障方法,和基于视觉避障的决策层避障方法,并分别介绍每类避障方法相关研究进展与研究成果,以及分析各类避障方法的优缺点;最后总结现有无人机避障算法存在的问题,并对未来研究工作进行展望。

无线电技术的蓬勃发展致使射电天文台址频繁遭遇射频电磁干扰,进而导致天文观测数据受到污染。针对射频干扰的时序非连续特性导致以原始IQ数据及其提取的统计特征作为残差神经网络输入的方法出现损失函数收敛难和识别准确率低的难题,文中提出了基于复合时间尺度特征的射频干扰识别方法。首先,在时频域进行高维映射以揭示数据隐含信息,并融合长短时特征以提升描述多样性。其次,搭建射频电磁干扰识别网络,网络包括三部分:深度卷积神经网络实现特征高效抽取;路径聚合网络融合浅层图形与深层语义特征;预测输出层则整合多尺度特征进行最终识别判断。实验结果表明,文中所提方法整体精度达到96%,相比于以原始IQ信号作为神经网络输入的整体准确率提升超过30%,有效解决了信号的时序非连续特性导致神经网络难以训练、性能较差的问题。

利用多个接收站测量得到的目标辐射源信号到达时差、到达频差和差分多普勒率信息进行联合定位,可以有效提高运动目标的无源定位精度,是当前研究的热点。但是,现有算法通常采用两步加权最小二乘方法,在低信噪比环境下普遍存在定位误差较大的问题。为了解决该问题,通过将无源定位问题逐步转化为凸优化问题,采用成熟的凸优化技术,提出了一种基于半正定松弛的运动目标无源定位算法。该方法分为三步:第一步,通过引入三个辅助变量,构建伪线性的无源定位方程组;第二步,利用辅助变量与目标定位解之间的关系,将定位问题转化为具有二次约束的二次规划问题;第三步,采用半正定松弛方法,将二次约束优化转为凸优化问题,并运用优化工具箱高效求解。仿真结果表明:与现有方法相比,所提算法目标定位精度达到克拉美罗界所需信噪比至少降低9 dB,且在更低的信噪比环境下具有更小的定位误差。证明了所提算法的有效性。

高光谱图像变化检测通过分析同一区域不同时间拍摄的高光谱图像,识别自然场景中地物变化。现有基于深度学习的检测方法主要包括卷积神经网络和基于注意力的方法两类:卷积神经网络方法使用卷积核提取特征,但感受野较小,关注局部信息,缺乏全局建模能力;而基于注意力的方法专注于全局依赖性建模,但对局部特征的捕捉不足,导致检测中漏检、误检现象严重。针对这些不足,提出了一种联合多尺度高低频信息融合的变化检测方法。具体而言,通过金字塔多尺度网络提取多时相高光谱图像的高低频信息,不同尺度的高频信息关注边界区域,低频信息捕捉背景区域细节。高频信息通过残差卷积算子网络提取多尺度局部特征;低频信息通过基于自注意力的网络提取全局特征,以此对图像全局和局部信息进行有效建模。为进一步增强特征提取的有效性,设计了双时相差分分类决策网络,自适应学习各分支的分类权重系数,生成最终的加权预测结果。在三个真实高光谱数据集上的实验表明,方法在可视化和定量性能上均优于现有方法,实现了更高的分类精度和更稳定的变化检测效果。

目前基于稀疏恢复的空时自适应处理方法,是通过将角度-多普勒平面细分为多个离散格点的方式来构建导向矢量字典的。然而,当这种方法应用于机载双基雷达杂波抑制时,会面临格点失配问题,从而导致杂波抑制算法性能下降。针对这个问题,提出了基于原子范数最小化技术进行机载双基雷达杂波抑制的方法,基于原子范数最小化的杂波抑制方法不用生成离散格点矩阵,而是直接在连续域上进行建模。利用杂波协方差矩阵的半正定性、块-托普利兹属性和低秩特性,结合交替方向乘子法去迭代求解原子范数最小化问题,可以准确估计出杂波子空间。然后,通过特征分解直接计算杂波的协方差矩阵,进而提高杂波抑制性能。仿真结果证明,在可用样本数量较少的情况下,所提算法由于规避了格点失配问题,与传统稀疏恢复方法相比,所提算法能够更精确地估计杂波协方差矩阵,具备更好的杂波抑制效果。

雷达非视距目标探测是城市环境下的一个重要问题,建筑物等障碍在雷达与目标之间形成遮挡导致雷达检测性能受限,传统方法是利用电磁波在墙体等介质表面的反射来实现对盲区内目标的有效探测,然而电磁波在墙体处和传播过程中的衰减限制了探测范围。可重构智能表面是一种在空域能够将电磁波反射并实现能量聚焦的平面阵列,由低功耗的电子电路控制,通过调控元件反射系数可将信号聚焦于不同位置,智能反射面凭借其低成本、易部署、低功耗的优势能够广泛应用于城市环境中。受到智能反射面调控信号能力的启发,提出利用智能反射面辅助雷达非视距探测的方法,将信号转发至目标处从而绕过遮挡,并采用交替优化算法求解反射系数,旨在提高雷达在非视距场景下的目标检测性能,拓宽雷达在城市环境下的应用。仿真实验结果表明,相比传统方法智能反射面辅助雷达非视距目标探测范围得到提升,并且智能反射面增加元件数,位置布置靠近雷达端或目标处时检测性能能够得到增强。

针对传统的解混方法和基于自编码器的解混网络方法,利用空间信息提升了解混性能,但未深入挖掘和利用光谱特征,而光谱特征和空间信息的有效结合能够进一步提高解混性能,因此,提出了基于双向卷积长短期记忆网络的解混框架。该框架采用创新性的网络结构设计,通过卷积层深入挖掘空间特征,同时利用卷积长短期记忆单元充分挖掘波段间的光谱变异性及其光谱相关性,有效处理光谱维度的序列信息,从而实现对高光谱数据更加精准和高效的分析。为了更加细致地区分和利用高光谱数据中不同谱段的特异性,采用深度光谱分区方法优化网络输入,通过自适应学习机制对不同光谱区域精细化处理,增强了模型对高光谱数据中复杂光谱关系的捕捉能力,进一步提升网络的解混性能。在模拟和多个真实高光谱数据集上的对比实验表明,该方法在解混精度和模型鲁棒性等方面均优于现有方法,特别是在处理复杂地物光谱特征时,表现出良好的泛化能力和稳定性,能够准确估计端元和丰度。

准确的实时交通预测是实现智能交通系统的核心技术问题。目前已有的预测方法在考虑交通信息的时空特征时,忽略了道路之间空间特征的依赖程度差异,导致预测模型缺乏差异化设计,无法实现对单条道路的精准预测。为了更好地分析道路之间空间特征的依赖程度差异性,设计了面向直觉推理的量子效应交通预测模型。引入直觉推理的思想对路网结构进行编码、组合和比较,分离出在空间特征上高度相关的道路集群,使用量子退火算法优化聚类结果,从而逼近全局最优解。使用华为云研发的MindSpore框架,根据不同的集群构建集群预测模型,专注于每个集群内交通信息的时空特征。在2012年美国洛杉矶高速公路和2021年日本东京1 843条高速公路收集的真实数据集上进行实验,并与历史平均值模型、自回归积分平均移动模型、图卷积网络、门控循环单元和时空图卷积网络进行对比。结果表明,在均方根误差、平均绝对误差、准确率、决定系数和解释差异得分5个指标上均优于上述基线。在两个真实数据集上的均方根误差表现相较基于时空图卷积网络的预测模型分别提升了11.32%和13.86%,为目前交通预测问题提供了一种新的、有效的解决方案。

知识图谱(KG)在挖掘推荐场景中项目之间高阶关系方面逐渐成为一项重要趋势。尽管一些基于知识图谱的模型,如知识图注意网络(KGAT),能够有效建模一阶关系,但它们面临着无法对高阶关系中的协作信息进行建模的挑战。此外,现有的基于知识图谱的模型将交互行为简化为一种知识图谱关系,直接将用户-项目二分图与知识图融合成为一个整合图,却忽略了图结构之间的异构性,导致无法充分保留图内特定属性。在这项研究中,深入分析了交互行为和关系链接之间的潜在差异与联系,并提出了一种名为异构图信息协同过滤(HGICF)的创新消息传播机制。该机制能够将用户-项目行为和知识图谱辅助信息的协作特征有效传播到一个综合的模型中。这一解决方案不仅维持了图内属性的依赖关系,而且有助于跨图信息的有效聚合。为了深刻理解知识图谱和二部图之间的协作关系,进一步提出了共享特征协同过滤层,该层能够根据不同的数据结构和需求设置不同的层级。实验结果表明,HGICF在性能上显著优于当前方法。

随着科学计算复杂性提高,工作流成为实现科学计算自动化的重要模型。WaaS平台从IaaS供应商处租用虚拟机,为用户提供科学工作流计算服务。目前针对WaaS平台的工作流调度研究并未考虑虚拟机宕机导致任务运行失败以及虚拟机供应延迟的情况。针对此问题,提出一种面向WaaS平台的多工作流容错调度策略。首先,针对WaaS平台不直接调度硬件资源而是在虚拟机和容器层面调度工作流的特点,考虑虚拟机宕机以及供应延迟对调度的影响,建立适合WaaS平台的工作流调度模型。其次,提出一种WaaS平台下多工作流容错调度策略,包括预处理、容错方法选择、任务分配和资源调整四个阶段。其中,设计一种截止时间划分算法来确定调度顺序,通过将任务复制和重新提交相结合的方式选择容错算法,考虑任务属性和虚拟机供应延迟来进行虚拟机选择与任务分配,设计资源调整算法为即将开始的任务提前部署资源,以避免虚拟机或容器的供应延迟。最后,通过在不同虚拟机宕机概率、工作负载和截止时间约束下的实验对比,证明了提出的WaaS平台容错调度策略的有效性。

为深入研究深度学习在密码安全性分析方面的应用,采用神经网络对轻量级分组密码进行差分分析,主要得到以下研究结果:① 采用引入注意力机制的深度残差网络构造神经网络差分区分器,并将其应用于SIMON、SIMECK和SPECK 3类轻量级分组密码。结果表明,SIMON32/64和SIMECK32/64有效区分器最高可达11轮,精度分别为0.517 2和0.516 4;SPECK32/64有效区分器最高可达8轮,精度为0.586 8。② 探究不同的输入差分对神经网络差分区分器精度的影响。针对SIMON、SIMECK和SPECK 3类密码,采用神经网络的快速训练得到不同输入差分对应的神经网络差分区分器的精度。结果表明,低汉明重量且高概率的输入差分能够提高神经网络差分区分器的精度。同时,寻找到SIMON32/64、SIMECK32/64和SPECK32/64神经网络差分区分器的合适输入差分分别为0x0000/0040、0x0000/0001和0x0040/0000。③ 探究包含不同信息量的输入数据格式对神经网络差分区分器精度的影响。根据密码算法的特点改变输入数据包含的信息量,并重新训练相应的神经网络差分区分器。结果表明,相比于只包含密文对信息,输入数据中包含密文对信息以及倒数第2轮差分信息的神经网络差分区分器会获得更高的精度。④ 在上述研究的基础上,进一步对11轮 SIMON32/64 进行最后一轮子密钥恢复攻击,当选择明密文对的数量为2⁹时,在100次攻击中的攻击成功率可达100%。