直流-直流变换器是航天二次电源的核心部件之一,体积小、重量轻、高功率的变换器是航天电源未来发展的趋势。提高变换器开关频率是缩减整机体积与重量、提升变换器性能的重要手段,所以,“高频化”是未来直流-直流变换器的重要发展趋势。使用GaN高电子迁移率晶体管作为开关器件,研究了在电路实现软开关的情况下,特定GaN器件对LLC谐振变换器可实现的最大工作频率的影响。研究发现,在保持软开关特性的情况下,GaN器件的输出电容越小,作为LLC谐振变换器的开关器件时可以使变换器实现的最高频率越大,但是GaN器件本身的损耗也会随之增加。针对损耗与高频的折衷关系,建立了精确的GaN器件损耗模型,为效率最优方案提供参考。并针对270 V输入、28 V输出、200 W额定功率的GaN基LLC谐振变换器做出了详细分析,通过使用GaN器件实现了2.5 MHz的高频变换器,整机功重比达到3.1 kW/kg,转换效率峰值为92.8%。原理样机验证了该设计方法可以实现更高频的LLC变换器,为未来制作高频变换器提供了设计参考。

卫星互联网呈现全球覆盖、灵活接入、可靠传输的发展趋势,是构建广覆盖、巨连接、立体化、全方位、全天候的空天地一体化信息网络的关键。由于星座规模快速扩张、网络拓扑高度复杂以及业务需求多元动态,卫星互联网的传输压力与日俱增。路由技术负责卫星之间数据传输路径选择与数据转发,是提升星间数据传输效率和保障网络服务质量的关键,在高移动性、高时延、高动态通信以及空间环境复杂的星间组网环境中面临诸多挑战。以卫星互联网星间路由技术为研究对象,概述了卫星互联网的基本组成架构及工作模式。根据星间组网所面临的挑战,从动态信息感知、网络故障建模及跨层混合组网等方面系统梳理了星间路由的主要技术路线并分析了星间路由技术的研究进展,以及现有的各类解决方法在星上计算及存储能力受限时的适用性。最后结合当前卫星互联网路由技术的瓶颈与新兴网络技术,对未来卫星互联网路由技术进行了展望。

干扰对抗的本质为资源维度的竞争,干扰资源受限的单节点已难以满足实际需求,多节点协同干扰可引入更高维度的干扰资源,已成为未来重要的作战形式。然而,传统协同干扰场景中,各节点采用预设发射模式,会导致干扰资源重复冗余配置,在编队突防背景下存在干扰效果较差的问题。针对此问题,提出了一种性能驱动的多干扰机协同资源分配方法,其核心是通过实时分配多干扰机的发射资源,在相同的资源消耗情况下降低敌方雷达对我方突防目标的跟踪精度。首先,推导了干扰场景下突防目标跟踪的贝叶斯克拉美罗下界,评估了多干扰机协同干扰的性能;而后,结合我方干扰机的资源约束,建立了包含驻留时间变量的多干扰机协同资源优化模型,证明了该模型为凸优化问题,并采用增广拉格朗日乘子法进行了快速求解。仿真结果表明,相比于其他基准方法,所提干扰资源分配方法能够有效压制敌方组网雷达,降低其对我方突防目标的跟踪精度,并且在波束个数受限的约束条件下,所提方法仍然具有较好的干扰效果与快速求解能力。

无线通信因其广播信道的天然特性,面临被窃听的风险。针对无人机组网通信系统的物理层安全问题,考虑无人机平台因体积和功耗等因素信号处理能力受限,提出了一种适应无人机平台的新型人工噪声生成与抑制方法。发射端以期望信号作为参考,利用过去信号分段中符号的相位信息构建当前信号分段的乘性人工噪声;将过去的信号分段以不同权重叠加,构成当前信号分段的加性人工噪声。授权接收端通过相位补偿和差分操作分别抑制乘性和加性人工噪声。两种人工噪声既可以联合设计也可以独立设计,根据不同的信道环境选择合适的人工噪声波形。理论分析和仿真表明所提方法生成和抑制人工噪声的算法复杂度低,能有效恶化窃听信道的信噪比,提升系统安全容量,实现物理层安全通信。所提方法同样能应用于其他节点处理能力受限的大规模组网系统,为其提供物理层安全传输手段。

强杂波环境下慢速运动目标的杂波抑制一直是雷达领域的研究难点,通过子空间分解法来抑制杂波是一种常用的方法,但传统子空间分解法依赖于过往经验选取杂波基、自适应性差。基于K-均值聚类的SVD杂波抑制算法弥补了上述缺陷,然而当慢速运动目标与杂波在多普勒谱上接近或混叠时,这种算法的特征集区分度大幅下降,聚类结果变得不稳定。为此提出了一种基于自组织神经网络的特征值分解杂波抑制算法。首先,深入分析慢速运动目标和杂波、噪声的差异,利用回波信号矩阵特征值分解后得到的特征值和特征向量,提取针对慢速运动目标和杂波区分度高的特征来构建特征集。其次,采用受初始值影响小、聚类结果稳定的自组织神经网络进行聚类,自适应选取构造杂波子空间的杂波基,最后通过正交子空间投影来抑制杂波。仿真和实测数据结果表明该算法能有效抑制强静止杂波和慢速杂波,实现对慢速运动目标的检测,算法具有较强的稳健性和工程实用性。

针对无人机群可用频谱资源紧缺及资源优化过程中面临的多目标优化难以求解、完整信道信息难以获取和实时性差等问题,提出了一种知识图谱辅助的无人机群频谱资源优化算法。首先构建一种基于多头注意力机制的关系感知图神经网络编码器,实现无人机群通信参数、性能参数和电磁环境信息的聚合,并根据节点的重要性为邻居信息分配不同的权重;然后构建一种改进型基于层注意力的InteractE模型,使用压缩-激励模块获取层注意力信息,从循环卷积结果中挖掘深层次交互信息,实现无人机群信道接入和发射功率预测。仿真结果表明,在公共数据集上,所提算法收敛速度快、链路预测性能好,并且具有较好的稳定性和鲁棒性;在无人机群频谱管控数据集上,所提算法可以在已知信道分布信息和部分环境信息的情况下,生成近似最优的无人机群频谱资源优化方案。

在现代处理器体系架构中,缓存是解决存储墙瓶颈的重要手段,但是缓存访问需求是随程序甚至是程序片段的切换而变化的,这导致传统的固定参数配置的缓存架构难以在长时间或在程序间依然保持高效性能。文中提出一种缓存组相联度的自适应扩展方法,能根据程序运行时缓存组活跃状态,利用短时非活跃缓存组的存储空间,来扩展当前活跃缓存组的组相联数目,并可实时动态调整组与组之间的扩展互联关系,有效提升缓存空间的整体利用效率。文中在Gem5软件中对所提出的缓存组相联自适应扩展架构进行了仿真,并基于SPEC CPU 2017 基准测试集进行了性能测试,结果显示所提方法明显改善了缓存组访问的均匀性,对典型程序缓存组使用频次的均匀性最大提升23.14%左右,降低缓存访问缺失数最大可达54.2%。硬件实现和仿真结果显示,与HY-Way等低功耗可重构缓存架构相比,文中所述缓存架构资源消耗减少了7.66%以上,在嵌入式处理器设计中有较大的应用价值。

针对当前高光谱图像跨域小样本分类领域存在的问题,如低分类精度和有限的泛化能力,提出了一种子空间和存储体的跨域小样本高光谱图像分类方法。该方法改进了一种融合通道注意机制和光谱空间注意机制的特征提取器,以充分提取原始高光谱图像的光谱空间信息。通过对比学习机制,分析小样本之间的多样性和差异性,提升了模型在小样本情况下的判别能力和泛化性能。同时,利用自适应子空间来改进原型网络,以提高嵌入特征的利用率,从而提升了模型的分类精度。最后,引入存储体模块实现跨域对齐,增强了模型在跨域条件下的分类性能。通过迭代训练和不断优化,使用优化后的特征提取器对测试集进行分类。在四个常用的数据集上将文中方法与当前主流的高光谱跨域小样本分类方法进行了比较。实验结果显示,文中方法的分类效果优于其他现有方法,同时还展现出出色的泛化能力和鲁棒性。

移动边缘缓存技术将视频缓存在离用户更近的边缘服务器,从而为用户提供更加便捷的服务。目前的视频缓存方法主要基于整体的视频流行度,忽视了视频流行度在时空上的差异,未能充分利用边缘服务器的广地域分布特性,影响云边环境下视频缓存的效果。针对此问题,笔者提出了基于流行度感知的无线视频云边缓存策略。首先,基于分布式协作的云边架构,考虑视频流行度在时空上的差异性,并结合视频分片及视频片段流行度,以最小化所有用户请求视频的平均时延和最大化用户请求视频的缓存总命中率为目标,建立云边视频缓存模型。其次,针对边缘服务器有限的计算资源和缓存资源,提出一种基于全局价值评估的缓存策略,将某一视频片段满足用户请求的能力表示为缓存价值,同时引入缓存价值惩罚机制,动态完成缓存内容的价值评估,实现视频片段高效缓存。最后,通过仿真实验证明所提出的策略能够显著地降低平均传输时延和回程流量负载,提高缓存资源的命中率。

近年来,深度神经网络被成功应用于数字水印领域。常见深度学习水印模型由嵌入水印的编码器、模拟攻击的噪声层、提取水印的解码器三部分构成。常用的端到端训练方式要求参与训练的攻击必须可导,此要求限制了水印模型在面对真实不可导攻击时的鲁棒性能力。此外,在一幅完整图像中,通常包含平滑纹理和粗糙纹理,然而目前的水印模型却很少直接利用其纹理信息实现水印的嵌入过程。针对上述问题,提出了一种图像纹理引导的迭代水印模型。引入图像纹理注意模块,使模型能够根据图像纹理的粗糙程度来引导水印的嵌入过程,提升水印的不可见性。采用两阶段迭代的训练方式实现对不可导攻击的学习。第一阶段,结合图像纹理注意模块,进行无攻击的端到端编-解码器联合训练,最大限度地保证水印的不可见性;第二阶段,进行不可导攻击参与的解码器独立训练,通过对任意真实攻击分布的学习,构建具有强鲁棒性的解码器。两阶段训练迭代进行,最终通过编、解码器协同训练的方式,达到模型的全局最优状态,实现水印不可见性和鲁棒性较好的平衡。实验结果表明,该模型在不可见性和鲁棒性上均优于主流的深度学习水印模型。

针对现有的高光谱图像去噪算法采用逐波段或者全波段方式去噪,未能充分利用高光谱图像波段相似性的问题,提出了超像素分割和波段分割的高光谱图像去噪算法。文中将构建双层图模型,包括上层图和下层图模型。首先,对高光谱图像应用超像素分割技术,得到一系列的超像素。对超像素内的像素建模为节点,像素之间用边连接,构建一系列下层图,从而充分利用高光谱图像的空间信息和保留边界信息。根据超像素分割结果,沿着波段维分割,形成超像素体,以充分利用高光谱图像的波段相似性。将超像素体建模为节点,超像素体之间用边连接,构建上层图。基于构建的图结构和图分割方式,将高光谱图像去噪问题归结为一系列的优化问题,在优化问题中利用克罗内克乘积图重新定义了图拉普拉斯正则项。最后,实验结果表明,与现有算法相比,文中所提算法具有更高的平均峰值信噪比、平均结构相似性和光谱差异性。

传统的图像分割方法对图像进行非重叠分块,图像哈希算法只能对图像块内部像素进行特征提取,而简单线性迭代聚类超像素分割算法能在聚合相似像素的同时额外提取形状特征,故在此基础上提出一种结合自适应网格描述符和图像能量的图像哈希算法。首先,使用双线性插值和高斯低通滤波对输入图像进行预处理,并通过简单线性迭代聚类对预处理图像进行超像素分割,对分割得到的超像素区域应用自适应网格描述符提取形状特征;同时利用超像素内部的像素具有相似亮度的特性,以亮度为计算对象求出各超像素的能量值作为图像的能量特征。最后,连接形状特征序列和能量特征序列,再利用密钥加密得到最终哈希序列。实验表明算法在鲁棒性和区别性之间达到了较好的平衡。算法的哈希运算时间为0.128 s,哈希长度为467 bits,具有较快的运算速度且哈希序列较为紧凑。分类性能方面,假阳性率为0时,真阳性率达到0.999 9。拷贝检测方面,查全率和查准率均在95%以上。此外,与一些同类型算法相比,提出的算法在分类性能和拷贝检测方面也更具优势。

针对传统跌倒检测算法在特征提取不充分、跌倒判决方法单一以及实时性不强的问题,提出一种改进型YOLOv8结合人体骨骼关键点的跌倒检测算法。首先,算法通过ShuffleNetV2网络替换原有YOLOv8的Darknet-53主干网络,在颈部增加混合注意力机制(Shuffle Attention,SA),使得网络能够更好地提取人体的行为特征,实现人体静态姿势匹配。其次,分析人体动态行为的骨骼关键点位置变化信息,将人体质心下降速度、人体躯干与地面间的夹角变化速度和人体的高宽比三者共同作为跌倒行为的判决依据,提高跌倒判决的准确率。实验结果表明,该算法在COCO Key Points数据集上的检测精度、F1值和mAP50值分别为78.3%、67.9%和70.0%,在UR Fall Detection、Fall Detection Datasets和自建数据集上的检测准确率分别为95.85%、92.8%和96.52%,在区分日常生活行为和跌倒行为方面优于传统算法。

在方面级情感分析任务中需要先对文本进行句法依存解析,一方面存在着高度依赖依存解析质量的问题,另一方面未考虑依存解析与语义知识关联性缺失的问题。为此,提出一种基于句法感知与知识增强的双通道图卷积模型进行方面级情感分析任务。在一个通道上使用句法感知机制学习句子的依存关系,在另一个通道上通过知识图谱进行知识增强,并通过信息交互机制关联两通道的输出,使得模型对与方面词相关联的重要词汇赋予更多句法与语义上的关注。此外,引入位置注意力机制,对词语进行位置上的得分权重调整,进而提高方面级情感分析任务的性能。在3个公开数据集Rest14、Lap14、Twitter上进行实验,相较于其他方面级情感分析模型,所提模型在准确率与F1值都有较为明显的提升。实验表明,句法感知与知识增强能够指导图卷积模型进行更加深入的语义学习与合理的权重分配,从而提高方面级情感分析任务的性能。

Trivium流密码是最终胜选欧洲eSTREAM项目的轻量级同步流密码之一,而Enhanced-Bivium流密码是适用于RIFD系统的Trivium流密码的简化版本,该密码设计者认为在相同的初始化轮数下Enhanced-Bivium流密码算法的安全性要高于Trivium流密码算法。通过在离线预处理阶段引入代数次数评估方法和在在线计算阶段引入基于嵌套式单项式预测的立方攻击提出了一种新的立方攻击方法。使用该方法可以将初始化464轮的Enhanced-Bivium流密码的立方攻击所需时间复杂度由2⁵⁵降到2^50.3,同时利用该方法可以在时间复杂度2^77.8下将对Enhanced-Bivium流密码攻击成功的初始化轮数由464轮提升到601轮。另外,利用该方法在相同的时间复杂度下,将对Trivium流密码成功攻击的轮数由799轮提升至840轮,进而证明了Enhanced-Bivium流密码比Trivium流密码对立方攻击有更好的抵抗性。

针对毫米波无线通信系统中信号覆盖性能弱的问题,提出使用智能超表面反射宽波束以持续增强弱覆盖区域信号强度的方法。首先,在没有视距路径的收发机之间引入智能超表面,利用智能超表面电波传播模型,得到反射辅助路径的接收信号功率表达式。随后,根据先验信息的不同获知程度,提出一种智能超表面反射相移设计框架,并采用启发式算法实现智能超表面离散相移约束下的高效寻优。仿真结果证明,所提算法能够基于智能超表面合成任意宽度的反射波束。同时,根据待覆盖区域的具体形状优化能够进一步提高智能超表面覆盖增强性能。最后,搭建智能超表面反射方向图测量系统和毫米波通信原型系统,在35 GHz频段开展测量验证,获得与仿真结果一致的性能。在暗室环境下的方向图测量验证了智能超表面波束合成算法的有效性。在实际环境下开展的信号覆盖情况测量中,对比未部署智能超表面的情况,部署智能超表面和所提算法后信号覆盖率从1.5%提升至90%。

无人机在应急场景中发挥着越来越重要的作用。无人机执行远程任务时,飞行距离长,导致地面管控中心无法直接与无人机通信。而应急场景如突发的火灾地震等,需要及时下达指令应对。针对应急场景下的无人机网络数据指令安全下发场景,设计了一种基于多接收者加密协议的指挥权限下发机制和基于代理签密的指令安全下发机制。在地面管控中心下发指挥权限时,通过多接收者加密协议,向若干移动指挥中心下发指挥权限,并将其派往应急现场。在指令安全下发时,移动指挥中心将签密后的指令发送给空中平台,空中平台验证移动指挥中心的身份和指挥权限,并将指令签密后发送给无人机。网络中的无人机预先配置在空中平台的管辖下,无人机验证空中平台的身份,解密并执行指令。采用形式化验证工具Scyther、BAN逻辑和非形式化安全分析等多种方法对方案进行了安全性分析,结果表明,所提出的方案能够满足必要安全需求。与多个方案进行性能对比,结果表明,所提出的方案具有良好的性能表现。