合成孔径雷达(SAR)图像舰船检测方法面临舰船多尺度、任意方向、密集排列等难题,旋转框检测方法能实现任意方向舰船的精确检测,但是现有旋转框检测方法难以兼顾高精度与实时性。为解决上述问题,提出了一个结合中点偏移量表示法和YOLOv5的旋转框检测网络模型,直接继承水平框的回归机制,并设计适应于旋转检测的多任务联合网络损失函数,解决了常用旋转框检测表示方法引入角度参数而产生的网络难以训练和网络预测层参数冗余的问题。此外,还提出了基于注意力机制的主干网络,结合图像全局和邻域信息,增强了感兴趣区域的重要性和模型的特征提取能力,提高了轻量化旋转框检测网络的性能。最后,在RSDD-SAR数据集上进行实验,实现了SAR图像任意方向舰船目标检测,并获得舰船相应的角度信息,相比当前其他旋转框检测方法,取得了较好的检测效果,平均精度为90.02%。尤其在复杂近岸场景下所提方法达到了最优的舰船目标检测性能,平均精度为70.5%,并且模型的参数量最少,仅为7.2 M。其他相关实验也进一步验证了所提方法的有效性。
分布式系统日志是由分布式系统中的各个组件或节点生成的,记录系统运行状态和事件的时序数据记录,具有多样性、大数据量、可读性差和脆弱性等特点。监督日志异常检测方法在日志标签不足时需要专家人工标注,成本高昂;而无监督方法则难以构建有效的异常检测模型。鉴于此,提出一种半监督学习的日志异常检测模型。首先,将日志数据转化为日志事件模板序列,并采用词嵌入酉不变性和矩阵微扰理论以确定其最佳词向量维度,进而构造日志时间序列训练集;其次,研究和分析了多个深度学习组合模型,包括基于注意力机制的时间卷积神经网络(TCN-Attention,TCNA)、双向长短期记忆网络(Bi-directional LSTM,Bi-LSTM)等网络结构,实验结果显示在数据不平衡度达96.98%的情况下,各个模型的监督学习效果皆很好,其中以模型TCNA的性能最佳。最后,将MixMatch和FixMatch半监督学习算法引入TCNA模型,构建半监督日志异常检测模型SSLogTCNA,并依据日志序列特性,优化了损失函数和数据增强方式。实验结果显示,仅采用极少量的标记数据能实现了数十万的大量无标签数据的正确预测。通过对比实验表明,基于MixMatch的SSLogTCNA模型性能最佳。为了进一步验证模型SSLogTCNA的有效性,设计了增量实验,实验表明当标记数据占比仅为0.1%时,就已接近正常监督训练的检测效果。提出的方法为解决日志数据标签不足、标注成本高等问题提供了新的解决思路。
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。
为解决现有无人机异常检测方法中飞行数据特征选择不当、时空关系建模不足和判据区分度低的问题,文中设计了基于数据驱动的无人机异常检测模型(Unmanned Aerial Vehicles Spatial Time Anomaly Detection,UAV-STAD),该模型通过优化特征选择、融合时空特征和定义异常判据对飞行数据进行异常检测。首先,通过最大信息系数(Maximal Information Coefficient,MIC)过滤飞行数据中与检测参数无关的特征。其次,将相关特征作为图中节点通过自适应跨变量相关性学习模块(Adaptive Inter-Variable Correlation Learning,AIVCL)计算可变邻接矩阵辅助图注意力(GAT)网络完成空间建模;在Transformer中引入可学习高斯核,使其与自注意力机制并行工作分别计算先验关联和序列关联实现时间建模。最后,根据先验关联和序列关联计算关联差异,将关联差异和重构误差的综合考虑结果作为异常判据。在Thor flight97、ALFA和UAVSet上测试UAV-STAD对飞行数据中存在的常见异常和复杂异常的检测性能,其F1分数平均达到了97.2%、96.6%、95.7%。
针对目前单目深度估计网络模型参数量大、计算复杂度高、难以部署在边缘计算设备上进行实时推理的问题,提出一种结合多尺度注意力的轻量级自监督单目深度估计算法。该算法引入多尺度注意力模块作为编码器主体,以卷积操作与自注意力机制的局部结构和远程全局信息捕获能力作为核心思想,通过将添加了多分支大核空洞卷积的门控多层感知机与前馈神经网络相结合,实现带有注意力机制的局部与全局特征聚合,从而在确保深度估计精度的情况下降低网络参数量和计算复杂度。使用经过编码器-解码器架构得到的深度图与基于ResNet18的位姿估计网络输出的相对姿态矩阵进行图像重建,通过计算重建图像与原始图像间的光度损失与平滑损失,实现自监督的单目深度估计。该算法模型参数量仅4.1 M,浮点运算量仅3.0 G,运行网络结构平均用时5.7 ms,在公开数据集KITTI上的AbsRel指标为0.104,δ1指标为0.892,综合性能优于目前的主流方法。实验结果表明,该算法深度估计精度高,推理速度快,能够满足实时性单目深度估计任务的需求。
现如今,视觉Transformer在计算机视觉领域的许多任务中都取得了卓越的表现,但其复杂的网络结构通常需要占用大量的存储和计算资源,因此难以在计算资源受限设备上广泛部署。为此提出了一种基于剪枝和蒸馏的视觉Transformer模型压缩方法,旨在保证模型性能的前提下缩减模型大小。首先,通过对视觉Transformer的结构分析,确定宽度剪枝的对象为多头自注意力的注意力头和多层感知机中隐藏层的神经元,并采用基于模型损失函数变化的参数重要性评估策略对其进行参数重要性评估。其次,通过剪枝后蒸馏策略在模型宽度维度进行裁剪并恢复剪枝后宽度子网络的精度。最后,在深度维度上,通过剪枝后蒸馏得到最终的压缩模型。所提出方法在Tiny ImageNet、CIFAR-100和CIFAR-10数据集上对视觉Transformer进行了压缩实验。其中,在Tiny ImageNet上,ViT-S模型在参数量和计算量减少30%时,精度仅降低0.3%,而ViT-B模型精度甚至提升了0.6%。实验结果表明,所提方法能够有效实现模型精度和压缩率的平衡。
由于新空口车联网中车辆服务质量需求具有差异性,易引起资源调度冲突,导致复杂干扰和数据拥塞问题,进而降低车辆数据传输效率。从新空口车联网系统整体性能角度出发,考虑系统长期稳定运行,设计了一种双尺度资源优化方案。该优化方案为减少车辆高速移动性造成的通信开销,对车辆多播进行分组,通过信息年龄与信干噪比概率约束确保低时延高可靠通信。通过优化车辆数据到达量、系统资源块和各车辆用户发射功率,实现系统车辆对基站通信的平均总吞吐量最大化。为解决该混合整数非凸优化问题,首先采用李雅普诺夫优化方法,将构造的长期优化问题解耦拆分为一系列瞬时优化问题,并利用双边匹配算法和最优化理论得到最优解。仿真结果表明,所提方案能够保障车辆对车辆多播毫秒级通信时延,且链路可靠性达到99.9%;此外,所提方案通过调控控制参数可实现车辆对基站通信最优平均吞吐量与缓存队列稳定的权衡折衷,在实际应用中达到更高效适配的资源管理与通信服务。
属性基加密(ABE)提供了灵活的访问控制,但密钥完全由中央权威生成和签发,导致中央权威负荷过重且易受攻击。一旦中央密钥泄露,将会带来严重的安全后果。为解决此问题,多权威属性基加密(MA-ABE)允许多个授权机构独立、分散地分发各自所管属性下的密钥,即使单个权威密钥泄露,整个系统的安全性仍能得到保障。与传统ABE相同,MA-ABE仍面临着任意非授权用户的合谋问题,甚至一些权威可能被破坏并与对手勾结。针对这些挑战,提出了一种新型格上MA-ABE方案,通过张量伪随机技术实现了抗任意合谋,避免了其他伪随机函数或线性秘密共享技术造成噪声的指数增长。该方案基于回避型容错学习假设(Evasive LWE),移除安全证明中对随机预言机模型的依赖,在不需要格上伪随机函数或其他非标准假设的情况下,实现了静态安全。方案具有多项式级模数,提高了系统的模运算效率,同时密文更加紧凑,降低了通信开销。
在复杂多变的现代战场环境中,传统的单一雷达系统已无法应对现代战争的挑战,组网雷达技术应运而生。组网雷达拥有独特的“同源检测”机制,使其具有出色的探测与抗干扰性能,因此传统干扰手段收效甚微。文中对面向组网雷达的无人机欺骗干扰技术展开研究,并重点研究了基于粒子群优化算法的航迹欺骗干扰方法。首先,分析了面向组网雷达的多机协同航迹欺骗干扰原理,在此基础上建立了多机协同欺骗干扰的优化模型。其次,对经典粒子群优化算法进行改进,提出了一种自适应莱维飞行混合粒子群优化算法。通过混沌映射、自适应权重因子、莱维飞行和差分进化等操作,结合多项约束条件对多机协同欺骗干扰优化模型进行了求解。最后,通过仿真实验验证了多机协同粒子群优化航迹欺骗干扰方法的可行性和有效性。相较于现有算法,所提算法具有更高的运行效率和更好的求解精度,具有一定的工程应用价值。
考虑到可重构智能表面(RIS)辅助的无人机 (UAV) 通信系统中存在多个移动用户的情况,研究了UAV的飞行能耗对系统能效的影响,通过联合优化UAV轨迹与主动波束赋形以及RIS相移设计以提升系统能效。由于目标函数是非凸的且优化变量耦合,传统算法难以直接求解,提出一种基于双延迟深度确定性策略梯度(TTD3)的高斯分布双延迟深度确定性策略梯度算法(GD-TD3),通过联合优化UAV轨迹与主动波束赋形以及RIS被动波束赋形以提升系统总数据速率和系统长期能效。所提算法通过改进双智能体框架中的原始网络结构,同时对多个用户移动性建模,分别优化了系统中的UAV轨迹以及UAV与RIS的主/被动波束赋形。仿真结果表明,相较于其他算法,GD-TD3算法在系统能效提升方面表现更好,在收敛速度和收敛稳定性方面都有一定提升。
多模态推荐系统通过将多模态信息(如文本、视觉)融入传统推荐框架中,增强了用户与物品的表示能力,从而更精确地捕捉用户的兴趣和需求,提供更为准确的推荐服务。然而,推荐任务不仅是一个简单的数据归纳问题,还需有效捕获用户的动态偏好并进行推理决策。为此,提出了一种融合多模态序列与概率逻辑推理推荐的推荐模型(PLM-RS)。据现有文献信息,这是首次将多模态和推理结合的推荐方法。具体而言,该模型在多模态信息融合过程中设计了一种基于注意力机制的聚合器,通过计算注意力分数对输入多模态序列中的嵌入向量进行加权平均,以实现多模态信息交互的高效聚合,生成多模态特征表示。此外,该框架引入了一个可调节的融合器,用于动态调节多模态特征与时序捕获的序列特征之间的融合比例,以更好地适应不同场景下的推荐需求。同时,PLM-RS通过引入最大化与最小化交替的KL散度构建逻辑损失函数,进一步提升了模型的推理能力。最终,模型将序列多模态特征与概率逻辑特征进行拼接,实现了多模态推理推荐的任务目标。在两个公共数据集上进行的广泛实验表明,所提出的方法在多个评价指标上的推荐准确性均有显著提升。
移动边缘计算(MEC)在显著提升用户计算和存储能力的同时,也带来了高昂的建设和运营成本。在保障服务质量的前提下如何实现利润最大化,已成为服务提供商关注的关键问题之一。现有的研究通常只关注任务是否在截止时间内完成,忽视了用户对不同的任务完成时间有着不同的付费意愿,导致服务提供商难以预估服务收益,影响服务提供商的利润。为此,提出了一种边缘计算环境下利润最大化在线任务调度算法(PMOTS)。该算法引入任务期望完成时间,构建了一种动态任务收益模型,更细粒度地设定任务完成时间与服务收益的关系,为最大化利润提供基础。基于提出的任务收益模型,PMOTS划分为两个主要步骤:首先,设计了串行分片计算资源分配算法(SSCRA),该算法在每个任务到达时,通过递归方式优化任务队列的分片执行顺序,最大化资源分配带来的利润增量;其次,采用空闲计算资源动态分配算法(DAICR),优先将空闲计算资源分配给预期总利润增量最大的任务,有效减少资源闲置,并进一步提升整体利润。实验结果表明,所提算法在边缘计算环境下能够有效提升服务提供商的利润。
物联网等新兴技术的发展使爆炸增长的各种数据给资源受限的终端设备带来沉重负担。云计算集中式数据存储和共享服务对车联网等时间敏感应用而言通信延时较长,边缘计算能弥补该不足并推动云边端架构发展。而在云边端环境中数据存储和共享面临各种安全威胁,有效访问控制为其数据安全基本保障。传统属性基加密对数据使用者进行细粒度访问控制无法用于分布式环境中并对数据拥有者进行访问控制,也无法确保云端数据的来源真实性和动态完整性,同时面临访问控制元数据被篡改和单点失效等问题。为此,提出了一个免密钥托管且支持动态完整性验证的分布式可信双边数据访问控制方案,避免单一权威单点失效和密钥托管问题的同时,结合密钥策略属性基加密和区块链实现对数据使用者的分布式可信细粒度访问控制,利用匹配加密过滤云端数据,构建层次默克尔树实现动态数据完整性验证。严格形式化安全分析表明文中方案满足威胁模型安全要求,大量实验证明文中方案的高效实用性。
针对目前外部知识难以在特定领域内进行迭代更新,以及忽视了评论文本中不同句法依赖距离的问题,提出了一种基于高阶依赖和知识更新的方面级情感分析模型。首先,通过引入两个全局共享可更新的动态知识节点,聚合评论语句中意见词所蕴含的情感特征,并利用单词节点间的路径跨度信息增强融合知识的句法邻接矩阵,多层次捕捉上下文与方面词间的细粒度依赖关系,动态优化远距离词汇节点的情感权重。其次,构建多元语义与多维距离模块联合学习文本的局部与全局特征,实现对方面词情感相关语义信息的深度挖掘。最终,自适应地融合上述句子表示从而完成对评论文本的情感预测。在5个公开数据集Twitter、Lap14、Rest14、Rest15和Rest16上进行实验与分析,所提方法的准确率和宏F1值均显著优于基线方法,通过多组消融和对比实验进一步验证了高阶句法依赖模块在捕获文本情感信息方面的有效性,同时也表明动态知识更新方法能够更准确地捕获句子中的细粒度情感特征。
时间尺度算法作为守时系统的重要组成部分,其核心任务是为守时系统建立并保持一个稳定、准确、可靠的时间尺度。针对传统加权平均的时间尺度算法在计算时间尺度时缺少对噪声关注度的问题以及守时系统对于实时性的需求,提出了一种基于Kalman滤波器的融合时间偏差和频率偏差残差计算权重的时间尺度算法。该算法基于Kalman滤波器算法计算出原子钟时间偏差和频率偏差的最优估计值后,将时间偏差残差和频率偏差残差融合计算出原子钟权重,最后利用时间尺度基本方程加权平均后得到时间尺度。融合方法计算权重的时间尺度算法的优势在于综合考虑了时间偏差和频率偏差对于时间尺度的影响,并且借助Kalman滤波器提升了算法的实时性。通过仿真验证,发现使用融合方法计算权重的时间尺度算法的短期稳定性优于仅通过时间偏差计算原子钟权重的时间尺度算法、ALGOS、AT1算法和传统Kalman滤波器时间尺度算法计算得到的时间尺度的短期稳定度,且具有实时性。
随着民用航空事业的飞速发展,空地数据通信需求不断增加。航空通信网作为全球地空一体化专用网络,集成了民用航空中空中交通服务和航空运营控制等不同需求的数据通信网络和服务。航空通信网在设计之初缺乏相应的安全机制,在复杂异构地空通信环境中面临巨大的安全挑战。针对异构航空电信网切换认证的高稳定性需求的问题,提出基于中国剩余定理的航空电信网切换认证协议。利用中国剩余定理,一次完成多个潜在接入节点的密钥协商,提高正式切换认证时的稳定性;基于未来座舱网络通信测试环境架构,扩展软件定义网络控制器,解决异构的航空电信网安全机制缺乏、跨域切换和多链路接入的问题;将多条信令合并,简化切换认证步骤,降低通信开销,基于混沌映射,降低计算开销。使用形式化工具AVISPA分析协议的安全性,对比了文中协议与其他方案的性能,证明文中协议能保障稳定高效的切换认证。
尽管Keystone变换在雷达信号处理中得到了广泛应用,但其数字实现仍存在若干问题。首先,从插值理论的角度来看,新采样点的选择可能存在模糊性,且由降采样引起的频域混叠问题常被忽视。其次,现有Keystone变换数字实现方法之间的关系尚未得到充分分析。针对这些问题,将二维序列Keystone变换的数字实现归结为一维序列重采样的问题。基于插值理论并结合分数重采样理论,从频谱分析的角度推导了多种序列重采样的实现方法,并分析了这些方法之间的内在联系,从而完善了Keystone变换数字实现的理论框架,为深入理解其原理和方法提供了参考。此外,利用Chirp-Z变换快速算法的原理,分析了两种快速算法的计算复杂度,为Keystone变换的计算量统计提供了明确的标准。最后,仿真结果验证了分析的正确性以及所提算法的有效性。
为应对传统公钥密码算法在量子计算威胁下的安全隐患,以及在NB-IoT智能燃气表等燃气物联网终端适配过程中存在的行为审计困难,提出一种面向燃气工业物联网的后量子安全隐私保护增强方案。该方案通过引入SPHINCS+签名算法和基于Boojum的零知识简洁非交互式知识论证机制,实现无需可信设置的高效身份验证与数据完整性验证。同时,结合群签名机制,在保障用户匿名性的基础上,支持监管场景下的身份可撤销功能,提升系统的审计与追责能力。仿真实验在资源受限的窄带物联网设备及高并发边缘计算环境下开展,重点评估通信负载、签名开销和验证效率等关键性能指标。实验结果显示,该方案在实现后量子安全保障的同时,显著降低了通信和计算开销,较传统方案具备更强的适应性和可扩展性。研究表明,该隐私保护增强方案可有效满足燃气工业物联网对安全性、隐私性与监管可审计性的综合需求,为构建可信、可控、可用的新型燃气物联网系统提供了切实可行的技术路径。
面向未知目标高精度高稳定多站无源定位,研究了基于肥田优化算法的多站无源定位技术。首先推导了针对地面目标的多站无源定位方程组,并利用罚函数将多站无源定位非线性方程组转化为无约束目标函数,从而将方程组求解问题转化为优化问题;在此基础上,以获取目标函数最优值为目标,进一步提出了基于肥田优化算法的多站无源定位策略。该策略利用风虫分散、高肥沃度种子选取等机制将全局搜索与局部优化相结合,在避免陷入局部最优的同时,逐步收敛到全局最优解,具备较强全局收敛性;由于其解算目标位置不依赖于任何初始条件,因此应用于无源定位系统中无需通过粗估计选取初始值即可完成精确位置估计,具备较高的普适性。仿真结果表明,所提定位算法可通过较少的迭代次数达到全局收敛,对不同目标实施多次定位过程中具备较高稳定性,并且在不同噪声环境下均可获得较高定位精度。结合以上优势,基于肥田优化算法的多站无源定位技术可应用于对海量目标态势的分析研判。
脑控轮椅(BCW)结合脑机接口(BCI)技术与电动轮椅,使运动障碍患者能够通过意念操控电动轮椅,从而提升生活质量。然而,现有BCW系统的有效性和实用性亟待改进。文中研究结合稳态视觉诱发电位和眼电图(EOG),实现了嵌入式异步BCW系统,以提升其整体性能与实用性。首先,针对EOG波峰波谷明显的特征,采用斜率阈值法实时检测眨眼事件,为BCW系统提供了启动与停止的异步控制机制。其次,提出基于小波包分解的Savitzky-Golay滤波器,对EEG信号进行平滑滤波,并通过网格搜索法优化滤波器参数,消除低频运动伪迹并保留原始信息。结合扩展典型相关性分析识别特定视觉诱发活动的频率组分,通过离线数据集构建信号模板和人工生成参考信号,综合计算信号间相关性完成解码,为BCW系统提供了准确的控制指令。最后,将所提算法集成到嵌入式设备,并通过实验验证了所提嵌入式BCW系统的有效性。在线BCW评估实验结果表明,直线测试场景下的眨眼事件检测平均准确率为83.29%,在线EEG信号平均分类准确率为82.93%,任务完成率最高可达87.5%;复杂环境测试场景下的眨眼事件检测平均准确率为83.66%,在线EEG信号平均分类准确率为81.75%,任务完成率最高可达62.50%。该研究提升了BCW整体性能和实用性,为BCW的商业化和日常使用奠定了重要基础。
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。
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。
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。
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%。
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。
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。
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。
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。
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。
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。
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。
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hi和耦合强度Ji,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。
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。
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%。
