针对目标识别场景下的无人机集群协同任务分配问题,建立了以识别代价和识别收益为目标的优化模型,设计了基于分解的多目标差分进化算法求解该模型。首先,提出了精英初始化方法,在保证所得非支配解分布均匀的基础上,筛选初始解以提高解集的质量;其次,结合模型特性构造整数编码下的多目标差分进化算子,提高算法的收敛速度;最后,设计了带限制的禁忌搜索策略,使得算法具有跳出局部最优的能力。该算法为问题的求解提供一组非支配解集,使得可以根据实际需求选择更加合理的最优解。通过上述方法获得分配方案后,基于拍卖算法设计任务重分配策略,进一步调整分配方案,以应对无人机损毁的突发情况。仿真实验验证了所提算法在求解小、中、大规模任务分配问题上的有效性。相比于其他算法,文中算法所得非支配集具有更高的质量,可以消耗更少的识别代价来获取更高的识别收益,说明算法具有一定的优越性。
在无标识随机接入中,基站只需要恢复各个活跃设备发送的数据,而不需要识别活跃设备的信息。这使得大量活跃设备可以在无需事先请求资源的条件下,随时接入基站,从而极大地降低信令开销和传输时延,成为近期的研究热点。目前的研究大都采用基于前导序列来设计的随机接入方案,但这类方案在活跃设备数改变时的鲁棒性较差,且不能充分利用信道带宽,导致活跃设备数较大时系统性能较差。针对这一问题,提出一种叠加导频传输方案来提升信道利用率,并通过最优功率分配进一步提升不同活跃设备数下的系统性能,使系统在活跃设备数变化时具有良好的鲁棒性。在该方案中,首先将需要发送的消息序列的前Bp个比特做为索引,选择一对导频序列和交织器。然后,利用选中的交织器对消息序列进行编码、调制和交织,并将选中的导频序列与交织后的调制序列进行叠加来得到发送信号。针对该传输方案,提出基于最小错误概率的功率优化方案来得到不同活跃设备数下的最优功率分配比例,设计了叠加导频检测消除和多用户检测译码的两阶段检测方案。仿真结果表明,叠加导频传输方案可以使基于前导序列的无标识随机接入方案和基于前导的稀疏无标识随机接入方案的性能分别提升约1.6~2.0 dB和0.2~0.5 dB,可以灵活地改变所能承载的活跃设备数量,并具有较低的译码复杂度。
红外小目标检测是对地观测、抢险救灾等诸多领域的重要课题,一直受到学界的广泛关注。由于红外小目标通常只占据几十个像素且分布在整个背景中,因此大范围内探索图像特征之间的语义信息以挖掘目标与背景之间的差异对检测性能的提升至关重要。然而,传统卷积神经网络的编码局域性与计算资源的巨大需求削弱了网络捕获小目标形状和位置的能力,极易产生漏检与虚警。基于此,提出了一种平滑交互式压缩网络模型,主要包含平滑交互模块与交叉关注模块。平滑交互模块在拓展特征图感受野的同时增添其依赖性,提升了网络在复杂背景条件下检测性能的鲁棒性。交叉关注模块综合考量信道的贡献度与剪枝的可解释性,从而动态融合不同分辨率的特征图。最后,在公开的SIRST数据集和IRSTD-1K数据集上的大量试验结果表明,提出的网络可以有效地解决目标丢失、虚警率高、视觉效果不佳等问题。以SIRST数据集为例,与性能第2的模型相比,IoU、nIoU和Pd分别提高了约3.05%、3.41%和1.02%;Fa和FLOPs分别降低了约33.33%和82.30%。
目前大多数的时间序列都缺少相应的异常标签,且现有基于重构的异常检测算法不能很好地捕获到多维数据间复杂的潜在相关性和时间依赖性,为了构建特征丰富的时间序列,提出一种多尺度特征信息融合的异常检测模型。该模型首先通过卷积神经网络对滑动窗口内的不同序列进行特征卷积来获取不同尺度下的局部上下文信息。然后,利用Transformer中的位置编码对卷积后的时间序列窗口进行位置嵌入,增强滑动窗口中每一个时间序列和邻近序列之间的位置联系,并引入时间注意力获取数据在时间维度上的自相关性,并进一步通过多头自注意力自适应地为窗口内不同时间序列分配不同的权重。最后,对反卷积过程中上采样得到的窗口数据与不同尺度下得到的局部特征和时间上下文信息进行逐步融合,从而准确重构原始时间序列,并将重构误差作为最终的异常得分进行异常判定。实验结果表明,所构建模型在SWaT和SMD数据集上与基线模型相比F1分数均有所提升。在数据维度高且均衡性较差的WADI数据集上与GDN模型相比F1分数降低了1.66%。
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。
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。
语义通信为通信系统优化和性能提升提供了新的研究角度,然而,目前语义通信的研究忽略了通信开销的影响,未考虑语义通信性能和通信开销的关系,导致带宽资源受限时语义通信性能难以提升。为此,针对带宽受限场景,提出一种基于信息瓶颈的语义通信方法。首先,该方法采用Transformer模型进行语义和信道联合编解码,并设计特征选择模块以识别和删除冗余语义信息,构建了端到端语义通信模型;进而考虑语义通信性能与通信开销之间的折衷关系,基于信息瓶颈理论设计损失函数,在保证语义通信性能的同时,降低通信开销,完成语义通信模型的训练和优化。实验结果显示,在欧洲议会平行语料库上,与基线模型相比,所提方法在保证通信性能的同时可降低约20%~30%的通信开销,在相同带宽条件下该方法的BLEU分数可提升约5%。实验结果表明,所提方法可以有效降低语义通信开销,从而提升带宽资源受限场景下的语义通信性能。
针对合成孔径雷达(SAR)图像中的舰船目标的准确率易受近岸杂波的影响,且现有检测算法复杂度高,在嵌入式设备上的部署难度大的问题,提出一种适用于嵌入式设备的轻量化高精度SAR图像舰船目标检测算法CA-Shuffle-YOLO。基于YOLO v5目标检测算法,对骨干网络进行轻量化及特征精细化提取两个方面的改进,引入轻量化模块以降低网络的计算复杂度,提高推理速度,并引入协同注意力机制模块增强算法对近岸船舶目标的细节信息的提取能力。在特征融合网络中采用加权特征融合以及跨模块融合,增强模型对SAR舰船目标的细节信息的融合能力,同时,利用深度卷积模块降低计算复杂度,提高实时性。通过在SSDD舰船目标检测数据集上的测试及对比实验的结果,表明CA-Shuffle-YOLO的检测准确率约为97.4%,检测帧率为206 FPS,所需运算复杂度为6.1 GFlops,相比原始的YOLO v5,所提方法的检测帧率提升了60 FPS,所需运算复杂度降低为原来的12%。
节点间的时间同步是无人机集群资源调度、协同定位、数据融合的基础,在同步精度要求较高的场景中常用双向时间同步进行节点间的时间同步。然而无人机的相对运动会导致两次同步消息的传播时延不等,进而引起时间同步误差。针对该问题,首先从线性方程组求解角度分析了时间同步误差的产生原因,提出了一种利用双触发双向时间同步以增加方程个数、并在节点匀速运动前提下减少未知量个数的方法。然后推导了该方法下钟差的求解公式,结果表明钟差求解与节点的匀速运动速度无关。随后比较了在加性高斯白噪声信道中双触发式双向时间同步方法与现有运动补偿方法的钟差估计性能,并分析了时间戳处理时延和速度改变对钟差求解精度的影响。最后通过外场实验验证了双触发式双向时间同步的有效性。仿真及实验结果表明,相比于传统双向时间同步,双触发式双向时间同步不会因节点的匀速运动导致主从节点间的时间同步出现系统偏差。
针对无人机作战网络因自身内部故障或受到敌方攻击干扰而造成的网络性能下降及网络瘫痪问题,提出了一种基于功率分配的强韧性无人机作战网络拓扑构造方法。该方法首先以边连通度作为网络的韧性指标;其次,基于最大流最小割定理将最小割作为韧性指标的测度;在此基础上,考虑到单架无人机及系统整体功率有限,从物理层角度出发,通过调节无人机节点的发射功率以构造拓扑,从而提高网络韧性,提出了功率约束下的无人机作战网络功率分配策略;最后,采用粒子群优化算法解决功率约束下的拓扑结构韧性优化问题。仿真结果表明,在相同的调制方式及功率约束下,面对链路失效模式和节点失效模式,对比其它功率分配算法,基于粒子群优化算法得到的功率分配方案能有效提高无人机作战网络韧性,其所构建的网络在约66.7%的链路失效情况下,平均业务成功到达率仍保持在95%以上,满足实际作战需求。
在通过深度学习模型进行抑郁症类脑电信号分析时,针对单一尺度的卷积存在特征提取不充分的问题和卷积神经网络在感知脑电信号全局依赖性方面的局限性,分别设计了多尺度动态卷积网络模块和门控Transformer编码器模块,并与时间卷积网络相结合,提出了混合网络模型(MGTTCNet)进行抑郁症患者和健康对照组的脑电信号分类。该模型首先通过多尺度动态卷积从空间域和频率域捕捉脑电信号的多尺度时频信息。其次通过门控Transformer编码器学习脑电信号中的全局依赖关系,其利用多头注意力机制有效增强网络表达相关脑电信号特征的能力。之后利用时间卷积网络提取脑电信号可用的时间特征,最后将提取的抽象特征输入到分类模块进行分类。在公开数据集MODMA上用留出法和十折交叉验证法对提出模型进行实验验证,分别取得了约98.51%和98.53%的分类准确率,相较于基线单尺度模型EEGNet,分类准确率分别提升了约1.89%和1.93%,F1值分别提升了约2.05%和2.08%,kappa系数值分别提高了约0.038 1和0.038 5;同时消融实验验证了文中设计的各个模块的有效性。
以自然灾害、事故灾难为主要类型的极端突发事件对应急通信网络快速重组与灾情信息实时回传提出了严峻挑战,亟需构建具备快速响应能力、按需动态调整的应急通信网络。为了在断电、断路、断网“三断”极端条件下实现灾情信息实时回传,可通过多无人机形成飞行自组网对受灾区域进行网络通信覆盖。针对灾后复杂环境受限条件下飞行自组织网络通信资源调度不合理引起的信道冲突问题,提出了基于Q-learning的自适应多信道时分多址调度算法。根据无人机间的链路干扰关系建立顶点干扰图,结合图着色理论,将高动态场景下多信道时分多址调度问题抽象为动态二重着色问题。考虑无人机的高速移动性,通过自适应调整Q-learning的学习因子,实现算法的收敛速度与最优解探索能力的权衡优化,以适应高动态的网络拓扑。通过仿真实验证明,所提算法可以实现网络通信冲突和收敛速度的权衡优化,能够解决灾后高动态场景下资源分配决策与快变拓扑适配问题。
空空高速移动场景下飞行平台通信信号的多普勒频率范围大且变化快。针对现有频偏估计和跟踪算法难以兼顾估计精度和工程可实现性的难题,提出了低复杂度的新型高精度频偏估计和跟踪算法。首先根据空空高速移动场景下多普勒频率快速变化且具有时空相关性特征,在传统频偏模型的基础上构建适用于空空高速移动场景的时变频偏模型;然后基于此模型将相邻短前导的频偏估计值进行相互关联并处理,将频偏精度优化问题转化为经典的超定线性方程组的优化求解问题,最大限度地抑制了估计噪声,提高了频偏估计精度。仿真结果表明,该算法估计的残余频偏相对于经典算法大幅降低,当信噪比大于5 dB时,残余频偏的均方根误差控制在100 Hz范围内。针对该算法求解过程中存在的数值稳定性问题,给出了相应的工程可实现方法。该算法采用前馈补偿频偏跟踪方法,与传统的锁相环反馈跟踪方法相比,提高了系统的稳定性和时效性。
时间序列预测即利用历史时间序列数据,预测未来一段时间内的数据信息,以便提前制定相应策略。目前,时间序列的类别复杂繁多,而现有的时间序列预测模型面对多种类型数据时无法取得稳定预测的结果,进而难以同时满足对现实中多种复杂的时序数据预测的应用需求。针对上述问题,提出了一种基于时间注意力机制双向长短期记忆网络的时间序列预测方法。笔者提出的网络模型采用改进的正向和反向传播机制提取时序信息并通过自适应权重分配策略推理未来的时序信息。具体来说,设计了一个改进的双向长短期记忆网络,通过结合双向长短期记忆和长短期记忆网络提取深度时间序列特征,挖掘上下文的时序依赖关系。在此基础上,融合所提出的时间注意力机制,实现对深度时间序列特征进行自适应加权,提升深度时序特征的显著性表达能力。通过与同类代表性方法在多个不同类别数据集上的客观定量对比,实验结果表明,该方法能够在多种类别的复杂时间序列数据上更优的预测性能。
基于射频的无人机识别技术具有探测距离长、环境依赖性低的优点,已成为无人机监控系统不可或缺的技术手段。如何在低信噪比条件下有效识别无人机是当前热点问题。为保证良好的图传质量,无人机通常采用带有循环前缀结构的正交频分复用(OFDM)调制作为图传链路的调制方式。据此特性,首先提出一种基于归一化循环前缀相关谱和卷积神经网络的无人机识别算法。依据对无人机信号的OFDM符号周期和循环前缀长度的分析结果,计算信号归一化循环前缀相关谱。当归一化循环前缀相关谱的计算参数与无人机信号的调制参数匹配时,谱线中会出现若干相关峰,峰的位置分布反映了无人机信号帧结构、突发规则等协议特征。然后,利用卷积神经网络对归一化循环前缀相关谱进行特征分析和提取,从而识别无人机。最后,利用通用软件无线电平台USRP X310对5款无人机的射频信号进行采集,构建实验数据集。实验结果表明,该算法优于基于频谱和基于时频谱的算法,且在低信噪比下仍然有效。
密度峰值聚类(DPC)以其简单、高效的特点被广泛应用。然而,其有两个不足:① 集群密度不均匀和不平衡的数据集在DPC所提供的决策图中,很难识别真正的聚类中心;② 存在一个区域密度最高的点的错误分配将导致该区域内的所有点都指向同一个错误的聚类的“链式效应”。针对这两个不足,引入新的自然邻域(NaN)的概念,提出了一种基于自然邻域的密度峰值聚类算法(DPC-NaN)。算法使用新的自然邻域密度识别噪声点,选择初始预聚类中心点,将非噪声点按密度峰值方法进行分配以得到预聚类;并通过确定预聚类的边界点和合并半径,自适应地将预聚类结果合并为最终聚类。所提算法无需人工预设参数,也缓解了“链式效应”的问题。实验结果表明,与相关聚类算法相比,所提出的算法可在典型的数据集上获得更好的聚类结果,同时在图像分割表现良好。
为提高计算效率,将复杂的大规模任务分解为简单任务并建模为工作流,交由并行分布式计算集群来完成,已成为云中心处理持续增长的计算和网络任务的重要手段。然而,分布式计算的任务间数据传输所带来的通信带宽占用却容易造成云中心的网络拥塞。如何兼顾计算效率和通信开销,科学地部署工作流意义重大。两类典型的工作流部署算法为基于列表的部署算法和基于分簇的部署算法。然而,前者致力于提高计算效率,未关注工作流中任务之间的通信开销,大规模工作流的部署易带来较重的网络负荷;后者关注通信开销的最小化,但牺牲了工作流中任务的并行计算效率,导致工作流完成时间较长。文中从图论的角度出发,充分挖掘工作流中各任务之间的依赖性和并行性,通过对经典图分割算法进行改进,实现了工作流任务分区过程中通信开销最小化和计算并行性最大化之间的平衡。仿真结果表明,在不同的工作流规模下,所提算法的通信开销比列表部署算法平均减少约35%~50%,工作流完成时间比分簇部署算法平均降低约50%~65%,且对于具有不同通信计算比的工作流均具有良好的稳定性。
随着个人数据的爆发式增长,基于差分隐私的联邦学习模型可用于解决数据孤岛问题和保护用户数据隐私,参与者通过训练本地数据,将添加噪声后的参数共享到中心服务器进行聚合,实现分布式机器学习训练。此过程中存在两方面问题:① 中心服务器广播参数的过程中数据信息仍未受到保护,有泄露用户隐私的风险;② 对参数过度添加噪声会导致参数聚合质量降低,影响最终联邦学习的模型精度。为解决以上问题,提出了一种可实现双向自适应差分隐私的联邦学习方案(FedBADP),对客户端和中心服务器之间传输的梯度进行自适应加噪,在保护数据安全的同时不影响模型准确率。考虑到参与者硬件设备的性能限制,文中对其梯度进行采样以减少通信开销,并在客户端和中心服务器使用均方根传递加速模型的收敛提高模型精度。实验结果证明,文中提出的模型框架在保持较好准确率的同时,也增强了用户的隐私保护能力。
高光谱图像在采集过程中受到观测条件、成像仪材料属性、传输条件等客观因素的影响,不可避免地会引入各种噪声。这严重降低了高光谱图像的质量以及限制了后续处理的精度。因此,高光谱图像去噪是一个极其重要的预处理步骤。针对高光谱图像去噪问题,提出了低秩张量分解和自适应图全变分的高光谱图像去噪算法。首先,利用低秩张量分解来描述高光谱图像的全局空间和光谱相关性,并使用自适应权重图全变分来刻画高光谱图像空间维度上的分段平滑特性和保留高光谱图像的边缘信息;此外,采用l1-范数、Frobenius-范数分别刻画包括条纹噪声、脉冲噪声、死线噪声在内的稀疏噪声和高斯噪声。由此高光谱图像去噪问题归结为一个包含低秩张量分解和自适应图全变分的约束优化问题。利用增广拉格朗日乘子法对该优化问题进行交替求解。实验结果表明,所提出的高光谱图像去噪算法与现有的算法相比,能够充分刻画高光谱图像数据的内在结构特性,具有更好的去噪性能。
动态多目标优化问题(DMOPs)是指目标函数随时间变化的一类问题,算法求解的目标是持续跟踪移动的Pareto 最优解集或 Pareto最优前沿。基于预测的方法受到格外的关注,然而这些方法多使用历史环境信息进行预测,考虑到使用历史信息预测会存在预测不准确的问题,加强新环境信息的挖掘和利用,提出了一种新的基于预测的动态多目标进化算法,该算法主要包括两个核心部分,分别记为响应机制和加速机制。响应机制在环境变化后重新初始化群体,一部分的个体由预测策略产生,以生成靠近下一环境Pareto 最优解集的个体来提高算法的寻优能力,剩余部分个体采用局部搜索策略生成以增加种群多样性。加速机制用于静态优化过程以提高算法收敛速度。最后,将动态多目标进化算法与其他3种先进的动态多目标优化算法在具有不同动态特征的一系列测试函数上进行实验对比,结果表明,动态多目标进化算法相比其他3个算法在求解动态多目标优化问题中更具有优势。
模糊测试技术作为当前软件工程领域用于挖掘漏洞的有效方式之一,其在发现软件潜在漏洞方面有着非常显著的效果。针对传统模糊测试技术中种子选择策略无法快速有效地生成高质量的种子集,导致变异生成的测试用例无法到达更深路径、触发更多安全漏洞的问题,基于改进生成对抗网络(GAN)提出了一个种子生成方法以实现高效模糊测试。通过优化LeakGAN网络结构提高生成种子的质量和多样性,引入编解码技术实现灵活扩展生成种子的类型,并显著提高了在不同输入格式下目标程序的模糊测试性能。实验结果表明,采取的种子生成策略在覆盖率、触发唯一崩溃等指标上有明显提升,并有效地提高了种子生成速度。文中选择了6个具有不同高度结构化输入的开源程序和不同的模糊测试工具来验证策略的有效性,相较原策略分支覆盖率平均增长约2.79%,并且多发现了约10.35%的唯一路径以及约86.92%的唯一崩溃。
面向国产异构众核处理器超级计算机发展趋势,实现了基于CPU+DCU国产异构并行系统的大规模并行高阶矩量法。在同构并行矩量法负载均衡策略的基础上,提出了一种“MPI+openMP+DCU”的高效异构并行编程框架,解决了计算任务与计算能力不匹配的问题,实现了矩量法异构并行计算过程的负载均衡。采用细粒度任务划分策略与异步通信技术,对深度计算处理器计算过程进行了流水线优化设计,实现了计算与通信重叠,提升了矩量法异构协同计算的效率。通过与有限元法的仿真结果对比,验证了CPU+DCU异构并行矩量法的准确性。基于国产深度计算处理器异构平台的可扩展性分析结果表明,与单纯CPU计算相比,所实现的CPU+DCU异构协同计算方法能够获得5.5~7.0倍的加速效果,且在国家超级计算西安中心能够实现全系统运行,并行规模从360节点扩展到3 600节点(共1 036 800个处理器核心),并行效率可以达到约73.5%。
ARX密码由模加、循环移位和异或这3种基本运算组成。目前ARX密码差分—线性区分器偏差的计算大多采用统计分析的方法。在2022年美密会上,NIU等给出了一种计算ARX密码差分—线性区分器相关度的非统计分析的方法,并给出了SPECK32/64的10轮差分—线性区分器。基于BLONDEAU等和BAR-ON等的方法,给出了差分—线性特征的定义,并首次提出了用差分—线性特征计算差分—线性区分器偏差的方法。同时,提出了一种基于布尔可满足性问题(SAT)自动化技术搜索差分—线性特征的方法,给出了计算ARX密码差分—线性区分器偏差的非统计分析的新方法。作为应用,对NIU等给出的SPECK32/64的10轮差分—线性区分器偏差进行计算,得到的理论值为2-15.00,非常接近统计分析的实验值2-14.90,且优于NIU等给出的理论值2-16.23。同时,首次给出了SIMON32/64的9轮差分—线性区分器偏差的理论值2-8.41,接近统计分析得到的实验值2-7.12。实验结果说明了这种方法的有效性。
随着智慧交通、云计算网络以及边缘计算网络的快速发展,车载终端与路基单元、中心云服务器之间的信息交互变得越发频繁。针对智慧交通云边端协同计算场景下如何高效地实现车路云一体化融合感知、群体决策以及各级服务器间对资源的合理分配问题,设计了基于云边端与智慧交通全面融合的网络架构。在该架构下,通过对任务类型的合理划分,再由各服务器对其进行选择性的缓存、卸载;在智慧交通云边端协同计算场景下,依次设计了一种对任务自适应的缓存模型、任务卸载时延模型、系统能量损耗模型、车载用户对服务质量不满意度评价模型、多目标优化问题模型,并给出了一种基于改进型非支配遗传算法的任务卸载决策方案。实验结果表明,文中方案能够有效降低任务卸载过程中所带来的时延和能耗,提高了系统资源利用率,给车辆用户带来更好的服务体验。
针对矩量法中非规则截面波端口的电磁建模问题,提出了一种基于高阶基函数矩量法的一般波端口建模方法。基于等效原理和模式匹配法建立了波端口表面积分方程,并利用二维有限元法对非规则波端口的模式进行高精度数值分析,将矩量法的规则波端口模型拓展为可用于规则及非规则波端口建模的一般波端口模型。在此基础上,使用定义于双线性曲面四边形单元的高阶基函数取代传统低阶基函数,减少了矩量法矩阵的未知量,显著降低了算法的内存需求和计算时间。通过数值算例对方法进行测试,与有限元法的数值结果进行对比,验证了方法的正确性;与低阶矩量法的数值结果对比,验证了方法的高效性。结果表明,该方法进行一般波端口模型建模仿真具有高效率和高数值精度的特点。
视频流量预测是实现传输带宽精准分配和提高互联网业务服务质量的关键技术。然而视频流量固有的高速率变异性、长期依赖性和短期依赖性使得其难以快速、精准、长期预测,具体表现为:① 现有预测序列依赖关系的模型复杂度高;② 预测模型失效快。针对视频流精准预测问题,提出了画面组帧结构特征嵌入的自注意力序列模型。自注意力序列模型对离散数据非线性关系的建模能力强,基于视频帧的特点和相关分析的发现,首次将时间序列自注意力模型应用于视频流量长期预测。现有时间序列自注意力模型无法对视频帧的类别特征有效表示,通过引入基于画面组帧结构嵌入层,将画面组帧结构信息有效嵌入时间序列,提升模型的准确度。结果表明,所提基于画面组帧结构特征嵌入的自注意力序列模型相比于现有的长短期记忆网络模型、卷积神经网络模型等,推理速度快,预测精度在平均绝对误差指标上至少降低约32%。
针对云环境下数据隐私泄露及聚类过程中云服务器间共谋的问题,提出一种抗理性敌手共谋的安全协作K-prototype聚类方案,目的在不泄露各方隐私数据情况下根据距离度量将相似的数据进行聚类。首先,考虑到同态加密不直接支持非线性计算,基于同态加密和加性秘密共享技术设计安全比较协议和安全大于协议,并确保输入数据、中间结果及模型参数均为加性秘密份额形式,以防止单个服务器能够获得完整数据,且能实现非线性函数的精确计算,在已设计的安全计算协议基础上,实现安全距离计算、安全聚类标签更新、安全聚类中心更新、聚类标签及聚类中心重构;其次,根据博弈均衡理论设计多种高效激励机制,构造互制合约及举报合约以约束云服务器诚实非共谋地执行聚类任务;最后,对所提的安全计算协议及合约进行理论分析,并对该方案的性能进行实验验证。实验结果表明,与明文环境下的模型精度相比,该方案的模型精度损失控制在0.22%内,进而验证了所提方案的有效性。
针对可见光通信(VLC)系统中接收平面光功率分布不均匀的问题,提出了一种基于混合粒子群算法(HPSA)的智能反射面(IRS)辅助室内VLC系统光源优化设计方案。以16个发光二极管(LED)的矩形和混合型布局为例,设置接收光功率方差为适应度函数,将所提出的HPSA与IRS技术相结合,对LED的位置布局、半功率角以及IRS的偏航角与滚转角进行优化。仿真对比了初始的(未经优化)、基于HPSA优化的室内VLC系统,以及基于HPSA优化的IRS辅助VLC系统的性能。结果表明,在考虑一次反射链路的情况下,与初始的VLC系统相比,采用HPSA优化的系统在两种光源布局下的接收光功率以及信噪比波动都明显降低;基于HPSA优化的IRS辅助室内VLC系统在矩形布局下对接收光功率波动的改善与基于HPSA优化的VLC系统效果相当,其在混合型布局下明显低于仅采用HPSA优化的VLC系统的光功率波动。3种可见光通信系统中,基于HPSA优化的IRS辅助VLC系统的平均接收光功率最大。此外,上述3种VLC系统采用混合型布局的平均均方时延拓展性能均优于矩形布局。研究工作对室内可见光通信系统光源分布研究具有一定参考价值。
针对现有多维时间序列异常检测模型对局部和全局时空依赖性捕获能力不足的问题,提出一种基于时空图卷积网络的多维时间序列异常检测模型。首先,在时间维度上利用扩张因果卷积和多头自注意力机制,分别捕获短期和长期时间依赖性,并且引入通道注意力来学习不同通道的重要性权重;其次,在空间维度上利用静态图学习层根据节点嵌入构建静态图邻接矩阵,旨在捕获多维时间序列数据的全局空间依赖性,同时利用动态图学习层构建一系列演化的图邻接矩阵,旨在建模局部动态的空间依赖性;最后,联合优化重构模型和预测模型,通过重构误差和预测误差计算异常分数,然后比较阈值和异常分数的关系,进而检测异常。在MSL、SMAP和SWaT三个公开数据集上的实验结果表明,该模型在异常检测性能指标F1分数方面优于OmniAnomaly、MTAD-GAT和GDN等相关的基线模型。
在智能优化算法应用于复杂优化问题的求解过程中,平衡开发和探索以获得最优解具有重要意义。因此针对传统蝗虫优化算法在处理一些较为复杂的优化问题时出现的收敛精度低、搜索能力弱且容易陷入局部最优等缺陷,提出一种融合模式搜索的蝗虫优化算法。首先引入Sine混沌映射初始化蝗虫个体种群位置,减少个体重叠概率以增强种群迭代初期的多样性;其次利用模式搜索法,对种群目前找到的最优目标展开局部搜索,提高算法的收敛速度与寻优精度;同时为了避免算法后期陷入局部最优,引入了基于凸透镜成像的反向学习策略。实验部分通过对改进的蝗虫算法进行消融实验,验证了Sine 混沌映射、模式搜索、反向学习每个策略的独立有效性。并用两组测试函数进行仿真实验,采用Wilcoxon秩和检验、Friedman 检验的方法进行结果分析。实验结果均表明了融合模式搜索法改进的蝗虫算法在收敛速度与寻优精度上得到明显提高。最后,将其应用于移动机器人路径规划,测试结果进一步验证了改进算法的有效性。
无人机的快速发展为当今社会带来巨大便利,但其潜在的滥用现象对公共安全构成严重威胁,因此面向无人机的监测与定位技术近年来得到广泛研究。针对远距低飞无人机难以准确定位的应用问题,提出以无源为主、有源为辅的主被动协同定位框架,在基于到达时间差实现无源被动定位的基础上,引入支持往返到达时间测量的有源主动探测设备,择机对无人机进行主动式定位,补偿无源定位缺失的目标高程信息,从而提升无人机的三维定位精度。为充分挖掘主被动的协同定位潜力,文中深入探究无源被动定位节点预先部署的情况下,有源主动定位节点的空域和能域资源的配置方式,推导了主被动协同定位框架下的定位精度衡量指标,构建了空能资源联合优化问题,提出了基于非线性收敛因子和记忆指导的改进灰狼优化的空能资源优化算法。仿真结果表明,针对无人机定位时,主被动协同定位效果优于无源被动定位,典型场景下高程定位精度显著提升约96.33%。此外,所提的空能资源优化算法在求解空能资源联合优化问题时,性能优于标准(传统)灰狼算法、改进灰狼算法等。
针对4D车载毫米波雷达在俯仰与方位维角度分辨力较低、阵列存在幅相误差时测角有偏的问题,提出一种基于快速稀疏贝叶斯学习的稳健二维超分辨测角方法。首先,利用空域稀疏性特点,对角度域空间进行栅格划分,构建了存在幅相误差时的二维超分辨测角信号模型;然后,通过固定点更新的MacKay SBL重构算法实现了多个邻近目标二维角度估计,并利用基于向量点乘的自校正算法对相位误差进行估计,以对有偏的角度估计进行修正;最后,给出了多输入多输出虚拟阵列下的二维角度估计的克拉美-罗界,并分析了所提算法的计算复杂度。仿真结果表明,在大陆ARS548雷达实际12发16收天线布局下,通过对比6种超分辨测角算法,所提方法在低信噪比、少量快拍下和幅相误差较小时,具有较高的角度分辨力与较低的均方根误差。
为了实现浅海环境中高速率和高可靠通信,研究了极化码编译码技术在浅海水声通信中的性能。针对基于射线声学理论建立的时不变、准静止和时变3种浅海水声信道模型,采用蒙特卡罗构造算法完成相应极化码的构造,并分别与信道极化和信道退化构造算法、基对称扩展极化权重构造算法进行了复杂度和性能比较。将构造的极化码作为文中基于正交频分复用的水声通信系统的信道编码方案,译码方案使用循环冗余校验辅助的串行抵消列表译码算法。通过仿真模拟分析了上述3种信道中极化码的性能,并与码长和码率相同的低密度奇偶校验码的性能进行对比分析;结果显示在这3种信道中,在关注的信噪比范围内极化码相对于低密度奇偶校验码约有0.5 dB~1.2 dB的增益。3种信道仿真对比结果表明,基于信道构造编码的极化码相比低密度奇偶校验码在恶劣的信道环境中有更好的增益效果,且极化码有更低的编译码复杂度,证明了极化码在能量和资源受限的浅海水声通信中具有广阔的应用前景。
针对北斗伪卫星信号引入室内并在小尺度空间下提供高精度定位的难题,如何在顾及网络建设成本的基础上提升小尺度空间的定位时效性和定位精度是未来室内定位技术中需要解决的重要一环。此处充分结合室内环境下小尺度空间的空间特征,提出一种室内节点信标辅助的北斗伪卫星载波相位差定位方法。该方法首先将传统的大范围指纹构建问题转化为指纹节点的方式,在指纹图谱的基础上提出室内节点信标的概念,通过信标节点实现小尺度空间与周围空间的连接,并对以载噪比和载波相位为基础的信标特征谱构建与处理进行了分析;然后以室内节点信标为基础给出了基于载波相位差的位置估计过程,最后结合粒子群寻优算法提出一种顾及行人特征的位置与速度空间约束下的位置搜索算法。在真实环境下的试验结果表明,通过室内节点信标的辅助在室内环境可以实现动态定位精度优于30 cm、暂停态下的定位精度优于25 cm的定位效果。正常步速运动下算法与惯性导航定位精度相当,同时相比于惯性导航方式具有更宽松的运动姿态条件。在小尺度空间下算法具有更优的适用性。
针对室内移动机器人动态避障算法易出现局部死区问题,提出一种改进VFH动态避障算法。首先,针对传统VFH类算法,在候选波谷评价函数中引入波谷宽度和路径长度评价指标以降低移动机器人陷入局部死区的概率,提高路径平滑性;其次,针对局部避障算法受限于局部环境易在障碍物附近发生来回振荡的问题,引入振荡评价函数,通过计算移动机器人位姿到起始点和终点的加权欧氏距离绘制振荡评价曲线,利用自动峰值检测和一阶前向差分曲线获取振荡位置,并添加振荡抑制,使移动机器人逃离局部死区。仿真验证表明,在100组仿真场景中,改进算法陷入局部死区的场景减少约70组,平均规划迭代次数降低约32.3次,平均路径长度降低约26.2%,平均累计转折角度降低约79.6%。该算法有效降低了局部避障的代价,提高路径平滑度的同时降低在局部特殊环境下陷入死区的概率。
由于用户地理位置分布不均可能导致边缘服务器负载不均衡,难以为用户提供满意的服务质量。此外,边缘服务器可用资源有限,一些大任务可能难以全部卸载到边缘服务器。针对以上问题,利用多个边缘服务器之间的协作,结合任务部分卸载方式,提出一种边缘协作环境下最小化完工时间的任务调度方法。首先,结合边缘水平协作和任务部分卸载技术,考虑多用户多边缘服务器场景下用户和边缘服务器的位置关系,以最小化任务完工时间为目标,建立任务部分卸载调度模型;其次,提出基于改进分组教学优化算法的任务调度算法,联合优化边缘服务器计算资源分配、用户-边缘服务器关联决策、任务卸载比例以及执行位置决策,以最小化任务完工时间为目标,实现边缘计算环境下任务的高效调度;最后,通过实验将提出的任务调度算法与其他算法在多个指标下进行对比。实验结果表明,所提方法能够有效降低任务完工时间。
对测试或仿真得到的采样数据进行有理函数拟合是滤波器耦合矩阵提取方法的重要一步,针对拟合数据与采样数据在幅度值较小的传输零点附近偏差较大的问题,提出一种高阶传输系数(S21)拟合策略。该策略通过对采样的传输系数使用具有N阶(N为滤波器阶数)分子多项式的有理函数进行拟合以提高拟合准确度,从而准确定位传输零点。然后从N个拟合得到的传输零点中选取Nz个(Nz为实际滤波器的传输零点个数)有效传输零点重构传输系数的分子多项式,以保证提取的耦合矩阵的传输零点个数与实际滤波器相同。为验证效果,使用具有三个传输零点的九阶同轴滤波器对传统柯西方法、应用高阶传输系数拟合策略的柯西方法与基于模型的矢量拟合方法(MVF)进行试验,结果显示应用了该策略的柯西方法相较于传统柯西方法与MVF可以提高传输零点的拟合准确度。由于柯西方法对噪声的健壮性不高,最后结合柯西方法与MVF的步骤,提出一种通过矢量拟合定位S参数零点的耦合矩阵提取方法,该方法相较于MVF可以更加精确地拟合上S参数的零点,同时相较于柯西方法对噪声的抗性更好。
文本检测在图像理解中发挥着重要的作用。基于深度学习的文本检测是当前的主流算法,包括单阶段方法和双阶段方法两类,而且后者的检测精度往往高于前者。双阶段的检测方法通常包含感兴趣区域特征池化操作,为进一步的检测和识别任务提供特定维度的局部区域特征。然而对于弯曲文本等复杂文本区域来说,现有的基于矩形感兴趣区域的池化方法不再适用,而基于点特征替代区域特征的方法又损失了空间信息。针对该问题,提出了一种基于多边形特征池化和Transformer的复杂文本区域检测方法。首先,将复杂文本区域检测中感兴趣区域进行多边形特征池化,将池化操作的区域形状从矩形拓展到多边形并且不需要借助其他形状进行拟合,即可将多边形区域对应的特征池化为固定维度的特征序列,避免了拟合过程中出现误差。进而,将池化后的特征视为具有空间关系的序列,然后利用Transformer融合视觉特征之间的上下文关系,降低训练难度,提升检测精确度。在包含弯曲文本等复杂文本情况的ICDAR2015、MLT、Total Text和CTW1500数据集上的测试实验结果表明,提出的双阶段检测算法能更好地提取感兴趣区域特征,并取得了比现有方法更好的检测结果。
目标跟踪一直是计算机视觉领域中重要且富有挑战的问题。为克服目标形变、遮挡或快速移动等因素对跟踪性能的影响,笔者提出一种结合模板更新与轨迹预测的孪生网络跟踪算法。首先,在基于孪生网络跟踪模型中引入模板图像的自适应更新迭代机制,实现对目标表观变化的动态表征,以此提升目标形状或颜色发生变化时的跟踪性能。具体来说,通过对每一帧跟踪结果的分析,判断是否满足更新条件,设计了自适应模板更新的策略,有效地降低了目标模板被污染的可能性。其次,在目标跟踪过程中引入卡尔曼滤波,通过收集跟踪过程中目标位置信息并进行轨迹预测,将前一帧中跟踪算法预测的目标位置信息与轨迹预测的位置信息相融合,得到当前帧搜索区域的裁剪位置,进而实现了离线跟踪与在线学习的结合,进一步解决了目标被遮挡或者快速移动的问题。最后,在VOT2018和LaSOT数据集上验证了该算法在多种复杂场景下的性能表现。实验结果表明,所提算法的跟踪性能超过了大部分其他跟踪算法。
针对现有视频修复方法无法有效利用远处空间内容信息而导致修复结果中存在结构和纹理不合理的问题,提出了一种基于多注意力机制的纹理感知视频修复方法。该方法设计了由多头时空注意力和单图局部注意力构成的多注意力机制以保证全局结构并增强局部纹理,其中多头时空注意力关注整体时空信息,单图局部注意力通过局部窗口的自注意力机制精炼提取局部信息。另外,采用可即插即用的快速傅里叶卷积层残差块代替前馈网络中的普通卷积,将感受野扩展为整个图像,进一步增强了模型对图像纹理和结构的全局信息的获取能力。快速傅里叶卷积层残差块和单图局部注意力相辅相成,共同提升局部纹理的修复质量。在YouTube-VOS和DAVIS数据集上的实验结果表明,虽然提出的方法修复结果的客观质量评价仅次于最优方法Fuseformer,但其参数量和运行时间分别下降了54.8%和21.5%,而且能够生成视觉上更逼真、语义上更合理的修复内容。
智能合约是区块链的重要组成部分,以太坊平台通过部署大量智能合约实现去中心化应用,且智能合约关联着价值数十亿的美元数字货币。但智能合约是由高级语言编写的一段代码,可能存在易受攻击的漏洞,造成巨大的经济损失。目前智能合约漏洞是以太坊面临的严重威胁之一。传统的智能合约漏洞检测方法严重依赖于固定的专家规则,导致准确率低、耗时长。近年来有研究者使用机器学习方法进行漏洞检测,但其所使用的检测方法没有充分利用智能合约源代码的语义信息。文中将智能合约源代码构建为具有数据流和控制流信息的智能合约图,利用注意力机制为图中节点按照其关键程度分配不同的权重更新图节点特征进行合约漏洞检测,对可重入漏洞和时间戳漏洞进行了实验。实验结果显示,与传统的图神经网络检测模型相比,文中模型在两种漏洞检测中准确度分别提高了11.18%,10.06%。实验证明,智能合约漏洞不仅与合约代码的结构特征相关,而且与不同的函数和数据变量有密切的联系。
为了提高无人机中继广播通信系统的性能,针对频率选择性衰落信道,考虑基站到无人机以及无人机到用户的全通信链路,提出了基于正交频分复用(OFDM)技术的无人机中继广播通信系统航迹优化方法。首先提出了基于OFDM的无人机中继广播通信传输模型,对单用户节点中断概率和系统平均中断概率进行理论分析并给出近似计算公式;然后以平均中断概率最小化和最大用户中断概率最小化为优化准则,提出无人机的航迹优化方法并分析了各因素对系统中断性能的影响;最后通过计算机仿真,证明了所提航迹优化方法正确有效。研究表明:在多径信道下,基于OFDM的无人机中继广播通信系统能有效克服频率选择性衰落,且译码转发方式下的连通性优于放大转发方式;基于平均中断概率最小化准则得到的系统中断性能优于最大用户中断概率最小化准则。
如何在失去明文原有特性的加密数据上执行搜索,并实现数据共享,是可搜索加密技术研究的重点问题。针对传统非对称可搜索加密方案中存在的难以支持多用户多关键词搜索、半诚实第三方搜索服务、授权管理中心化的问题,提出了一种基于区块链的多用户环境可搜索加密方案。首先,将传统非对称可搜索加密方案与条件广播代理重加密技术相结合,通过为用户组加密密文、验证用户授权和为满足条件的用户重加密搜索结果,从而实现多用户环境下秘密数据的安全搜索与可控共享;其次,在联盟链上调用智能合约执行多关键词密文搜索,降低半诚实的第三方不实搜索风险,并采用改进的算法选举共识节点轮换担任授权管理者,减少传统中心权威机构单点故障或遭受恶意攻击等威胁;最后,通过分析方案的安全性、正确性等,证明方案能有效改进传统方案中存在的问题。相关仿真结果显示,与现有可搜索加密方案相比,文中方案在保证数据搜索隐私性方面具有明显优势,同时计算开销相对较低。
针对训练深度学习模型时,存在缺少大量带标签训练数据和数据隐私泄露等问题,提出了一个面向动态博弈的k-匿名隐私保护数据共享(KPDSDG)方案。首先,引入动态博弈策略设计了最优数据k-匿名方案,在保护数据隐私的同时实现了数据的安全共享。其次,提出了一个数据匿名化评估框架,以匿名数据的可用性、隐私性和信息丢失评估数据匿名化方案,可以进一步提高数据的隐私性和可用性,以降低重新识别的风险。最后,采用条件生成对抗网络生成数据,解决了模型训练缺少大量带标签样本的问题。安全性分析显示,整个共享过程能够保证数据拥有者隐私信息不被泄露。同时实验表明,该方案隐私化后生成的数据训练的模型准确率高于其他方案,最优情况高出8.83%。且与基于原始数据所训练的模型准确率基本一致,最优情况仅相差0.34%。同时该方案具有更低的计算开销。因此该方案同时满足了数据匿名、数据增广和数据安全共享。
随着深度学习的快速发展,图文跨模态检索性能有了显著提升。然而现有方法仅利用全局信息对图像文本整体匹配或仅利用局部信息匹配,对图文信息的利用存在局限性,检索性能有待进一步提升。为了充分挖掘图像与文本语义的潜在联系,提出了一种基于联合特征的跨模态检索模型,其特征提取部分由两级网络分别处理图像与文本的局部特征和全局特征。并且在全局特征优化的过程中,设计了基于注意力机制的双线性层结构来过滤冗余信息,减小与局部特征的精细度差距。同时为实现两类特征联合优化,在损失函数部分使用三元组排名损失获取不同模态间的联系,并引入语义标签分类损失保持全局语义一致性。所提出的模型具有广泛的通用性,可以有效提升仅基于局部信息模型的性能。在公开数据集Flickr30k和MS COCO上一系列的实验结果表明,提出的模型有效地提升了跨模态图文检索任务的性能,在Flickr30k数据集检索任务中提出的模型在文本检索的R@1指标上提高了约5.1%,在图像检索的R@1指标上提高了约2.8%。
在压缩感知重建算法中,多路径匹配追踪算法能够通过搜索多个路径提升获得全局最优解的可能性,但产生的大量冗余路径会造成严重的性能损耗。针对此问题,提出了一种基于自适应加速的多路径匹配追踪重建算法。首先,该算法在路径分解时,通过设置阈值门限控制生成的子枝点数量,优化了原算法平均分配路径数的策略,使相干性强的父枝点可以遍历更多的子枝点,限制相干性小的原子被分配到新的路径中;其次,利用首个路径产生的重建残差,设计了新的修剪准则对候选路径进行二次筛选,进一步减少冗余路径的生成,降低了计算支出;最后,在理论上推导了所提算法在理想状态下准确重建信号的有限等距性条件,给出了所提算法在有噪条件下准确重建信号的信噪比界限。仿真结果表明,在一维和二维信号的重建实验中,所提算法在保证较高的重建精度的前提下,与多路径匹配追踪算法相比,有效提升了重建效率。
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。
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。
针对压缩阵元间距的互质阵列差分共阵存在孔洞、均匀自由度低导致欠定波达方向估计性能受限的问题,提出了一种改进的稀疏阵列设计。首先,通过分析阵列结构对差分共阵冗余性与孔洞位置的影响,得出调整压缩阵元间距的互质阵列的子阵列位置,能够有效地减少差分共阵的冗余,增加连续延迟,提高均匀自由度;其次,调整子阵列阵元位置,给出设计稀疏阵列物理阵元位置的闭式表达式;然后,根据阵元位置推导得到提出的稀疏阵列自由度、均匀自由度以及差分共阵孔洞位置的闭式表达式。理论分析表明,相同阵元数目时,相较于压缩阵元间距的互质阵列及其改进稀疏阵列,该稀疏阵列具有更高的自由度、均匀自由度。最后,利用基于空间平滑的多重信号分类算法,在多种场景下展开波达方向估计仿真实验。结果表明,提出的稀疏阵列在多种实验条件下均具有更优的波达方向估计性能,验证了该设计的有效性。
随着计算机、通信技术的不断发展,网络经常面临各种各样的攻击。无线传感器网络(Wireless Sensor Network,WSN)的分布式和无线传输等特性使其易于遭受网络攻击,为WSN安全防护方案设计带来了严峻考验。入侵检测是一种积极主动的安全防护技术,是网络攻击检测的重要手段,是保障WSN网络环境安全的关键技术。近年来,机器学习方法在许多领域都取得了巨大的发展,在WSN入侵检测领域取得了一定的应用研究成果。为了便于对WSN入侵检测技术进行深入研究,从WSN的特点和WSN入侵检测研究的独特性出发,对近些年该领域的相关研究进行分类综述。首先,简要介绍了WSN所面临的挑战和发展现状。然后,根据WSN的特点分析了入侵检测在WSN中设计时面临的挑战。随后对WSN入侵检测相关研究进行文献综述与分类,重点对基于机器学习的应用研究方法进行分类论述与探讨。最后,讨论该研究方向未来发展前景与方向,为推动WSN入侵检测领域深入研究与实际应用提供参考。
