題征集滾動(dòng)-01.jpg?x-oss-process=image/quality,q_80)
軍期刊網(wǎng)頁(yè)用圖.jpg?x-oss-process=image/quality,q_80)
明文檔_表1.jpg?x-oss-process=image/quality,q_80)
郵件訂閱
優(yōu)先發(fā)表欄目展示本刊經(jīng)同行評(píng)議確定正式錄用的文章，這些文章目前處在編校過(guò)程，尚未確定卷期及頁(yè)碼，但可以根據(jù)DOI進(jìn)行引用。本欄目?jī)?nèi)容尚未正式出版，未經(jīng)編輯部許可，不得轉(zhuǎn)載。
顯示方式:
當(dāng)前狀態(tài):
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240741
摘要:
聯(lián)邦學(xué)習(xí)中，高模型貢獻(xiàn)率的無(wú)線(xiàn)網(wǎng)絡(luò)設(shè)備通常由于算力不足、能量有限成為掉隊(duì)者，進(jìn)而增加模型聚合時(shí)延并影響全局模型精度。針對(duì)此問(wèn)題，該文設(shè)計(jì)了聯(lián)合邊緣服務(wù)器輔助訓(xùn)練和模型自適應(yīng)稀疏聯(lián)邦學(xué)習(xí)架構(gòu)，并提出了基于邊緣輔助訓(xùn)練的自適應(yīng)稀疏聯(lián)邦學(xué)習(xí)優(yōu)化算法。首先，引入邊緣服務(wù)器為算力不足或能量受限的設(shè)備提供輔助訓(xùn)練。構(gòu)建了輔助訓(xùn)練和通信、計(jì)算資源分配的優(yōu)化模型，并采用多種深度強(qiáng)化學(xué)習(xí)方法求解優(yōu)化的輔助訓(xùn)練決策。其次，基于輔助訓(xùn)練決策，在每個(gè)通信輪次自適應(yīng)地對(duì)全局模型進(jìn)行非結(jié)構(gòu)化剪枝，進(jìn)一步降低設(shè)備的時(shí)延和能耗開(kāi)銷(xiāo)。實(shí)驗(yàn)結(jié)果表明，所提算法極大地減少了掉隊(duì)設(shè)備，其模型測(cè)試精度優(yōu)于經(jīng)典聯(lián)邦學(xué)習(xí)的測(cè)試精度；利用深度確定性策略梯度(DDPG)優(yōu)化輔助資源分配的算法有效地減少了系統(tǒng)訓(xùn)練時(shí)延，提升了模型訓(xùn)練效率。
聯(lián)邦學(xué)習(xí)中，高模型貢獻(xiàn)率的無(wú)線(xiàn)網(wǎng)絡(luò)設(shè)備通常由于算力不足、能量有限成為掉隊(duì)者，進(jìn)而增加模型聚合時(shí)延并影響全局模型精度。針對(duì)此問(wèn)題，該文設(shè)計(jì)了聯(lián)合邊緣服務(wù)器輔助訓(xùn)練和模型自適應(yīng)稀疏聯(lián)邦學(xué)習(xí)架構(gòu)，并提出了基于邊緣輔助訓(xùn)練的自適應(yīng)稀疏聯(lián)邦學(xué)習(xí)優(yōu)化算法。首先，引入邊緣服務(wù)器為算力不足或能量受限的設(shè)備提供輔助訓(xùn)練。構(gòu)建了輔助訓(xùn)練和通信、計(jì)算資源分配的優(yōu)化模型，并采用多種深度強(qiáng)化學(xué)習(xí)方法求解優(yōu)化的輔助訓(xùn)練決策。其次，基于輔助訓(xùn)練決策，在每個(gè)通信輪次自適應(yīng)地對(duì)全局模型進(jìn)行非結(jié)構(gòu)化剪枝，進(jìn)一步降低設(shè)備的時(shí)延和能耗開(kāi)銷(xiāo)。實(shí)驗(yàn)結(jié)果表明，所提算法極大地減少了掉隊(duì)設(shè)備，其模型測(cè)試精度優(yōu)于經(jīng)典聯(lián)邦學(xué)習(xí)的測(cè)試精度；利用深度確定性策略梯度(DDPG)優(yōu)化輔助資源分配的算法有效地減少了系統(tǒng)訓(xùn)練時(shí)延，提升了模型訓(xùn)練效率。
當(dāng)前狀態(tài):
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240789
摘要:
針對(duì)太赫茲智能反射面(RIS)系統(tǒng)中基于波束掃描感知耗時(shí)較長(zhǎng)問(wèn)題，該文提出一種基于太赫茲RIS波束色散和分裂的快速感知方法。通過(guò)在每個(gè)RIS元件處部署實(shí)時(shí)延(TTD)以動(dòng)態(tài)調(diào)整波束色散程度，設(shè)置大陣列RIS單元間距以形成波束分裂效應(yīng)，進(jìn)而聯(lián)合波束色散和分裂實(shí)現(xiàn)目標(biāo)區(qū)域快速感知。具體地，將感知區(qū)域分為多個(gè)子區(qū)域，并基于RIS波束色散優(yōu)化TTD和RIS反射元件相移，以覆蓋單一子區(qū)域。同時(shí)，利用波束分裂無(wú)縫覆蓋多個(gè)子區(qū)域，相比使用單一波束掃描感知顯著降低了時(shí)間開(kāi)銷(xiāo)。而后，為減少回波信號(hào)路徑損耗，在RIS處配置主動(dòng)感知元件，用于直接接收并分析回波信號(hào)。在此基礎(chǔ)上，推導(dǎo)出感知目標(biāo)角度估計(jì)值及其均方根誤差(RMSE)。仿真結(jié)果表明了所提快速感知方案的有效性。
針對(duì)太赫茲智能反射面(RIS)系統(tǒng)中基于波束掃描感知耗時(shí)較長(zhǎng)問(wèn)題，該文提出一種基于太赫茲RIS波束色散和分裂的快速感知方法。通過(guò)在每個(gè)RIS元件處部署實(shí)時(shí)延(TTD)以動(dòng)態(tài)調(diào)整波束色散程度，設(shè)置大陣列RIS單元間距以形成波束分裂效應(yīng)，進(jìn)而聯(lián)合波束色散和分裂實(shí)現(xiàn)目標(biāo)區(qū)域快速感知。具體地，將感知區(qū)域分為多個(gè)子區(qū)域，并基于RIS波束色散優(yōu)化TTD和RIS反射元件相移，以覆蓋單一子區(qū)域。同時(shí)，利用波束分裂無(wú)縫覆蓋多個(gè)子區(qū)域，相比使用單一波束掃描感知顯著降低了時(shí)間開(kāi)銷(xiāo)。而后，為減少回波信號(hào)路徑損耗，在RIS處配置主動(dòng)感知元件，用于直接接收并分析回波信號(hào)。在此基礎(chǔ)上，推導(dǎo)出感知目標(biāo)角度估計(jì)值及其均方根誤差(RMSE)。仿真結(jié)果表明了所提快速感知方案的有效性。
當(dāng)前狀態(tài):
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240517
摘要:
針對(duì)車(chē)聯(lián)網(wǎng)(IoV)中傳統(tǒng)信任管理方案對(duì)惡意車(chē)輛的識(shí)別假陽(yáng)率高、無(wú)法滿(mǎn)足多樣化服務(wù)且傳統(tǒng)共識(shí)算法不適用于當(dāng)前車(chē)聯(lián)網(wǎng)環(huán)境的問(wèn)題，該文提出了基于區(qū)塊鏈的協(xié)作式車(chē)聯(lián)網(wǎng)信任管理方案。構(gòu)建了基于狄利克雷分布的信任管理模型，將車(chē)輛信任和協(xié)作服務(wù)劃分為多個(gè)等級(jí)，針對(duì)不同服務(wù)調(diào)整信任等級(jí)閾值。設(shè)計(jì)了具有反饋機(jī)制的信任等級(jí)評(píng)價(jià)算法，考慮協(xié)作車(chē)輛當(dāng)前狀態(tài)、鄰居推薦、歷史信任信息、服務(wù)質(zhì)量4方面因素，從協(xié)作前、后兩階段對(duì)協(xié)作車(chē)輛信任等級(jí)進(jìn)行評(píng)價(jià)。改進(jìn)了傳統(tǒng)的工作量證明(PoW)共識(shí)算法，動(dòng)態(tài)調(diào)整礦工節(jié)點(diǎn)出塊難度。仿真結(jié)果表明，相比同類(lèi)方案，所提方案在保證能夠高效識(shí)別惡意節(jié)點(diǎn)的前提下，還能夠進(jìn)一步降低識(shí)別假陽(yáng)率，提高協(xié)作成功率和共識(shí)效率。
針對(duì)車(chē)聯(lián)網(wǎng)(IoV)中傳統(tǒng)信任管理方案對(duì)惡意車(chē)輛的識(shí)別假陽(yáng)率高、無(wú)法滿(mǎn)足多樣化服務(wù)且傳統(tǒng)共識(shí)算法不適用于當(dāng)前車(chē)聯(lián)網(wǎng)環(huán)境的問(wèn)題，該文提出了基于區(qū)塊鏈的協(xié)作式車(chē)聯(lián)網(wǎng)信任管理方案。構(gòu)建了基于狄利克雷分布的信任管理模型，將車(chē)輛信任和協(xié)作服務(wù)劃分為多個(gè)等級(jí)，針對(duì)不同服務(wù)調(diào)整信任等級(jí)閾值。設(shè)計(jì)了具有反饋機(jī)制的信任等級(jí)評(píng)價(jià)算法，考慮協(xié)作車(chē)輛當(dāng)前狀態(tài)、鄰居推薦、歷史信任信息、服務(wù)質(zhì)量4方面因素，從協(xié)作前、后兩階段對(duì)協(xié)作車(chē)輛信任等級(jí)進(jìn)行評(píng)價(jià)。改進(jìn)了傳統(tǒng)的工作量證明(PoW)共識(shí)算法，動(dòng)態(tài)調(diào)整礦工節(jié)點(diǎn)出塊難度。仿真結(jié)果表明，相比同類(lèi)方案，所提方案在保證能夠高效識(shí)別惡意節(jié)點(diǎn)的前提下，還能夠進(jìn)一步降低識(shí)別假陽(yáng)率，提高協(xié)作成功率和共識(shí)效率。
當(dāng)前狀態(tài):
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240631
摘要:
無(wú)線(xiàn)通信設(shè)備數(shù)量的驟增造成頻譜資源日益稀缺，通信用頻逐漸向更高頻段擴(kuò)展，從而導(dǎo)致通信與雷達(dá)頻段出現(xiàn)越來(lái)越多的重疊，雷達(dá)通信一體化被視為解決頻譜擁擠實(shí)現(xiàn)高效共生的潛在技術(shù)。該文考慮一個(gè)多輸入多輸出(MIMO)雷達(dá)通信一體化系統(tǒng)，在實(shí)現(xiàn)目標(biāo)探測(cè)的同時(shí)進(jìn)行多用戶(hù)通信。首先，在滿(mǎn)足多用戶(hù)信干噪比和總功率約束的條件下，最大化目標(biāo)方向的波束圖增益。然后，針對(duì)一體化發(fā)射波束成形設(shè)計(jì)問(wèn)題，提出基于半正定松弛(SDR)和優(yōu)化最小化(MM)的兩種波束成形設(shè)計(jì)方案，求解得到發(fā)射波束成形矢量。最后，仿真結(jié)果表明基于MM的方案復(fù)雜度更低，并且能夠?qū)崿F(xiàn)與基于SDR的方案幾乎相同的波束圖增益。此外，隨著發(fā)射天線(xiàn)數(shù)量的增加，基于MM的方案相比于基于SDR的方案復(fù)雜度的降低程度變得更為顯著。
無(wú)線(xiàn)通信設(shè)備數(shù)量的驟增造成頻譜資源日益稀缺，通信用頻逐漸向更高頻段擴(kuò)展，從而導(dǎo)致通信與雷達(dá)頻段出現(xiàn)越來(lái)越多的重疊，雷達(dá)通信一體化被視為解決頻譜擁擠實(shí)現(xiàn)高效共生的潛在技術(shù)。該文考慮一個(gè)多輸入多輸出(MIMO)雷達(dá)通信一體化系統(tǒng)，在實(shí)現(xiàn)目標(biāo)探測(cè)的同時(shí)進(jìn)行多用戶(hù)通信。首先，在滿(mǎn)足多用戶(hù)信干噪比和總功率約束的條件下，最大化目標(biāo)方向的波束圖增益。然后，針對(duì)一體化發(fā)射波束成形設(shè)計(jì)問(wèn)題，提出基于半正定松弛(SDR)和優(yōu)化最小化(MM)的兩種波束成形設(shè)計(jì)方案，求解得到發(fā)射波束成形矢量。最后，仿真結(jié)果表明基于MM的方案復(fù)雜度更低，并且能夠?qū)崿F(xiàn)與基于SDR的方案幾乎相同的波束圖增益。此外，隨著發(fā)射天線(xiàn)數(shù)量的增加，基于MM的方案相比于基于SDR的方案復(fù)雜度的降低程度變得更為顯著。
當(dāng)前狀態(tài):
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240344
摘要:
針對(duì)移動(dòng)邊緣計(jì)算(MEC)場(chǎng)景中任務(wù)卸載、計(jì)算和結(jié)果反饋全過(guò)程時(shí)延優(yōu)化問(wèn)題，該文提出了一種數(shù)字孿生(DT)輔助的聯(lián)合MEC任務(wù)卸載、設(shè)備關(guān)聯(lián)與資源分配的端到端時(shí)延優(yōu)化方法。首先，在數(shù)字孿生邊緣網(wǎng)絡(luò)(DITEN)框架下，為包含傳感器、邊緣服務(wù)器以及執(zhí)行器構(gòu)成的邊緣計(jì)算網(wǎng)絡(luò)建立了物理模型與數(shù)字孿生模型，以及全過(guò)程邊緣網(wǎng)絡(luò)任務(wù)模型并推導(dǎo)了任務(wù)端到端時(shí)延，進(jìn)而建立了時(shí)延、能耗等約束下的端到端時(shí)延優(yōu)化問(wèn)題。其次，為解決所提出的混合整數(shù)非凸優(yōu)化問(wèn)題，將原問(wèn)題分解為4個(gè)子問(wèn)題，并提出了一種基于內(nèi)部凸近似方法和匈牙利算法的交替優(yōu)化算法。在DT輔助下聯(lián)合優(yōu)化了設(shè)備關(guān)聯(lián)、卸載比例、發(fā)射功率、傳輸帶寬以及DT估計(jì)處理速率。最后，仿真結(jié)果表明，與其他基準(zhǔn)方案相比，所提聯(lián)合優(yōu)化方案顯著降低了端到端時(shí)延。
針對(duì)移動(dòng)邊緣計(jì)算(MEC)場(chǎng)景中任務(wù)卸載、計(jì)算和結(jié)果反饋全過(guò)程時(shí)延優(yōu)化問(wèn)題，該文提出了一種數(shù)字孿生(DT)輔助的聯(lián)合MEC任務(wù)卸載、設(shè)備關(guān)聯(lián)與資源分配的端到端時(shí)延優(yōu)化方法。首先，在數(shù)字孿生邊緣網(wǎng)絡(luò)(DITEN)框架下，為包含傳感器、邊緣服務(wù)器以及執(zhí)行器構(gòu)成的邊緣計(jì)算網(wǎng)絡(luò)建立了物理模型與數(shù)字孿生模型，以及全過(guò)程邊緣網(wǎng)絡(luò)任務(wù)模型并推導(dǎo)了任務(wù)端到端時(shí)延，進(jìn)而建立了時(shí)延、能耗等約束下的端到端時(shí)延優(yōu)化問(wèn)題。其次，為解決所提出的混合整數(shù)非凸優(yōu)化問(wèn)題，將原問(wèn)題分解為4個(gè)子問(wèn)題，并提出了一種基于內(nèi)部凸近似方法和匈牙利算法的交替優(yōu)化算法。在DT輔助下聯(lián)合優(yōu)化了設(shè)備關(guān)聯(lián)、卸載比例、發(fā)射功率、傳輸帶寬以及DT估計(jì)處理速率。最后，仿真結(jié)果表明，與其他基準(zhǔn)方案相比，所提聯(lián)合優(yōu)化方案顯著降低了端到端時(shí)延。
當(dāng)前狀態(tài):
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT241053
摘要:
配備存儲(chǔ)部件的機(jī)會(huì)無(wú)人機(jī)打開(kāi)了數(shù)據(jù)傳輸?shù)臋C(jī)會(huì)時(shí)間窗口，在低空數(shù)據(jù)收集系統(tǒng)中呈現(xiàn)巨大的潛力。為了提高數(shù)據(jù)收集效率，移動(dòng)用戶(hù)可以主動(dòng)組網(wǎng)，將數(shù)據(jù)預(yù)先集聚到具備位置優(yōu)勢(shì)的簇頭節(jié)點(diǎn)，由簇頭節(jié)點(diǎn)負(fù)責(zé)上傳，實(shí)現(xiàn)時(shí)空維度的流量塑形。該文研究了機(jī)會(huì)無(wú)人機(jī)輔助數(shù)據(jù)收集的組網(wǎng)和資源分配方法。具體而言，如何根據(jù)機(jī)會(huì)無(wú)人機(jī)的既定航跡，通過(guò)聯(lián)合優(yōu)化用戶(hù)的子網(wǎng)數(shù)據(jù)傳輸策略、子網(wǎng)資源分配策略和子網(wǎng)形成策略，最大化全網(wǎng)數(shù)據(jù)上傳總量。上述問(wèn)題高度耦合且具有海量的狀態(tài)空間，較難求解。該文通過(guò)推導(dǎo)閉式表達(dá)式求解子網(wǎng)數(shù)據(jù)傳輸和資源分配子問(wèn)題，通過(guò)聯(lián)盟博弈求解子網(wǎng)形成子問(wèn)題。最終提出了一種迭代優(yōu)化算法來(lái)獲得具有高效、可靠、自組織和低復(fù)雜度的解決方案。仿真結(jié)果表明所提方法能夠有效提升數(shù)據(jù)收集效率。同獨(dú)立上傳策略以及基于距離聚類(lèi)和傳統(tǒng)聯(lián)盟博弈組網(wǎng)策略相比，所提方案的數(shù)據(jù)上傳總量分別提升了56.3%，51.6%和17.8%。
配備存儲(chǔ)部件的機(jī)會(huì)無(wú)人機(jī)打開(kāi)了數(shù)據(jù)傳輸?shù)臋C(jī)會(huì)時(shí)間窗口，在低空數(shù)據(jù)收集系統(tǒng)中呈現(xiàn)巨大的潛力。為了提高數(shù)據(jù)收集效率，移動(dòng)用戶(hù)可以主動(dòng)組網(wǎng)，將數(shù)據(jù)預(yù)先集聚到具備位置優(yōu)勢(shì)的簇頭節(jié)點(diǎn)，由簇頭節(jié)點(diǎn)負(fù)責(zé)上傳，實(shí)現(xiàn)時(shí)空維度的流量塑形。該文研究了機(jī)會(huì)無(wú)人機(jī)輔助數(shù)據(jù)收集的組網(wǎng)和資源分配方法。具體而言，如何根據(jù)機(jī)會(huì)無(wú)人機(jī)的既定航跡，通過(guò)聯(lián)合優(yōu)化用戶(hù)的子網(wǎng)數(shù)據(jù)傳輸策略、子網(wǎng)資源分配策略和子網(wǎng)形成策略，最大化全網(wǎng)數(shù)據(jù)上傳總量。上述問(wèn)題高度耦合且具有海量的狀態(tài)空間，較難求解。該文通過(guò)推導(dǎo)閉式表達(dá)式求解子網(wǎng)數(shù)據(jù)傳輸和資源分配子問(wèn)題，通過(guò)聯(lián)盟博弈求解子網(wǎng)形成子問(wèn)題。最終提出了一種迭代優(yōu)化算法來(lái)獲得具有高效、可靠、自組織和低復(fù)雜度的解決方案。仿真結(jié)果表明所提方法能夠有效提升數(shù)據(jù)收集效率。同獨(dú)立上傳策略以及基于距離聚類(lèi)和傳統(tǒng)聯(lián)盟博弈組網(wǎng)策略相比，所提方案的數(shù)據(jù)上傳總量分別提升了56.3%，51.6%和17.8%。
當(dāng)前狀態(tài):
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240294
摘要:
隨著對(duì)太空的探索的深入，人們發(fā)現(xiàn)應(yīng)用于航天領(lǐng)域的靜態(tài)隨機(jī)存取存儲(chǔ)器(SRAM)易受到高能粒子轟擊發(fā)生電節(jié)點(diǎn)翻轉(zhuǎn)(SEU)和多節(jié)點(diǎn)翻轉(zhuǎn)(SEMNU)。該文為解決SRAM的單粒子翻轉(zhuǎn)問(wèn)題提出一種16TSRAM單元可以用于SRAM的抗翻轉(zhuǎn)應(yīng)用，該單元，包含3個(gè)敏感節(jié)點(diǎn)，使用金屬氧化物半導(dǎo)體(MOS)管堆疊結(jié)構(gòu)，較大提高了單元的穩(wěn)定性。在65 nm CMOS工藝下仿真證明該單元可以解決SEU和SEMNU問(wèn)題。相比于SARP12T, LWS14T, SAR14T, RSP14T, EDP12T, SIS10T, MNRS16T的保持靜態(tài)噪聲容限(HSNM)分別提升了1.4%, 54.9%, 58.9%, 0.7%, 59.1%, 107.4%。相比于SARP12T, RH10T, SAR14T, RSP14T, S8N8P16T, EDP12T, SIS10T, MNRS16T的讀取靜態(tài)噪聲容限(RSNM)分別提升了94.3%, 31.4%, 90.3%, 8.9%, 71.5%, 90.4%, 90.3%。相較于SAR14T, RSP14T, EDP12T, RH12T, MNRS16T的保持功率(Hpwr)降低了12.4%, 16.9%, 13.1%, 50.1%。
隨著對(duì)太空的探索的深入，人們發(fā)現(xiàn)應(yīng)用于航天領(lǐng)域的靜態(tài)隨機(jī)存取存儲(chǔ)器(SRAM)易受到高能粒子轟擊發(fā)生電節(jié)點(diǎn)翻轉(zhuǎn)(SEU)和多節(jié)點(diǎn)翻轉(zhuǎn)(SEMNU)。該文為解決SRAM的單粒子翻轉(zhuǎn)問(wèn)題提出一種16TSRAM單元可以用于SRAM的抗翻轉(zhuǎn)應(yīng)用，該單元，包含3個(gè)敏感節(jié)點(diǎn)，使用金屬氧化物半導(dǎo)體(MOS)管堆疊結(jié)構(gòu)，較大提高了單元的穩(wěn)定性。在65 nm CMOS工藝下仿真證明該單元可以解決SEU和SEMNU問(wèn)題。相比于SARP12T, LWS14T, SAR14T, RSP14T, EDP12T, SIS10T, MNRS16T的保持靜態(tài)噪聲容限(HSNM)分別提升了1.4%, 54.9%, 58.9%, 0.7%, 59.1%, 107.4%。相比于SARP12T, RH10T, SAR14T, RSP14T, S8N8P16T, EDP12T, SIS10T, MNRS16T的讀取靜態(tài)噪聲容限(RSNM)分別提升了94.3%, 31.4%, 90.3%, 8.9%, 71.5%, 90.4%, 90.3%。相較于SAR14T, RSP14T, EDP12T, RH12T, MNRS16T的保持功率(Hpwr)降低了12.4%, 16.9%, 13.1%, 50.1%。
當(dāng)前狀態(tài):
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240477
摘要:
針對(duì)圖神經(jīng)網(wǎng)絡(luò)(GNN)模型在其預(yù)測(cè)中常處于欠自信狀態(tài)，導(dǎo)致該狀態(tài)下實(shí)施成員推理攻擊難度大且攻擊漏報(bào)率高的問(wèn)題，該文提出一種基于GNN模型校準(zhǔn)的成員推理攻擊方法。首先，設(shè)計(jì)一種基于因果推斷的GNN模型校準(zhǔn)方法，通過(guò)基于注意力機(jī)制的因果圖提取、因果圖與非因果圖解耦、后門(mén)路徑調(diào)整策略和因果關(guān)聯(lián)圖生成過(guò)程，構(gòu)建用于訓(xùn)練GNN模型的因果關(guān)聯(lián)圖。其次，使用與目標(biāo)因果關(guān)聯(lián)圖在相同數(shù)據(jù)分布下的影子因果關(guān)聯(lián)圖構(gòu)建影子GNN模型，模擬目標(biāo)GNN模型的預(yù)測(cè)行為。最后，使用影子GNN模型的后驗(yàn)概率構(gòu)建攻擊數(shù)據(jù)集以訓(xùn)練攻擊模型，根據(jù)目標(biāo)GNN模型對(duì)目標(biāo)節(jié)點(diǎn)的后驗(yàn)概率輸出推斷其是否屬于目標(biāo)GNN模型的訓(xùn)練數(shù)據(jù)。在4個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該文方法在2種攻擊模式下面對(duì)不同架構(gòu)的GNN模型進(jìn)行攻擊時(shí)，攻擊準(zhǔn)確率最高為92.6%，攻擊漏報(bào)率最低為6.7%，性能指標(biāo)優(yōu)于基線(xiàn)攻擊方法，可有效地實(shí)施成員推理攻擊。
針對(duì)圖神經(jīng)網(wǎng)絡(luò)(GNN)模型在其預(yù)測(cè)中常處于欠自信狀態(tài)，導(dǎo)致該狀態(tài)下實(shí)施成員推理攻擊難度大且攻擊漏報(bào)率高的問(wèn)題，該文提出一種基于GNN模型校準(zhǔn)的成員推理攻擊方法。首先，設(shè)計(jì)一種基于因果推斷的GNN模型校準(zhǔn)方法，通過(guò)基于注意力機(jī)制的因果圖提取、因果圖與非因果圖解耦、后門(mén)路徑調(diào)整策略和因果關(guān)聯(lián)圖生成過(guò)程，構(gòu)建用于訓(xùn)練GNN模型的因果關(guān)聯(lián)圖。其次，使用與目標(biāo)因果關(guān)聯(lián)圖在相同數(shù)據(jù)分布下的影子因果關(guān)聯(lián)圖構(gòu)建影子GNN模型，模擬目標(biāo)GNN模型的預(yù)測(cè)行為。最后，使用影子GNN模型的后驗(yàn)概率構(gòu)建攻擊數(shù)據(jù)集以訓(xùn)練攻擊模型，根據(jù)目標(biāo)GNN模型對(duì)目標(biāo)節(jié)點(diǎn)的后驗(yàn)概率輸出推斷其是否屬于目標(biāo)GNN模型的訓(xùn)練數(shù)據(jù)。在4個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該文方法在2種攻擊模式下面對(duì)不同架構(gòu)的GNN模型進(jìn)行攻擊時(shí)，攻擊準(zhǔn)確率最高為92.6%，攻擊漏報(bào)率最低為6.7%，性能指標(biāo)優(yōu)于基線(xiàn)攻擊方法，可有效地實(shí)施成員推理攻擊。
當(dāng)前狀態(tài):
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240720
摘要:
雖然目前可以獲取海量的多時(shí)相遙感數(shù)據(jù)，但是由于建筑物變化時(shí)間周期過(guò)長(zhǎng)，難以獲取充足的建筑物變化數(shù)據(jù)對(duì)來(lái)支撐數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)變化檢測(cè)模型構(gòu)建，呈現(xiàn)多時(shí)相遙感建筑物變化檢測(cè)處理精度差的問(wèn)題。因此，為提升變化檢測(cè)算法模型處理性能，該文從建筑物變化檢測(cè)訓(xùn)練數(shù)據(jù)對(duì)生成開(kāi)展研究，基于一致性對(duì)抗生成機(jī)理提出了多時(shí)相建筑物變化檢測(cè)數(shù)據(jù)對(duì)生成網(wǎng)絡(luò)(BAG-GAN)。其主要在多時(shí)相圖像生成過(guò)程中采用對(duì)抗一致性損失函數(shù)約束，在保證生成圖像和輸入圖像關(guān)聯(lián)性的同時(shí)，保證了生成模型的多模態(tài)輸出能力。此外，還通過(guò)重組原數(shù)據(jù)集中的變化標(biāo)簽和多時(shí)相遙感圖像來(lái)進(jìn)一步提升建筑物變化信息生成的多樣性，解決了訓(xùn)練數(shù)據(jù)中有效建筑物變化信息占比少的問(wèn)題，為變化監(jiān)測(cè)算法模型的充分訓(xùn)練奠定了基礎(chǔ)。最后，在LEVIR-CD和WHU-CD建筑物變化檢測(cè)數(shù)據(jù)集上進(jìn)行了數(shù)據(jù)生成實(shí)驗(yàn)，并使用生成擴(kuò)充后的數(shù)據(jù)集訓(xùn)練了多種較為經(jīng)典的遙感圖像變化檢測(cè)模型，實(shí)驗(yàn)結(jié)果表明該文提出的BAG-GAN多時(shí)相建筑物變化檢測(cè)數(shù)據(jù)對(duì)生成網(wǎng)絡(luò)及相應(yīng)的生成策略可以有效提升變化檢測(cè)模型的處理精度。
雖然目前可以獲取海量的多時(shí)相遙感數(shù)據(jù)，但是由于建筑物變化時(shí)間周期過(guò)長(zhǎng)，難以獲取充足的建筑物變化數(shù)據(jù)對(duì)來(lái)支撐數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)變化檢測(cè)模型構(gòu)建，呈現(xiàn)多時(shí)相遙感建筑物變化檢測(cè)處理精度差的問(wèn)題。因此，為提升變化檢測(cè)算法模型處理性能，該文從建筑物變化檢測(cè)訓(xùn)練數(shù)據(jù)對(duì)生成開(kāi)展研究，基于一致性對(duì)抗生成機(jī)理提出了多時(shí)相建筑物變化檢測(cè)數(shù)據(jù)對(duì)生成網(wǎng)絡(luò)(BAG-GAN)。其主要在多時(shí)相圖像生成過(guò)程中采用對(duì)抗一致性損失函數(shù)約束，在保證生成圖像和輸入圖像關(guān)聯(lián)性的同時(shí)，保證了生成模型的多模態(tài)輸出能力。此外，還通過(guò)重組原數(shù)據(jù)集中的變化標(biāo)簽和多時(shí)相遙感圖像來(lái)進(jìn)一步提升建筑物變化信息生成的多樣性，解決了訓(xùn)練數(shù)據(jù)中有效建筑物變化信息占比少的問(wèn)題，為變化監(jiān)測(cè)算法模型的充分訓(xùn)練奠定了基礎(chǔ)。最后，在LEVIR-CD和WHU-CD建筑物變化檢測(cè)數(shù)據(jù)集上進(jìn)行了數(shù)據(jù)生成實(shí)驗(yàn)，并使用生成擴(kuò)充后的數(shù)據(jù)集訓(xùn)練了多種較為經(jīng)典的遙感圖像變化檢測(cè)模型，實(shí)驗(yàn)結(jié)果表明該文提出的BAG-GAN多時(shí)相建筑物變化檢測(cè)數(shù)據(jù)對(duì)生成網(wǎng)絡(luò)及相應(yīng)的生成策略可以有效提升變化檢測(cè)模型的處理精度。
當(dāng)前狀態(tài):
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240867
摘要:
在雞尾酒會(huì)場(chǎng)景中，聽(tīng)力正常的人有能力選擇性地注意特定的說(shuō)話(huà)者語(yǔ)音，但聽(tīng)力障礙者在這種場(chǎng)景中面臨困難。聽(tīng)覺(jué)注意力解碼(AAD)的目的是通過(guò)分析聽(tīng)者的腦電信號(hào)(EEG)響應(yīng)特征來(lái)推斷聽(tīng)者關(guān)注的是哪個(gè)說(shuō)話(huà)者?，F(xiàn)有的AAD模型只考慮腦電信號(hào)的時(shí)域或頻域單個(gè)特征或二者的組合(如時(shí)頻特征)，而忽略了時(shí)-空-頻域特征之間的互補(bǔ)性，這在一定程度上限制了模型的分類(lèi)能力，進(jìn)而影響了模型在決策窗口上的解碼精度。同時(shí)，已有AAD模型大多在長(zhǎng)時(shí)決策窗口(1～5 s)中有較高的解碼精度。該文提出一種基于時(shí)-空-頻多維特征的短時(shí)窗口腦電信號(hào)聽(tīng)覺(jué)注意解碼網(wǎng)絡(luò)(TSF-AADNet)，用于提高短時(shí)決策窗口(0.1～1 s)的解碼精度。該模型由兩個(gè)并行的時(shí)空、頻空特征提取分支以及特征融合和分類(lèi)模塊組成，其中，時(shí)空特征提取分支由時(shí)空卷積塊和高階特征交互模塊組成，頻空特征提取分支采用基于頻空注意力的3維卷積模塊(FSA-3DCNN)，最后將雙分支網(wǎng)絡(luò)提取的時(shí)空和頻空特征進(jìn)行融合，得到最終的聽(tīng)覺(jué)注意力二分類(lèi)解碼結(jié)果。實(shí)驗(yàn)結(jié)果表明，TSF-AADNet模型在聽(tīng)覺(jué)注意檢測(cè)數(shù)據(jù)集KULeuven(KUL)和聽(tīng)覺(jué)注意檢測(cè)的腦電和音頻數(shù)據(jù)集(DTU)的0.1 s決策窗口下，解碼精度分別為91.8%和81.1%，與最新的AAD模型一種基于時(shí)頻融合的雙分支并行網(wǎng)絡(luò)(DBPNet)相比，分別提高了5.40%和7.99%。TSF-AADNet作為一種新的短時(shí)決策窗口的AAD模型，可為聽(tīng)力障礙診斷以及神經(jīng)導(dǎo)向助聽(tīng)器研發(fā)提供有效參考。
在雞尾酒會(huì)場(chǎng)景中，聽(tīng)力正常的人有能力選擇性地注意特定的說(shuō)話(huà)者語(yǔ)音，但聽(tīng)力障礙者在這種場(chǎng)景中面臨困難。聽(tīng)覺(jué)注意力解碼(AAD)的目的是通過(guò)分析聽(tīng)者的腦電信號(hào)(EEG)響應(yīng)特征來(lái)推斷聽(tīng)者關(guān)注的是哪個(gè)說(shuō)話(huà)者?，F(xiàn)有的AAD模型只考慮腦電信號(hào)的時(shí)域或頻域單個(gè)特征或二者的組合(如時(shí)頻特征)，而忽略了時(shí)-空-頻域特征之間的互補(bǔ)性，這在一定程度上限制了模型的分類(lèi)能力，進(jìn)而影響了模型在決策窗口上的解碼精度。同時(shí)，已有AAD模型大多在長(zhǎng)時(shí)決策窗口(1～5 s)中有較高的解碼精度。該文提出一種基于時(shí)-空-頻多維特征的短時(shí)窗口腦電信號(hào)聽(tīng)覺(jué)注意解碼網(wǎng)絡(luò)(TSF-AADNet)，用于提高短時(shí)決策窗口(0.1～1 s)的解碼精度。該模型由兩個(gè)并行的時(shí)空、頻空特征提取分支以及特征融合和分類(lèi)模塊組成，其中，時(shí)空特征提取分支由時(shí)空卷積塊和高階特征交互模塊組成，頻空特征提取分支采用基于頻空注意力的3維卷積模塊(FSA-3DCNN)，最后將雙分支網(wǎng)絡(luò)提取的時(shí)空和頻空特征進(jìn)行融合，得到最終的聽(tīng)覺(jué)注意力二分類(lèi)解碼結(jié)果。實(shí)驗(yàn)結(jié)果表明，TSF-AADNet模型在聽(tīng)覺(jué)注意檢測(cè)數(shù)據(jù)集KULeuven(KUL)和聽(tīng)覺(jué)注意檢測(cè)的腦電和音頻數(shù)據(jù)集(DTU)的0.1 s決策窗口下，解碼精度分別為91.8%和81.1%，與最新的AAD模型一種基于時(shí)頻融合的雙分支并行網(wǎng)絡(luò)(DBPNet)相比，分別提高了5.40%和7.99%。TSF-AADNet作為一種新的短時(shí)決策窗口的AAD模型，可為聽(tīng)力障礙診斷以及神經(jīng)導(dǎo)向助聽(tīng)器研發(fā)提供有效參考。
當(dāng)前狀態(tài):
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240773
摘要:
為滿(mǎn)足動(dòng)態(tài)邊緣計(jì)算網(wǎng)絡(luò)場(chǎng)景下用戶(hù)差異化服務(wù)需求，該文提出一種基于生成對(duì)抗網(wǎng)絡(luò)(GAN)輔助多智能體強(qiáng)化學(xué)習(xí)(RL)的聯(lián)邦切片資源管理方案。首先，考慮未知時(shí)變信道和隨機(jī)用戶(hù)流量到達(dá)的場(chǎng)景，以同時(shí)優(yōu)化長(zhǎng)期平均服務(wù)等待時(shí)延和服務(wù)滿(mǎn)意率為目標(biāo)，構(gòu)建聯(lián)合帶寬和計(jì)算切片資源管理優(yōu)化問(wèn)題，并進(jìn)一步建模為分布式部分可觀(guān)測(cè)馬爾可夫決策過(guò)程 (Dec-POMDP)。其次，運(yùn)用多智能體競(jìng)爭(zhēng)雙深度Q網(wǎng)絡(luò)(D3QN)方法，結(jié)合GAN算法對(duì)狀態(tài)值分布多模態(tài)學(xué)習(xí)的優(yōu)勢(shì)，以及利用聯(lián)邦學(xué)習(xí)框架促使智能體合作學(xué)習(xí)，最終實(shí)現(xiàn)僅需共享各智能體生成網(wǎng)絡(luò)加權(quán)參數(shù)即可完成切片資源管理協(xié)同決策。仿真結(jié)果表明，所提方案相較于基準(zhǔn)方案能夠在保護(hù)用戶(hù)隱私的前提下，降低用戶(hù)平均服務(wù)等待時(shí)延28%以上，且同時(shí)提升用戶(hù)平均服務(wù)滿(mǎn)意率8%以上。
為滿(mǎn)足動(dòng)態(tài)邊緣計(jì)算網(wǎng)絡(luò)場(chǎng)景下用戶(hù)差異化服務(wù)需求，該文提出一種基于生成對(duì)抗網(wǎng)絡(luò)(GAN)輔助多智能體強(qiáng)化學(xué)習(xí)(RL)的聯(lián)邦切片資源管理方案。首先，考慮未知時(shí)變信道和隨機(jī)用戶(hù)流量到達(dá)的場(chǎng)景，以同時(shí)優(yōu)化長(zhǎng)期平均服務(wù)等待時(shí)延和服務(wù)滿(mǎn)意率為目標(biāo)，構(gòu)建聯(lián)合帶寬和計(jì)算切片資源管理優(yōu)化問(wèn)題，并進(jìn)一步建模為分布式部分可觀(guān)測(cè)馬爾可夫決策過(guò)程 (Dec-POMDP)。其次，運(yùn)用多智能體競(jìng)爭(zhēng)雙深度Q網(wǎng)絡(luò)(D3QN)方法，結(jié)合GAN算法對(duì)狀態(tài)值分布多模態(tài)學(xué)習(xí)的優(yōu)勢(shì)，以及利用聯(lián)邦學(xué)習(xí)框架促使智能體合作學(xué)習(xí)，最終實(shí)現(xiàn)僅需共享各智能體生成網(wǎng)絡(luò)加權(quán)參數(shù)即可完成切片資源管理協(xié)同決策。仿真結(jié)果表明，所提方案相較于基準(zhǔn)方案能夠在保護(hù)用戶(hù)隱私的前提下，降低用戶(hù)平均服務(wù)等待時(shí)延28%以上，且同時(shí)提升用戶(hù)平均服務(wù)滿(mǎn)意率8%以上。
當(dāng)前狀態(tài):
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240767
摘要:
針對(duì)快遞物流網(wǎng)絡(luò)，該文研究：(1) 構(gòu)建全新的快遞物流網(wǎng)的離散數(shù)學(xué)模型 (又稱(chēng)拓?fù)淠Ｐ?；(2) 根據(jù)理論基礎(chǔ)從圖論學(xué)科的角度對(duì)快遞物流網(wǎng)絡(luò)拓?fù)淠Ｐ瓦M(jìn)行定性分析，通過(guò)數(shù)學(xué)模型法結(jié)合參數(shù)統(tǒng)計(jì)、優(yōu)化算法等數(shù)學(xué)手段對(duì)模型進(jìn)行定量分析。對(duì)拓?fù)淠Ｐ椭械倪呝x予路長(zhǎng)權(quán)重，并為快遞物流網(wǎng)拓?fù)淠Ｐ驮O(shè)計(jì)了新的優(yōu)化算法(集散算法、控制集算法、預(yù)先指定子圖算法)；(3) 以蘭州市城關(guān)區(qū)主城區(qū)作為快遞物流網(wǎng)拓?fù)淠Ｐ偷膽?yīng)用實(shí)例，實(shí)施了相應(yīng)的優(yōu)化算法。同時(shí)針對(duì)模型計(jì)算面臨的復(fù)雜度等困難提出了解決辦法，為進(jìn)一步完善、優(yōu)化快遞物流網(wǎng)絡(luò)提供了一定參考。
針對(duì)快遞物流網(wǎng)絡(luò)，該文研究：(1) 構(gòu)建全新的快遞物流網(wǎng)的離散數(shù)學(xué)模型 (又稱(chēng)拓?fù)淠Ｐ?；(2) 根據(jù)理論基礎(chǔ)從圖論學(xué)科的角度對(duì)快遞物流網(wǎng)絡(luò)拓?fù)淠Ｐ瓦M(jìn)行定性分析，通過(guò)數(shù)學(xué)模型法結(jié)合參數(shù)統(tǒng)計(jì)、優(yōu)化算法等數(shù)學(xué)手段對(duì)模型進(jìn)行定量分析。對(duì)拓?fù)淠Ｐ椭械倪呝x予路長(zhǎng)權(quán)重，并為快遞物流網(wǎng)拓?fù)淠Ｐ驮O(shè)計(jì)了新的優(yōu)化算法(集散算法、控制集算法、預(yù)先指定子圖算法)；(3) 以蘭州市城關(guān)區(qū)主城區(qū)作為快遞物流網(wǎng)拓?fù)淠Ｐ偷膽?yīng)用實(shí)例，實(shí)施了相應(yīng)的優(yōu)化算法。同時(shí)針對(duì)模型計(jì)算面臨的復(fù)雜度等困難提出了解決辦法，為進(jìn)一步完善、優(yōu)化快遞物流網(wǎng)絡(luò)提供了一定參考。
當(dāng)前狀態(tài):
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240836
摘要:
火焰光場(chǎng)圖像在形成過(guò)程中夾雜的輻射噪聲和成像噪聲會(huì)降低火焰溫度場(chǎng)3維重建精度，該文提出一種基于改進(jìn)U型網(wǎng)絡(luò)(UNet)的降噪模型，該模型針對(duì)輻射噪聲和成像噪聲的特性以及復(fù)雜火焰圖像的紋理信息設(shè)計(jì)了背景凈化模塊和邊緣信息優(yōu)化模塊。通過(guò)密集卷積操作對(duì)圖像背景層進(jìn)行特征提取，著重凈化夾雜在圖像背景層的輻射噪聲。通過(guò)UNet模塊中對(duì)稱(chēng)的編碼器-解碼器網(wǎng)絡(luò)結(jié)構(gòu)和跳躍連接，對(duì)通道間的輻射噪聲和表層的成像噪聲降噪。最后利用邊緣優(yōu)化模塊對(duì)圖像細(xì)節(jié)信息進(jìn)行提取，從而獲得更高質(zhì)量的火焰光場(chǎng)圖像。數(shù)值模擬部分，在火焰光場(chǎng)圖像上混合加入信噪比為10 dB的輻射噪聲和成像噪聲，經(jīng)該文模型降噪后的峰值信噪比(PSNR)和結(jié)構(gòu)相似指數(shù)(SSIM)高達(dá)47 dB和0.9931 ，與其他降噪模型相比有明顯優(yōu)勢(shì)。隨后，將火焰光場(chǎng)圖像先經(jīng)該文降噪模型降噪，再進(jìn)行溫度場(chǎng)重建，測(cè)得重建平均相對(duì)誤差比未降噪時(shí)降低了約37%～57%，明顯提升了火焰溫度場(chǎng)3維重建的精度。實(shí)驗(yàn)部分，獲取真實(shí)蠟燭火焰和丁烷火焰光場(chǎng)圖像，經(jīng)該文降噪模型降噪后的蠟燭火焰圖像SSIM高達(dá)0.9870 ，降噪后的丁烷燃燒火焰圖像SSIM為0.9808 。
火焰光場(chǎng)圖像在形成過(guò)程中夾雜的輻射噪聲和成像噪聲會(huì)降低火焰溫度場(chǎng)3維重建精度，該文提出一種基于改進(jìn)U型網(wǎng)絡(luò)(UNet)的降噪模型，該模型針對(duì)輻射噪聲和成像噪聲的特性以及復(fù)雜火焰圖像的紋理信息設(shè)計(jì)了背景凈化模塊和邊緣信息優(yōu)化模塊。通過(guò)密集卷積操作對(duì)圖像背景層進(jìn)行特征提取，著重凈化夾雜在圖像背景層的輻射噪聲。通過(guò)UNet模塊中對(duì)稱(chēng)的編碼器-解碼器網(wǎng)絡(luò)結(jié)構(gòu)和跳躍連接，對(duì)通道間的輻射噪聲和表層的成像噪聲降噪。最后利用邊緣優(yōu)化模塊對(duì)圖像細(xì)節(jié)信息進(jìn)行提取，從而獲得更高質(zhì)量的火焰光場(chǎng)圖像。數(shù)值模擬部分，在火焰光場(chǎng)圖像上混合加入信噪比為10 dB的輻射噪聲和成像噪聲，經(jīng)該文模型降噪后的峰值信噪比(PSNR)和結(jié)構(gòu)相似指數(shù)(SSIM)高達(dá)47 dB和
當(dāng)前狀態(tài):
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240824
摘要:
針對(duì)非平穩(wěn)異常噪聲環(huán)境下擴(kuò)展目標(biāo)跟蹤問(wèn)題，該文提出一種基于高斯-學(xué)生t混合(GSTM)擴(kuò)展目標(biāo)跟蹤方法。首先，將過(guò)程噪聲和量測(cè)噪聲建模為GSTM分布，以表征非平穩(wěn)厚尾噪聲，并通過(guò)引入伯努利隨機(jī)變量，將目標(biāo)的運(yùn)動(dòng)狀態(tài)和量測(cè)似然函數(shù)建模為分層高斯形式。其次，在隨機(jī)矩陣(RMM)濾波框架下，使用變分貝葉斯方法詳細(xì)推導(dǎo)了非平穩(wěn)厚尾噪聲下的GSTM擴(kuò)展目標(biāo)跟蹤算法。該算法通過(guò)建模高斯噪聲與厚尾噪聲之間的非平穩(wěn)過(guò)程，精確表征噪聲特性，從而在非平穩(wěn)異常噪聲環(huán)境下穩(wěn)健捕捉擴(kuò)展目標(biāo)的質(zhì)心位置和輪廓形態(tài)。最后，構(gòu)建非平穩(wěn)異常噪聲環(huán)境下的擴(kuò)展目標(biāo)跟蹤仿真實(shí)驗(yàn)，并通過(guò)高斯-瓦瑟斯坦距離對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行效果評(píng)估，驗(yàn)證了所提出算法的合理性。此外，真實(shí)場(chǎng)景實(shí)驗(yàn)結(jié)果進(jìn)一步證明了該算法在實(shí)際應(yīng)用中的有效性和魯棒性。
針對(duì)非平穩(wěn)異常噪聲環(huán)境下擴(kuò)展目標(biāo)跟蹤問(wèn)題，該文提出一種基于高斯-學(xué)生t混合(GSTM)擴(kuò)展目標(biāo)跟蹤方法。首先，將過(guò)程噪聲和量測(cè)噪聲建模為GSTM分布，以表征非平穩(wěn)厚尾噪聲，并通過(guò)引入伯努利隨機(jī)變量，將目標(biāo)的運(yùn)動(dòng)狀態(tài)和量測(cè)似然函數(shù)建模為分層高斯形式。其次，在隨機(jī)矩陣(RMM)濾波框架下，使用變分貝葉斯方法詳細(xì)推導(dǎo)了非平穩(wěn)厚尾噪聲下的GSTM擴(kuò)展目標(biāo)跟蹤算法。該算法通過(guò)建模高斯噪聲與厚尾噪聲之間的非平穩(wěn)過(guò)程，精確表征噪聲特性，從而在非平穩(wěn)異常噪聲環(huán)境下穩(wěn)健捕捉擴(kuò)展目標(biāo)的質(zhì)心位置和輪廓形態(tài)。最后，構(gòu)建非平穩(wěn)異常噪聲環(huán)境下的擴(kuò)展目標(biāo)跟蹤仿真實(shí)驗(yàn)，并通過(guò)高斯-瓦瑟斯坦距離對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行效果評(píng)估，驗(yàn)證了所提出算法的合理性。此外，真實(shí)場(chǎng)景實(shí)驗(yàn)結(jié)果進(jìn)一步證明了該算法在實(shí)際應(yīng)用中的有效性和魯棒性。
當(dāng)前狀態(tài):
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240738
摘要:
針對(duì)多無(wú)人機(jī)(UAV)分布式感知開(kāi)展研究，為協(xié)調(diào)各UAV行為，該文設(shè)計(jì)了任務(wù)感知-數(shù)據(jù)回傳協(xié)議，并建立了UAV任務(wù)分配、數(shù)據(jù)回傳基站關(guān)聯(lián)與飛行策略聯(lián)合優(yōu)化混合整數(shù)非線(xiàn)性規(guī)劃問(wèn)題模型。鑒于該問(wèn)題數(shù)學(xué)結(jié)構(gòu)的復(fù)雜性，以及集中式優(yōu)化算法設(shè)計(jì)面臨計(jì)算復(fù)雜度高且信息交互開(kāi)銷(xiāo)大等不足，提出將該問(wèn)題轉(zhuǎn)化為協(xié)作式馬爾可夫博弈(MG)，定義了基于成本-效用復(fù)合的收益函數(shù)?？紤]到MG問(wèn)題連續(xù)-離散動(dòng)作空間復(fù)雜耦合特點(diǎn)，設(shè)計(jì)了基于獨(dú)立學(xué)習(xí)者(IL)的復(fù)合動(dòng)作表演評(píng)論家(MA-IL-CA2C)的MG問(wèn)題求解算法。仿真分析結(jié)果表明，相對(duì)于基線(xiàn)算法，所提算法能顯著提高系統(tǒng)收益并降低網(wǎng)絡(luò)能耗。
針對(duì)多無(wú)人機(jī)(UAV)分布式感知開(kāi)展研究，為協(xié)調(diào)各UAV行為，該文設(shè)計(jì)了任務(wù)感知-數(shù)據(jù)回傳協(xié)議，并建立了UAV任務(wù)分配、數(shù)據(jù)回傳基站關(guān)聯(lián)與飛行策略聯(lián)合優(yōu)化混合整數(shù)非線(xiàn)性規(guī)劃問(wèn)題模型。鑒于該問(wèn)題數(shù)學(xué)結(jié)構(gòu)的復(fù)雜性，以及集中式優(yōu)化算法設(shè)計(jì)面臨計(jì)算復(fù)雜度高且信息交互開(kāi)銷(xiāo)大等不足，提出將該問(wèn)題轉(zhuǎn)化為協(xié)作式馬爾可夫博弈(MG)，定義了基于成本-效用復(fù)合的收益函數(shù)?？紤]到MG問(wèn)題連續(xù)-離散動(dòng)作空間復(fù)雜耦合特點(diǎn)，設(shè)計(jì)了基于獨(dú)立學(xué)習(xí)者(IL)的復(fù)合動(dòng)作表演評(píng)論家(MA-IL-CA2C)的MG問(wèn)題求解算法。仿真分析結(jié)果表明，相對(duì)于基線(xiàn)算法，所提算法能顯著提高系統(tǒng)收益并降低網(wǎng)絡(luò)能耗。
顯示方式:
2025, 47(1): 1-21.
doi: 10.11999/JEIT240012
摘要:
通信感知一體化(ISAC)需要通信和感知共用無(wú)線(xiàn)電頻段和硬件資源。多頻段、大帶寬、通信感知對(duì)硬件的要求不同等特點(diǎn)對(duì)通信感知一體化硬件設(shè)計(jì)提出更高要求。該文對(duì)后5G, 6G, WiFi等通信感知一體化的硬件設(shè)計(jì)、驗(yàn)證技術(shù)，以及硬件系統(tǒng)性驗(yàn)證平臺(tái)進(jìn)行歸納，對(duì)國(guó)內(nèi)外近年相關(guān)硬件設(shè)計(jì)研究及其驗(yàn)證情況進(jìn)行綜述，關(guān)注通信感知兩種系統(tǒng)對(duì)硬件的需求矛盾、帶內(nèi)全雙工(IBFD)自干擾消除(SIC)、功放(PA)效率、電路性能對(duì)建模要求更高等硬件設(shè)計(jì)挑戰(zhàn)。首先，總結(jié)、比較已有研究中通信感知一體化收發(fā)信機(jī)架構(gòu)設(shè)計(jì)。然后，介紹、分析現(xiàn)有通信感知一體化帶內(nèi)全雙工自干擾抑制方案、低峰均功率比(PAPR)波形與高性能PA設(shè)計(jì)、器件高精度建模方法以及硬件系統(tǒng)性驗(yàn)證平臺(tái)。最后，總結(jié)全文并對(duì)未來(lái)通信感知一體化硬件設(shè)計(jì)所面臨的開(kāi)放性問(wèn)題進(jìn)行展望。
通信感知一體化(ISAC)需要通信和感知共用無(wú)線(xiàn)電頻段和硬件資源。多頻段、大帶寬、通信感知對(duì)硬件的要求不同等特點(diǎn)對(duì)通信感知一體化硬件設(shè)計(jì)提出更高要求。該文對(duì)后5G, 6G, WiFi等通信感知一體化的硬件設(shè)計(jì)、驗(yàn)證技術(shù)，以及硬件系統(tǒng)性驗(yàn)證平臺(tái)進(jìn)行歸納，對(duì)國(guó)內(nèi)外近年相關(guān)硬件設(shè)計(jì)研究及其驗(yàn)證情況進(jìn)行綜述，關(guān)注通信感知兩種系統(tǒng)對(duì)硬件的需求矛盾、帶內(nèi)全雙工(IBFD)自干擾消除(SIC)、功放(PA)效率、電路性能對(duì)建模要求更高等硬件設(shè)計(jì)挑戰(zhàn)。首先，總結(jié)、比較已有研究中通信感知一體化收發(fā)信機(jī)架構(gòu)設(shè)計(jì)。然后，介紹、分析現(xiàn)有通信感知一體化帶內(nèi)全雙工自干擾抑制方案、低峰均功率比(PAPR)波形與高性能PA設(shè)計(jì)、器件高精度建模方法以及硬件系統(tǒng)性驗(yàn)證平臺(tái)。最后，總結(jié)全文并對(duì)未來(lái)通信感知一體化硬件設(shè)計(jì)所面臨的開(kāi)放性問(wèn)題進(jìn)行展望。
2025, 47(1): 22-34.
doi: 10.11999/JEIT240308
摘要:
反演光刻技術(shù)(ILT)相比傳統(tǒng)的光學(xué)臨近效應(yīng)修正(OPC)，生成的掩模具有成像效果更好，工藝窗口更大等優(yōu)點(diǎn)，在當(dāng)前芯片制造的工藝尺寸不斷減小的背景下，逐漸成為主流的光刻掩模修正技術(shù)。該文首先介紹了反演光刻算法的基本原理和幾種主流實(shí)現(xiàn)方法；其次，調(diào)研了當(dāng)前反演光刻技術(shù)應(yīng)用在光刻掩模優(yōu)化問(wèn)題上的研究進(jìn)展，分析了反演光刻技術(shù)的優(yōu)勢(shì)和存在的問(wèn)題。以希望為計(jì)算光刻及相關(guān)研究領(lǐng)域的研究人員提供參考，為我國(guó)先進(jìn)集成電路產(chǎn)業(yè)的發(fā)展提供技術(shù)支持。
反演光刻技術(shù)(ILT)相比傳統(tǒng)的光學(xué)臨近效應(yīng)修正(OPC)，生成的掩模具有成像效果更好，工藝窗口更大等優(yōu)點(diǎn)，在當(dāng)前芯片制造的工藝尺寸不斷減小的背景下，逐漸成為主流的光刻掩模修正技術(shù)。該文首先介紹了反演光刻算法的基本原理和幾種主流實(shí)現(xiàn)方法；其次，調(diào)研了當(dāng)前反演光刻技術(shù)應(yīng)用在光刻掩模優(yōu)化問(wèn)題上的研究進(jìn)展，分析了反演光刻技術(shù)的優(yōu)勢(shì)和存在的問(wèn)題。以希望為計(jì)算光刻及相關(guān)研究領(lǐng)域的研究人員提供參考，為我國(guó)先進(jìn)集成電路產(chǎn)業(yè)的發(fā)展提供技術(shù)支持。
2025, 47(1): 35-47.
doi: 10.11999/JEIT240241
摘要:
第六代(6G)移動(dòng)通信網(wǎng)絡(luò)需要為大規(guī)模節(jié)點(diǎn)提供高可靠低時(shí)延通信(URLLC)服務(wù)。為此，該文針對(duì)多用戶(hù)大規(guī)模多輸入多輸出(MIMO)技術(shù)輔助的URLLC下行通信場(chǎng)景，基于有限碼長(zhǎng)( FBL)域理論表征系統(tǒng)性能，以用戶(hù)速率公平性為目標(biāo)，提出一種高效的功率分配算法。具體而言，該文首先針對(duì)傳統(tǒng)MIMO中基于全局奇異值分解(SVD)的線(xiàn)性預(yù)編碼方案復(fù)雜度高、不能兼顧用戶(hù)公平性等問(wèn)題，設(shè)計(jì)基于局部SVD的預(yù)編碼方案，以相對(duì)較低的復(fù)雜度實(shí)現(xiàn)對(duì)MIMO用戶(hù)間干擾和用戶(hù)內(nèi)干擾的有效抑制。其次，該文以功率分配因子為優(yōu)化變量、以最大化最小用戶(hù)速率(MMR)為目標(biāo)構(gòu)建優(yōu)化問(wèn)題。為解決所構(gòu)建的高維變量耦合非凸問(wèn)題，該文通過(guò)引入輔助變量、分段McCormick包絡(luò)將目標(biāo)函數(shù)中香農(nóng)容量相關(guān)項(xiàng)凸松弛處理，實(shí)現(xiàn)MMR問(wèn)題重構(gòu)。進(jìn)而該文提出基于連續(xù)凸近似(SCA)的優(yōu)化算法有效求解MMR問(wèn)題。仿真結(jié)果驗(yàn)證了所提優(yōu)化算法的收斂性與準(zhǔn)確性，同時(shí)也表明所提優(yōu)化方案相比于現(xiàn)有方案在系統(tǒng)MMR性能和魯棒性上均具有優(yōu)勢(shì)。
第六代(6G)移動(dòng)通信網(wǎng)絡(luò)需要為大規(guī)模節(jié)點(diǎn)提供高可靠低時(shí)延通信(URLLC)服務(wù)。為此，該文針對(duì)多用戶(hù)大規(guī)模多輸入多輸出(MIMO)技術(shù)輔助的URLLC下行通信場(chǎng)景，基于有限碼長(zhǎng)( FBL)域理論表征系統(tǒng)性能，以用戶(hù)速率公平性為目標(biāo)，提出一種高效的功率分配算法。具體而言，該文首先針對(duì)傳統(tǒng)MIMO中基于全局奇異值分解(SVD)的線(xiàn)性預(yù)編碼方案復(fù)雜度高、不能兼顧用戶(hù)公平性等問(wèn)題，設(shè)計(jì)基于局部SVD的預(yù)編碼方案，以相對(duì)較低的復(fù)雜度實(shí)現(xiàn)對(duì)MIMO用戶(hù)間干擾和用戶(hù)內(nèi)干擾的有效抑制。其次，該文以功率分配因子為優(yōu)化變量、以最大化最小用戶(hù)速率(MMR)為目標(biāo)構(gòu)建優(yōu)化問(wèn)題。為解決所構(gòu)建的高維變量耦合非凸問(wèn)題，該文通過(guò)引入輔助變量、分段McCormick包絡(luò)將目標(biāo)函數(shù)中香農(nóng)容量相關(guān)項(xiàng)凸松弛處理，實(shí)現(xiàn)MMR問(wèn)題重構(gòu)。進(jìn)而該文提出基于連續(xù)凸近似(SCA)的優(yōu)化算法有效求解MMR問(wèn)題。仿真結(jié)果驗(yàn)證了所提優(yōu)化算法的收斂性與準(zhǔn)確性，同時(shí)也表明所提優(yōu)化方案相比于現(xiàn)有方案在系統(tǒng)MMR性能和魯棒性上均具有優(yōu)勢(shì)。
2025, 47(1): 48-56.
doi: 10.11999/JEIT240302
摘要:
隨著無(wú)人機(jī)(UAV)系統(tǒng)的規(guī)模持續(xù)擴(kuò)大以及對(duì)更高通信速率的需求增長(zhǎng)，UAV光移動(dòng)通信(UAV-OMC)已經(jīng)成為一個(gè)有前景的技術(shù)方向。然而，傳統(tǒng)的UAV-OMC難以支持多UAV之間的通信。該文基于光學(xué)智能反射表面(OIRS)技術(shù)，提出一個(gè)適用于UAV群的分布式OMC系統(tǒng)。通過(guò)在特定的UAV上設(shè)置OIRS，利用OIRS將光信號(hào)從單個(gè)UAV節(jié)點(diǎn)擴(kuò)散到多個(gè)UAV節(jié)點(diǎn)。這一系統(tǒng)在保留UAV-OMC系統(tǒng)的高能效和高速度的同時(shí)，能夠支持分布式UAV群的通信。對(duì)所提出的系統(tǒng)進(jìn)行了數(shù)學(xué)建模，考慮了一系列現(xiàn)實(shí)因素，如OIRS的光束控制、UAV之間的相對(duì)運(yùn)動(dòng)和UAV的抖動(dòng)等，這些因素都符合實(shí)際系統(tǒng)的特點(diǎn)。此外，該文還推導(dǎo)出了系統(tǒng)的誤比特率(BER)和漸進(jìn)中斷概率的閉式表達(dá)式?；诶碚摲治龊湍M結(jié)果，討論了各個(gè)參數(shù)和系統(tǒng)設(shè)計(jì)的影響。
隨著無(wú)人機(jī)(UAV)系統(tǒng)的規(guī)模持續(xù)擴(kuò)大以及對(duì)更高通信速率的需求增長(zhǎng)，UAV光移動(dòng)通信(UAV-OMC)已經(jīng)成為一個(gè)有前景的技術(shù)方向。然而，傳統(tǒng)的UAV-OMC難以支持多UAV之間的通信。該文基于光學(xué)智能反射表面(OIRS)技術(shù)，提出一個(gè)適用于UAV群的分布式OMC系統(tǒng)。通過(guò)在特定的UAV上設(shè)置OIRS，利用OIRS將光信號(hào)從單個(gè)UAV節(jié)點(diǎn)擴(kuò)散到多個(gè)UAV節(jié)點(diǎn)。這一系統(tǒng)在保留UAV-OMC系統(tǒng)的高能效和高速度的同時(shí)，能夠支持分布式UAV群的通信。對(duì)所提出的系統(tǒng)進(jìn)行了數(shù)學(xué)建模，考慮了一系列現(xiàn)實(shí)因素，如OIRS的光束控制、UAV之間的相對(duì)運(yùn)動(dòng)和UAV的抖動(dòng)等，這些因素都符合實(shí)際系統(tǒng)的特點(diǎn)。此外，該文還推導(dǎo)出了系統(tǒng)的誤比特率(BER)和漸進(jìn)中斷概率的閉式表達(dá)式?；诶碚摲治龊湍M結(jié)果，討論了各個(gè)參數(shù)和系統(tǒng)設(shè)計(jì)的影響。
2025, 47(1): 57-65.
doi: 10.11999/JEIT240590
摘要:
針對(duì)農(nóng)村偏遠(yuǎn)地區(qū)通信不暢的臨時(shí)突發(fā)性問(wèn)題，該文提出一種自適應(yīng)的多無(wú)人機(jī)(UAV)輔助通感一體化(ISAC)機(jī)制，在地面用戶(hù)和感測(cè)目標(biāo)呈簇狀隨機(jī)分布的情況下，通過(guò)合理調(diào)度多無(wú)人機(jī)實(shí)現(xiàn)覆蓋式通信保障，為無(wú)人機(jī)使能的通感一體系統(tǒng)提供了一種新的解決思路和方案。該文主要研究了無(wú)人機(jī)空間部署及其對(duì)地面設(shè)備的波束成形等問(wèn)題，在空地關(guān)聯(lián)約束條件下，系統(tǒng)可通過(guò)優(yōu)化無(wú)人機(jī)的通信和感知波束成形變量組，最大限度地提高用戶(hù)傳輸可達(dá)速率的下限，同時(shí)保證基本的通感需求。為了有效解決所考慮的非凸優(yōu)化問(wèn)題，該文借助基于高斯核的均值漂移算法(MS)，用以處理關(guān)聯(lián)策略中的混合整型線(xiàn)性問(wèn)題，此外，結(jié)合2次變換與連續(xù)凸逼近(SCA)的相關(guān)技巧，采用塊坐標(biāo)下降(BCD)的方式優(yōu)化波束成形，以獲取次優(yōu)解。數(shù)值結(jié)果驗(yàn)證了自適應(yīng)機(jī)制的有效性。
針對(duì)農(nóng)村偏遠(yuǎn)地區(qū)通信不暢的臨時(shí)突發(fā)性問(wèn)題，該文提出一種自適應(yīng)的多無(wú)人機(jī)(UAV)輔助通感一體化(ISAC)機(jī)制，在地面用戶(hù)和感測(cè)目標(biāo)呈簇狀隨機(jī)分布的情況下，通過(guò)合理調(diào)度多無(wú)人機(jī)實(shí)現(xiàn)覆蓋式通信保障，為無(wú)人機(jī)使能的通感一體系統(tǒng)提供了一種新的解決思路和方案。該文主要研究了無(wú)人機(jī)空間部署及其對(duì)地面設(shè)備的波束成形等問(wèn)題，在空地關(guān)聯(lián)約束條件下，系統(tǒng)可通過(guò)優(yōu)化無(wú)人機(jī)的通信和感知波束成形變量組，最大限度地提高用戶(hù)傳輸可達(dá)速率的下限，同時(shí)保證基本的通感需求。為了有效解決所考慮的非凸優(yōu)化問(wèn)題，該文借助基于高斯核的均值漂移算法(MS)，用以處理關(guān)聯(lián)策略中的混合整型線(xiàn)性問(wèn)題，此外，結(jié)合2次變換與連續(xù)凸逼近(SCA)的相關(guān)技巧，采用塊坐標(biāo)下降(BCD)的方式優(yōu)化波束成形，以獲取次優(yōu)解。數(shù)值結(jié)果驗(yàn)證了自適應(yīng)機(jī)制的有效性。
2025, 47(1): 66-74.
doi: 10.11999/JEIT240083
摘要:
為了解決6G通感一體化系統(tǒng)(ISAC)中信息傳輸安全以及頻譜緊張的問(wèn)題，該文提出一種智能反射面(IRS)輔助ISAC系統(tǒng)安全資源分配算法。首先，在IRS-ISAC系統(tǒng)中，用戶(hù)受到竊聽(tīng)者的惡意攻擊時(shí)，通過(guò)干擾機(jī)發(fā)射的干擾信號(hào)和IRS智能地調(diào)節(jié)反射相移，重新配置傳輸環(huán)境，以提高系統(tǒng)的物理層安全。其次，考慮在基站和干擾機(jī)的最大發(fā)射功率約束，IRS反射相移約束以及雷達(dá)的信干噪比約束下，建立一個(gè)聯(lián)合優(yōu)化基站發(fā)射波束成形、干擾機(jī)預(yù)編碼和IRS相移的系統(tǒng)保密率最大化優(yōu)化問(wèn)題。然后，利用交替優(yōu)化和半正定松弛(SDR)算法等方法對(duì)原非凸優(yōu)化問(wèn)題進(jìn)行轉(zhuǎn)換，求出一個(gè)能夠得到確定解的凸優(yōu)化問(wèn)題。最后提出一種基于交替迭代的安全資源分配算法。仿真結(jié)果驗(yàn)證了所提算法的安全性和有效性以及IRS-ISAC系統(tǒng)的優(yōu)越性。
為了解決6G通感一體化系統(tǒng)(ISAC)中信息傳輸安全以及頻譜緊張的問(wèn)題，該文提出一種智能反射面(IRS)輔助ISAC系統(tǒng)安全資源分配算法。首先，在IRS-ISAC系統(tǒng)中，用戶(hù)受到竊聽(tīng)者的惡意攻擊時(shí)，通過(guò)干擾機(jī)發(fā)射的干擾信號(hào)和IRS智能地調(diào)節(jié)反射相移，重新配置傳輸環(huán)境，以提高系統(tǒng)的物理層安全。其次，考慮在基站和干擾機(jī)的最大發(fā)射功率約束，IRS反射相移約束以及雷達(dá)的信干噪比約束下，建立一個(gè)聯(lián)合優(yōu)化基站發(fā)射波束成形、干擾機(jī)預(yù)編碼和IRS相移的系統(tǒng)保密率最大化優(yōu)化問(wèn)題。然后，利用交替優(yōu)化和半正定松弛(SDR)算法等方法對(duì)原非凸優(yōu)化問(wèn)題進(jìn)行轉(zhuǎn)換，求出一個(gè)能夠得到確定解的凸優(yōu)化問(wèn)題。最后提出一種基于交替迭代的安全資源分配算法。仿真結(jié)果驗(yàn)證了所提算法的安全性和有效性以及IRS-ISAC系統(tǒng)的優(yōu)越性。
2025, 47(1): 75-83.
doi: 10.11999/JEIT240395
摘要:
環(huán)境反向散射通信(AmBC)是一種新型的低功耗通信技術(shù)，它能利用周?chē)h(huán)境中的射頻(RF)信號(hào)源實(shí)現(xiàn)無(wú)源信息傳輸，但由于其存在雙重衰落、障礙物阻擋等問(wèn)題，導(dǎo)致反射鏈路信號(hào)強(qiáng)度弱。為此，該文將智能反射面(IRS)引入到AmBC系統(tǒng)中用以增強(qiáng)反射鏈路增益。然而，IRS與標(biāo)簽均為無(wú)源器件使得信道估計(jì)極具挑戰(zhàn)性。為此，該文提出了一種IRS輔助的AmBC系統(tǒng)信道估計(jì)方案。首先，將信道分解為多個(gè)子信道，其中，反射鏈路的每個(gè)子信道對(duì)應(yīng)一個(gè)IRS反射單元。然后，將最小二乘(LS)法作為估計(jì)準(zhǔn)則，以最小化均方誤差(MSE)為目標(biāo)，探索了IRS反射模式與信道估計(jì)的聯(lián)合設(shè)計(jì)。仿真結(jié)果表明，該信道估計(jì)方案具有良好的估計(jì)性能。
環(huán)境反向散射通信(AmBC)是一種新型的低功耗通信技術(shù)，它能利用周?chē)h(huán)境中的射頻(RF)信號(hào)源實(shí)現(xiàn)無(wú)源信息傳輸，但由于其存在雙重衰落、障礙物阻擋等問(wèn)題，導(dǎo)致反射鏈路信號(hào)強(qiáng)度弱。為此，該文將智能反射面(IRS)引入到AmBC系統(tǒng)中用以增強(qiáng)反射鏈路增益。然而，IRS與標(biāo)簽均為無(wú)源器件使得信道估計(jì)極具挑戰(zhàn)性。為此，該文提出了一種IRS輔助的AmBC系統(tǒng)信道估計(jì)方案。首先，將信道分解為多個(gè)子信道，其中，反射鏈路的每個(gè)子信道對(duì)應(yīng)一個(gè)IRS反射單元。然后，將最小二乘(LS)法作為估計(jì)準(zhǔn)則，以最小化均方誤差(MSE)為目標(biāo)，探索了IRS反射模式與信道估計(jì)的聯(lián)合設(shè)計(jì)。仿真結(jié)果表明，該信道估計(jì)方案具有良好的估計(jì)性能。
2025, 47(1): 84-92.
doi: 10.11999/JEIT240003
摘要:
作為一種基于軟硬件資源共享和信息共享的新型信息通信技術(shù)，通感一體化(ISAC)可將無(wú)線(xiàn)感知集成到Wi-Fi平臺(tái)，為低成本的室內(nèi)定位提供一種高效的方法。針對(duì)室內(nèi)定位參數(shù)估計(jì)實(shí)時(shí)性與準(zhǔn)確性問(wèn)題，該文提出一種基于3維矩陣束(MP)聯(lián)合參數(shù)估計(jì)算法。首先，對(duì)信道狀態(tài)信息(CSI)數(shù)據(jù)進(jìn)行分析，構(gòu)建包含到達(dá)角(AoA)、飛行時(shí)間(ToF)和多普勒頻移(DFS)的3維矩陣。其次，對(duì)3維矩陣進(jìn)行平滑處理并利用3維MP算法進(jìn)行參數(shù)估計(jì)，通過(guò)聚類(lèi)找到直達(dá)徑。最后，利用雙角定位法進(jìn)行定位，驗(yàn)證該文所提算法的有效性。實(shí)驗(yàn)結(jié)果表明，與多重信號(hào)分類(lèi)(MUSIC)參數(shù)估計(jì)算法相比，無(wú)需復(fù)雜的峰值搜索步驟，降低了90%計(jì)算復(fù)雜度。與2維MP算法相比，加入多普勒參數(shù)，使AoA估計(jì)誤差均值在會(huì)議室和教室兩種場(chǎng)景下分別降低了1.45°和2°。該文通過(guò)實(shí)際測(cè)試驗(yàn)證了所提算法在室內(nèi)可以達(dá)到在置信度67%處平均0.56 m的定位精度。因此，該文所提算法有效地改善了現(xiàn)有室內(nèi)定位參數(shù)估計(jì)的實(shí)時(shí)性和準(zhǔn)確性。
作為一種基于軟硬件資源共享和信息共享的新型信息通信技術(shù)，通感一體化(ISAC)可將無(wú)線(xiàn)感知集成到Wi-Fi平臺(tái)，為低成本的室內(nèi)定位提供一種高效的方法。針對(duì)室內(nèi)定位參數(shù)估計(jì)實(shí)時(shí)性與準(zhǔn)確性問(wèn)題，該文提出一種基于3維矩陣束(MP)聯(lián)合參數(shù)估計(jì)算法。首先，對(duì)信道狀態(tài)信息(CSI)數(shù)據(jù)進(jìn)行分析，構(gòu)建包含到達(dá)角(AoA)、飛行時(shí)間(ToF)和多普勒頻移(DFS)的3維矩陣。其次，對(duì)3維矩陣進(jìn)行平滑處理并利用3維MP算法進(jìn)行參數(shù)估計(jì)，通過(guò)聚類(lèi)找到直達(dá)徑。最后，利用雙角定位法進(jìn)行定位，驗(yàn)證該文所提算法的有效性。實(shí)驗(yàn)結(jié)果表明，與多重信號(hào)分類(lèi)(MUSIC)參數(shù)估計(jì)算法相比，無(wú)需復(fù)雜的峰值搜索步驟，降低了90%計(jì)算復(fù)雜度。與2維MP算法相比，加入多普勒參數(shù)，使AoA估計(jì)誤差均值在會(huì)議室和教室兩種場(chǎng)景下分別降低了1.45°和2°。該文通過(guò)實(shí)際測(cè)試驗(yàn)證了所提算法在室內(nèi)可以達(dá)到在置信度67%處平均0.56 m的定位精度。因此，該文所提算法有效地改善了現(xiàn)有室內(nèi)定位參數(shù)估計(jì)的實(shí)時(shí)性和準(zhǔn)確性。
2025, 47(1): 93-101.
doi: 10.11999/JEIT231120
摘要:
衛(wèi)星物聯(lián)網(wǎng)終端低功耗、輕控制的設(shè)計(jì)需求導(dǎo)致系統(tǒng)采用常規(guī)隨機(jī)接入?yún)f(xié)議時(shí)易發(fā)生大量碰撞，難以滿(mǎn)足系統(tǒng)吞吐量要求?，F(xiàn)有容碰撞隨機(jī)接入技術(shù)依賴(lài)功率控制、波形積累的方式，在實(shí)際中難以實(shí)現(xiàn)。該文分析了功率域碰撞分離所需條件，提出面向功率域信號(hào)分離的輔助波束設(shè)計(jì)方案，在常規(guī)接收波束外增設(shè)輔助接收波束，通過(guò)優(yōu)化輔助波束增益構(gòu)造接收信號(hào)信噪比差異，支撐碰撞信號(hào)分離。仿真表明，所提方案能夠顯著提升隨機(jī)接入的吞吐量。
衛(wèi)星物聯(lián)網(wǎng)終端低功耗、輕控制的設(shè)計(jì)需求導(dǎo)致系統(tǒng)采用常規(guī)隨機(jī)接入?yún)f(xié)議時(shí)易發(fā)生大量碰撞，難以滿(mǎn)足系統(tǒng)吞吐量要求?，F(xiàn)有容碰撞隨機(jī)接入技術(shù)依賴(lài)功率控制、波形積累的方式，在實(shí)際中難以實(shí)現(xiàn)。該文分析了功率域碰撞分離所需條件，提出面向功率域信號(hào)分離的輔助波束設(shè)計(jì)方案，在常規(guī)接收波束外增設(shè)輔助接收波束，通過(guò)優(yōu)化輔助波束增益構(gòu)造接收信號(hào)信噪比差異，支撐碰撞信號(hào)分離。仿真表明，所提方案能夠顯著提升隨機(jī)接入的吞吐量。
2025, 47(1): 102-115.
doi: 10.11999/JEIT240464
摘要:
針對(duì)移動(dòng)用戶(hù)數(shù)量迅猛增長(zhǎng)和地面基礎(chǔ)設(shè)施分布稀疏所帶來(lái)的挑戰(zhàn)，該文提出一種能量收集輔助的空地協(xié)同計(jì)算卸載架構(gòu)。該架構(gòu)充分利用無(wú)人機(jī)(UAVs)的靈活機(jī)動(dòng)性和路側(cè)單元(RSUs)及基站(BS)的強(qiáng)大算力，實(shí)現(xiàn)了任務(wù)計(jì)算的動(dòng)態(tài)實(shí)時(shí)分發(fā)。特別地，無(wú)人機(jī)通過(guò)能量收集來(lái)維持其持續(xù)運(yùn)行和穩(wěn)定的計(jì)算性能?？紤]到無(wú)人機(jī)與地面車(chē)輛的高動(dòng)態(tài)性、車(chē)輛計(jì)算任務(wù)的隨機(jī)性，以及信道模型的時(shí)變性，提出一個(gè)能耗受限的長(zhǎng)期優(yōu)化問(wèn)題，旨在從全局角度有效降低整個(gè)系統(tǒng)的平均時(shí)延。為了解決這一復(fù)雜的混合整數(shù)規(guī)劃(MIP)問(wèn)題，提出一種基于改進(jìn)演員-評(píng)論家(Actor-Critic)強(qiáng)化學(xué)習(xí)算法的計(jì)算卸載策略(IACA)。該算法運(yùn)用李雅普諾夫優(yōu)化技術(shù)，將長(zhǎng)期系統(tǒng)時(shí)延優(yōu)化問(wèn)題分解為一系列易于處理的幀級(jí)子問(wèn)題。然后，利用遺傳算法計(jì)算目標(biāo)Q值替代目標(biāo)神經(jīng)網(wǎng)絡(luò)輸出以調(diào)整強(qiáng)化學(xué)習(xí)進(jìn)化方向，有效避免了算法陷入局部最優(yōu)，從而實(shí)現(xiàn)動(dòng)態(tài)車(chē)輛網(wǎng)絡(luò)中的高效卸載和資源優(yōu)化。通過(guò)綜合仿真驗(yàn)證了所提計(jì)算卸載架構(gòu)和算法的可行性和優(yōu)越性。
針對(duì)移動(dòng)用戶(hù)數(shù)量迅猛增長(zhǎng)和地面基礎(chǔ)設(shè)施分布稀疏所帶來(lái)的挑戰(zhàn)，該文提出一種能量收集輔助的空地協(xié)同計(jì)算卸載架構(gòu)。該架構(gòu)充分利用無(wú)人機(jī)(UAVs)的靈活機(jī)動(dòng)性和路側(cè)單元(RSUs)及基站(BS)的強(qiáng)大算力，實(shí)現(xiàn)了任務(wù)計(jì)算的動(dòng)態(tài)實(shí)時(shí)分發(fā)。特別地，無(wú)人機(jī)通過(guò)能量收集來(lái)維持其持續(xù)運(yùn)行和穩(wěn)定的計(jì)算性能?？紤]到無(wú)人機(jī)與地面車(chē)輛的高動(dòng)態(tài)性、車(chē)輛計(jì)算任務(wù)的隨機(jī)性，以及信道模型的時(shí)變性，提出一個(gè)能耗受限的長(zhǎng)期優(yōu)化問(wèn)題，旨在從全局角度有效降低整個(gè)系統(tǒng)的平均時(shí)延。為了解決這一復(fù)雜的混合整數(shù)規(guī)劃(MIP)問(wèn)題，提出一種基于改進(jìn)演員-評(píng)論家(Actor-Critic)強(qiáng)化學(xué)習(xí)算法的計(jì)算卸載策略(IACA)。該算法運(yùn)用李雅普諾夫優(yōu)化技術(shù)，將長(zhǎng)期系統(tǒng)時(shí)延優(yōu)化問(wèn)題分解為一系列易于處理的幀級(jí)子問(wèn)題。然后，利用遺傳算法計(jì)算目標(biāo)Q值替代目標(biāo)神經(jīng)網(wǎng)絡(luò)輸出以調(diào)整強(qiáng)化學(xué)習(xí)進(jìn)化方向，有效避免了算法陷入局部最優(yōu)，從而實(shí)現(xiàn)動(dòng)態(tài)車(chē)輛網(wǎng)絡(luò)中的高效卸載和資源優(yōu)化。通過(guò)綜合仿真驗(yàn)證了所提計(jì)算卸載架構(gòu)和算法的可行性和優(yōu)越性。
2025, 47(1): 116-127.
doi: 10.11999/JEIT240624
摘要:
基于單智能體強(qiáng)化學(xué)習(xí)的任務(wù)卸載算法在解決大規(guī)模多接入邊緣計(jì)算(MEC)系統(tǒng)任務(wù)卸載時(shí)，存在智能體之間相互影響，策略退化的問(wèn)題。而以多智能體深度確定性策略梯度(MADDPG)為代表的傳統(tǒng)多智能體算法的聯(lián)合動(dòng)作空間維度隨著系統(tǒng)內(nèi)智能體的數(shù)量增加而成比例增加，導(dǎo)致系統(tǒng)擴(kuò)展性變差。為解決以上問(wèn)題，該文將大規(guī)模多接入邊緣計(jì)算任務(wù)卸載問(wèn)題，描述為部分可觀(guān)測(cè)馬爾可夫決策過(guò)程(POMDP)，提出基于平均場(chǎng)多智能體的任務(wù)卸載算法。通過(guò)引入長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)解決局部觀(guān)測(cè)問(wèn)題，引入平均場(chǎng)近似理論降低聯(lián)合動(dòng)作空間維度。仿真結(jié)果表明，所提算法在任務(wù)時(shí)延與任務(wù)掉線(xiàn)率上的性能優(yōu)于單智能體任務(wù)卸載算法，并且在降低聯(lián)合動(dòng)作空間的維度情況下，任務(wù)時(shí)延與任務(wù)掉線(xiàn)率上的性能與MADDPG一致。
基于單智能體強(qiáng)化學(xué)習(xí)的任務(wù)卸載算法在解決大規(guī)模多接入邊緣計(jì)算(MEC)系統(tǒng)任務(wù)卸載時(shí)，存在智能體之間相互影響，策略退化的問(wèn)題。而以多智能體深度確定性策略梯度(MADDPG)為代表的傳統(tǒng)多智能體算法的聯(lián)合動(dòng)作空間維度隨著系統(tǒng)內(nèi)智能體的數(shù)量增加而成比例增加，導(dǎo)致系統(tǒng)擴(kuò)展性變差。為解決以上問(wèn)題，該文將大規(guī)模多接入邊緣計(jì)算任務(wù)卸載問(wèn)題，描述為部分可觀(guān)測(cè)馬爾可夫決策過(guò)程(POMDP)，提出基于平均場(chǎng)多智能體的任務(wù)卸載算法。通過(guò)引入長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)解決局部觀(guān)測(cè)問(wèn)題，引入平均場(chǎng)近似理論降低聯(lián)合動(dòng)作空間維度。仿真結(jié)果表明，所提算法在任務(wù)時(shí)延與任務(wù)掉線(xiàn)率上的性能優(yōu)于單智能體任務(wù)卸載算法，并且在降低聯(lián)合動(dòng)作空間的維度情況下，任務(wù)時(shí)延與任務(wù)掉線(xiàn)率上的性能與MADDPG一致。
2025, 47(1): 128-137.
doi: 10.11999/JEIT240051
摘要:
針對(duì)可重構(gòu)智能超表面(RIS)輔助多用戶(hù)系統(tǒng)中基站和RIS聯(lián)合波束成形設(shè)計(jì)問(wèn)題，該文提出通用低復(fù)雜度聯(lián)合波束成形設(shè)計(jì)方案。首先，分析RIS輔助多用戶(hù)系統(tǒng)以最大化和數(shù)據(jù)速率為目標(biāo)的聯(lián)合波束成形非凸優(yōu)化問(wèn)題。其次，利用波束導(dǎo)向矢量近似正交性設(shè)計(jì)RIS反射矩陣，進(jìn)一步利用迫零方法設(shè)計(jì)基站發(fā)射波束成形，并對(duì)多用戶(hù)進(jìn)行功率分配優(yōu)化。最后，討論該方案適用性并對(duì)比該方案的計(jì)算復(fù)雜度相比現(xiàn)有方案降低了一個(gè)數(shù)量級(jí)。仿真結(jié)果表明，所提通用低復(fù)雜度波束成形設(shè)計(jì)可以獲得較高和數(shù)據(jù)速率，并且采用最優(yōu)功率分配可以進(jìn)一步提高和數(shù)據(jù)速率。此外，仿真結(jié)果和理論分析都表明系統(tǒng)和數(shù)據(jù)速率隨RIS位置的變化而變化，該結(jié)論為RIS位置的選擇提供參考依據(jù)。
針對(duì)可重構(gòu)智能超表面(RIS)輔助多用戶(hù)系統(tǒng)中基站和RIS聯(lián)合波束成形設(shè)計(jì)問(wèn)題，該文提出通用低復(fù)雜度聯(lián)合波束成形設(shè)計(jì)方案。首先，分析RIS輔助多用戶(hù)系統(tǒng)以最大化和數(shù)據(jù)速率為目標(biāo)的聯(lián)合波束成形非凸優(yōu)化問(wèn)題。其次，利用波束導(dǎo)向矢量近似正交性設(shè)計(jì)RIS反射矩陣，進(jìn)一步利用迫零方法設(shè)計(jì)基站發(fā)射波束成形，并對(duì)多用戶(hù)進(jìn)行功率分配優(yōu)化。最后，討論該方案適用性并對(duì)比該方案的計(jì)算復(fù)雜度相比現(xiàn)有方案降低了一個(gè)數(shù)量級(jí)。仿真結(jié)果表明，所提通用低復(fù)雜度波束成形設(shè)計(jì)可以獲得較高和數(shù)據(jù)速率，并且采用最優(yōu)功率分配可以進(jìn)一步提高和數(shù)據(jù)速率。此外，仿真結(jié)果和理論分析都表明系統(tǒng)和數(shù)據(jù)速率隨RIS位置的變化而變化，該結(jié)論為RIS位置的選擇提供參考依據(jù)。
2025, 47(1): 138-146.
doi: 10.11999/JEIT240236
摘要:
作為一種通過(guò)算法智能地控制信號(hào)反射來(lái)重構(gòu)無(wú)線(xiàn)通信環(huán)境的新技術(shù)，智能反射面(IRS)近年來(lái)受到了廣泛關(guān)注。與傳統(tǒng)的中繼系統(tǒng)相比，IRS輔助的中繼系統(tǒng)可有效節(jié)約成本和能耗，并顯著提高系統(tǒng)性能。然而，配備離散移相器的IRS會(huì)導(dǎo)致相位量化誤差，從而降低接收機(jī)的接收性能。為了分析IRS相位量化誤差導(dǎo)致的性能損失，該文基于弱大數(shù)定律和瑞利分布，在瑞利信道下，推導(dǎo)了關(guān)于移相器量化比特?cái)?shù)的雙IRS輔助放大轉(zhuǎn)發(fā)中繼網(wǎng)絡(luò)的信噪比性能損失與可達(dá)速率的閉合表達(dá)式。此外，基于Taylor級(jí)數(shù)展開(kāi)表達(dá)式，推導(dǎo)了其近似性能損失閉合表達(dá)式。仿真結(jié)果表明，系統(tǒng)的信噪比和可達(dá)速率性能損失隨著量化比特?cái)?shù)的增加而逐漸減小，而隨著 IRS 相移元件數(shù)的增加而逐漸增大。當(dāng)量化比特?cái)?shù)為4時(shí)，系統(tǒng)的信噪比和可達(dá)速率性能損失分別小于0.06 dB 和0.03 bit/(s·Hz)。
作為一種通過(guò)算法智能地控制信號(hào)反射來(lái)重構(gòu)無(wú)線(xiàn)通信環(huán)境的新技術(shù)，智能反射面(IRS)近年來(lái)受到了廣泛關(guān)注。與傳統(tǒng)的中繼系統(tǒng)相比，IRS輔助的中繼系統(tǒng)可有效節(jié)約成本和能耗，并顯著提高系統(tǒng)性能。然而，配備離散移相器的IRS會(huì)導(dǎo)致相位量化誤差，從而降低接收機(jī)的接收性能。為了分析IRS相位量化誤差導(dǎo)致的性能損失，該文基于弱大數(shù)定律和瑞利分布，在瑞利信道下，推導(dǎo)了關(guān)于移相器量化比特?cái)?shù)的雙IRS輔助放大轉(zhuǎn)發(fā)中繼網(wǎng)絡(luò)的信噪比性能損失與可達(dá)速率的閉合表達(dá)式。此外，基于Taylor級(jí)數(shù)展開(kāi)表達(dá)式，推導(dǎo)了其近似性能損失閉合表達(dá)式。仿真結(jié)果表明，系統(tǒng)的信噪比和可達(dá)速率性能損失隨著量化比特?cái)?shù)的增加而逐漸減小，而隨著 IRS 相移元件數(shù)的增加而逐漸增大。當(dāng)量化比特?cái)?shù)為4時(shí)，系統(tǒng)的信噪比和可達(dá)速率性能損失分別小于0.06 dB 和0.03 bit/(s·Hz)。
2025, 47(1): 147-155.
doi: 10.11999/JEIT240018
摘要:
同時(shí)透射和反射可重構(gòu)智能表面(STAR-RIS)能夠創(chuàng)建全空間智能無(wú)線(xiàn)電環(huán)境，有效提高無(wú)線(xiàn)通信系統(tǒng)性能，具有廣闊的研究潛力。因此，該文提出一種大規(guī)模STAR-RIS輔助的近場(chǎng)通感一體化(ISAC)方法，并對(duì)感知目標(biāo)3維參數(shù)估計(jì)的克拉美羅界(CRB)進(jìn)行優(yōu)化。首先，搭建近場(chǎng)系統(tǒng)模型，分別推導(dǎo)基站、STAR-RIS、通信用戶(hù)、感知目標(biāo)與傳感器之間的導(dǎo)向矢量。其次，通過(guò)設(shè)計(jì)基站發(fā)射波束成形矩陣、發(fā)射信號(hào)協(xié)方差矩陣和STAR-RIS透射反射系數(shù)，實(shí)現(xiàn)感知性能最優(yōu)化。再次，針對(duì)非凸優(yōu)化問(wèn)題利用半正定松弛方法進(jìn)行求解。仿真結(jié)果表明了所提出ISAC方案的有效性，以及近場(chǎng)額外距離自由度所帶來(lái)的定位性能優(yōu)勢(shì)。
同時(shí)透射和反射可重構(gòu)智能表面(STAR-RIS)能夠創(chuàng)建全空間智能無(wú)線(xiàn)電環(huán)境，有效提高無(wú)線(xiàn)通信系統(tǒng)性能，具有廣闊的研究潛力。因此，該文提出一種大規(guī)模STAR-RIS輔助的近場(chǎng)通感一體化(ISAC)方法，并對(duì)感知目標(biāo)3維參數(shù)估計(jì)的克拉美羅界(CRB)進(jìn)行優(yōu)化。首先，搭建近場(chǎng)系統(tǒng)模型，分別推導(dǎo)基站、STAR-RIS、通信用戶(hù)、感知目標(biāo)與傳感器之間的導(dǎo)向矢量。其次，通過(guò)設(shè)計(jì)基站發(fā)射波束成形矩陣、發(fā)射信號(hào)協(xié)方差矩陣和STAR-RIS透射反射系數(shù)，實(shí)現(xiàn)感知性能最優(yōu)化。再次，針對(duì)非凸優(yōu)化問(wèn)題利用半正定松弛方法進(jìn)行求解。仿真結(jié)果表明了所提出ISAC方案的有效性，以及近場(chǎng)額外距離自由度所帶來(lái)的定位性能優(yōu)勢(shì)。
2025, 47(1): 156-166.
doi: 10.11999/JEIT240469
摘要:
針對(duì)存在突變測(cè)量偏差和未知時(shí)變量測(cè)噪聲場(chǎng)景下的目標(biāo)跟蹤問(wèn)題，該文提出一種偏差未補(bǔ)償自適應(yīng)邊緣化容積卡爾曼濾波跟蹤方法。首先通過(guò)建立差分量測(cè)方程來(lái)消除恒定的測(cè)量偏差，同時(shí)構(gòu)建滿(mǎn)足beta-Bernoulli分布的指示變量識(shí)別突變測(cè)量偏差，將相鄰時(shí)刻目標(biāo)狀態(tài)擴(kuò)維以滿(mǎn)足實(shí)時(shí)濾波需求，利用逆Wishart分布建模未知量測(cè)噪聲協(xié)方差矩陣，從而建立目標(biāo)狀態(tài)、指示變量、噪聲協(xié)方差矩陣的聯(lián)合分布，并通過(guò)變分貝葉斯推斷來(lái)求解各個(gè)參數(shù)的近似后驗(yàn)。為減小濾波負(fù)擔(dān)，對(duì)擴(kuò)維后的狀態(tài)向量進(jìn)行邊緣化處理，結(jié)合容積卡爾曼濾波方法實(shí)現(xiàn)邊緣化容積卡爾曼濾波跟蹤。仿真實(shí)驗(yàn)結(jié)果表明，所提方法能夠同時(shí)處理突變測(cè)量偏差和未知時(shí)變量測(cè)噪聲，從而對(duì)目標(biāo)進(jìn)行有效跟蹤。
針對(duì)存在突變測(cè)量偏差和未知時(shí)變量測(cè)噪聲場(chǎng)景下的目標(biāo)跟蹤問(wèn)題，該文提出一種偏差未補(bǔ)償自適應(yīng)邊緣化容積卡爾曼濾波跟蹤方法。首先通過(guò)建立差分量測(cè)方程來(lái)消除恒定的測(cè)量偏差，同時(shí)構(gòu)建滿(mǎn)足beta-Bernoulli分布的指示變量識(shí)別突變測(cè)量偏差，將相鄰時(shí)刻目標(biāo)狀態(tài)擴(kuò)維以滿(mǎn)足實(shí)時(shí)濾波需求，利用逆Wishart分布建模未知量測(cè)噪聲協(xié)方差矩陣，從而建立目標(biāo)狀態(tài)、指示變量、噪聲協(xié)方差矩陣的聯(lián)合分布，并通過(guò)變分貝葉斯推斷來(lái)求解各個(gè)參數(shù)的近似后驗(yàn)。為減小濾波負(fù)擔(dān)，對(duì)擴(kuò)維后的狀態(tài)向量進(jìn)行邊緣化處理，結(jié)合容積卡爾曼濾波方法實(shí)現(xiàn)邊緣化容積卡爾曼濾波跟蹤。仿真實(shí)驗(yàn)結(jié)果表明，所提方法能夠同時(shí)處理突變測(cè)量偏差和未知時(shí)變量測(cè)噪聲，從而對(duì)目標(biāo)進(jìn)行有效跟蹤。
2025, 47(1): 167-177.
doi: 10.11999/JEIT240595
摘要:
在復(fù)雜的海洋環(huán)境中，目標(biāo)的可知信息受環(huán)境噪聲、混響等的干擾嚴(yán)重，導(dǎo)致目標(biāo)跟蹤效果較差，而從這些干擾中提取目標(biāo)的可利用特征及其困難。該文將目標(biāo)與環(huán)境的耦合特征融入目標(biāo)跟蹤算法中，提出了一種基于主動(dòng)波導(dǎo)不變量分布的改進(jìn)擴(kuò)展卡爾曼濾波跟蹤方法。首先基于淺海波導(dǎo)中目標(biāo)散射特性基本理論，推導(dǎo)了收發(fā)分置條件下的主動(dòng)波導(dǎo)不變量表征的數(shù)學(xué)模型，獲得了距離、頻率以及主動(dòng)波導(dǎo)不變量分布的約束關(guān)系；然后將該約束加入到擴(kuò)展卡爾曼濾波的狀態(tài)向量中，通過(guò)增加新的約束來(lái)提高目標(biāo)運(yùn)動(dòng)模型與真實(shí)目標(biāo)運(yùn)動(dòng)軌跡的契合度進(jìn)而提高目標(biāo)跟蹤的精度；最后通過(guò)仿真實(shí)驗(yàn)和實(shí)測(cè)數(shù)據(jù)驗(yàn)證了該方法的跟蹤性能，結(jié)果顯示：該方法較常規(guī)擴(kuò)展卡爾曼濾波跟蹤方法能夠更好地提高目標(biāo)跟蹤精度，仿真中結(jié)果的優(yōu)化率約能達(dá)到50%，實(shí)測(cè)數(shù)據(jù)處理結(jié)果的優(yōu)化率約在60%左右。
在復(fù)雜的海洋環(huán)境中，目標(biāo)的可知信息受環(huán)境噪聲、混響等的干擾嚴(yán)重，導(dǎo)致目標(biāo)跟蹤效果較差，而從這些干擾中提取目標(biāo)的可利用特征及其困難。該文將目標(biāo)與環(huán)境的耦合特征融入目標(biāo)跟蹤算法中，提出了一種基于主動(dòng)波導(dǎo)不變量分布的改進(jìn)擴(kuò)展卡爾曼濾波跟蹤方法。首先基于淺海波導(dǎo)中目標(biāo)散射特性基本理論，推導(dǎo)了收發(fā)分置條件下的主動(dòng)波導(dǎo)不變量表征的數(shù)學(xué)模型，獲得了距離、頻率以及主動(dòng)波導(dǎo)不變量分布的約束關(guān)系；然后將該約束加入到擴(kuò)展卡爾曼濾波的狀態(tài)向量中，通過(guò)增加新的約束來(lái)提高目標(biāo)運(yùn)動(dòng)模型與真實(shí)目標(biāo)運(yùn)動(dòng)軌跡的契合度進(jìn)而提高目標(biāo)跟蹤的精度；最后通過(guò)仿真實(shí)驗(yàn)和實(shí)測(cè)數(shù)據(jù)驗(yàn)證了該方法的跟蹤性能，結(jié)果顯示：該方法較常規(guī)擴(kuò)展卡爾曼濾波跟蹤方法能夠更好地提高目標(biāo)跟蹤精度，仿真中結(jié)果的優(yōu)化率約能達(dá)到50%，實(shí)測(cè)數(shù)據(jù)處理結(jié)果的優(yōu)化率約在60%左右。
2025, 47(1): 178-187.
doi: 10.11999/JEIT240348
摘要:
互質(zhì)陣列因具有較低的互耦效應(yīng)而備受關(guān)注，但交替部署的子陣卻在一定程度上限制了連續(xù)自由度的提升。針對(duì)上述問(wèn)題，該文在分析子陣互差集中冗余虛擬陣元產(chǎn)生條件的基礎(chǔ)上，提出了兩種子陣移位互質(zhì)陣列(Coprime Array with Translated Subarray, CATrS)，以改善自由度性能。首先，將子陣平移至適當(dāng)位置以?xún)?yōu)化布陣結(jié)構(gòu)，并分析了子陣的平移距離。隨后，推導(dǎo)了CATrS結(jié)構(gòu)的自由度、連續(xù)自由度、孔洞位置和虛擬陣元權(quán)重的閉合表達(dá)式。理論分析表明，CATrS結(jié)構(gòu)能夠在保持物理陣元數(shù)量不變的條件下，有效增加自由度和連續(xù)自由度，并抑制陣元互耦。最后，利用仿真實(shí)驗(yàn)驗(yàn)證了CATrS結(jié)構(gòu)在波達(dá)方向估計(jì)中的優(yōu)越性。
互質(zhì)陣列因具有較低的互耦效應(yīng)而備受關(guān)注，但交替部署的子陣卻在一定程度上限制了連續(xù)自由度的提升。針對(duì)上述問(wèn)題，該文在分析子陣互差集中冗余虛擬陣元產(chǎn)生條件的基礎(chǔ)上，提出了兩種子陣移位互質(zhì)陣列(Coprime Array with Translated Subarray, CATrS)，以改善自由度性能。首先，將子陣平移至適當(dāng)位置以?xún)?yōu)化布陣結(jié)構(gòu)，并分析了子陣的平移距離。隨后，推導(dǎo)了CATrS結(jié)構(gòu)的自由度、連續(xù)自由度、孔洞位置和虛擬陣元權(quán)重的閉合表達(dá)式。理論分析表明，CATrS結(jié)構(gòu)能夠在保持物理陣元數(shù)量不變的條件下，有效增加自由度和連續(xù)自由度，并抑制陣元互耦。最后，利用仿真實(shí)驗(yàn)驗(yàn)證了CATrS結(jié)構(gòu)在波達(dá)方向估計(jì)中的優(yōu)越性。
2025, 47(1): 188-200.
doi: 10.11999/JEIT240521
摘要:
非完備、高動(dòng)態(tài)有源干擾對(duì)抗作戰(zhàn)環(huán)境下，現(xiàn)階段針對(duì)庫(kù)內(nèi)多類(lèi)型單一有源干擾樣本所優(yōu)化訓(xùn)練的靜態(tài)模型，在面對(duì)庫(kù)外類(lèi)型多樣、參數(shù)多變、組合方式多元的復(fù)合干擾時(shí)，模型無(wú)法快速更新且難以應(yīng)對(duì)測(cè)試樣本數(shù)非均衡問(wèn)題。針對(duì)此問(wèn)題，該文提出一種基于零記憶增量學(xué)習(xí)的雷達(dá)復(fù)合有源干擾識(shí)別方法。首先，利用元學(xué)習(xí)訓(xùn)練模式對(duì)庫(kù)內(nèi)單一干擾進(jìn)行原型學(xué)習(xí)，訓(xùn)練出高效的特征提取器，使其具備對(duì)庫(kù)外復(fù)合干擾特征有效提取能力。進(jìn)而，基于超維空間和余弦相似度計(jì)算，構(gòu)建零記憶增量學(xué)習(xí)網(wǎng)絡(luò)(ZMILN)，將復(fù)合干擾原型向量映射到超維空間并存儲(chǔ)，從而實(shí)現(xiàn)識(shí)別模型動(dòng)態(tài)更新。此外，為解決樣本數(shù)非均衡下復(fù)合干擾識(shí)別問(wèn)題，設(shè)計(jì)直推式信息最大化(TIM)測(cè)試模塊，通過(guò)在互信息損失函數(shù)中加入散度約束，對(duì)識(shí)別模型進(jìn)一步強(qiáng)化訓(xùn)練以應(yīng)對(duì)非均衡測(cè)試樣本。實(shí)驗(yàn)結(jié)果表明，該文所提方法在非均衡測(cè)試條件下對(duì)4種單一干擾和7種復(fù)合干擾進(jìn)行增量學(xué)習(xí)后，平均識(shí)別準(zhǔn)確率達(dá)到了93.62%。該方法通過(guò)對(duì)庫(kù)內(nèi)多類(lèi)型單一干擾知識(shí)充分提取，實(shí)現(xiàn)對(duì)多種組合條件下庫(kù)外復(fù)合干擾的快速動(dòng)態(tài)識(shí)別。
非完備、高動(dòng)態(tài)有源干擾對(duì)抗作戰(zhàn)環(huán)境下，現(xiàn)階段針對(duì)庫(kù)內(nèi)多類(lèi)型單一有源干擾樣本所優(yōu)化訓(xùn)練的靜態(tài)模型，在面對(duì)庫(kù)外類(lèi)型多樣、參數(shù)多變、組合方式多元的復(fù)合干擾時(shí)，模型無(wú)法快速更新且難以應(yīng)對(duì)測(cè)試樣本數(shù)非均衡問(wèn)題。針對(duì)此問(wèn)題，該文提出一種基于零記憶增量學(xué)習(xí)的雷達(dá)復(fù)合有源干擾識(shí)別方法。首先，利用元學(xué)習(xí)訓(xùn)練模式對(duì)庫(kù)內(nèi)單一干擾進(jìn)行原型學(xué)習(xí)，訓(xùn)練出高效的特征提取器，使其具備對(duì)庫(kù)外復(fù)合干擾特征有效提取能力。進(jìn)而，基于超維空間和余弦相似度計(jì)算，構(gòu)建零記憶增量學(xué)習(xí)網(wǎng)絡(luò)(ZMILN)，將復(fù)合干擾原型向量映射到超維空間并存儲(chǔ)，從而實(shí)現(xiàn)識(shí)別模型動(dòng)態(tài)更新。此外，為解決樣本數(shù)非均衡下復(fù)合干擾識(shí)別問(wèn)題，設(shè)計(jì)直推式信息最大化(TIM)測(cè)試模塊，通過(guò)在互信息損失函數(shù)中加入散度約束，對(duì)識(shí)別模型進(jìn)一步強(qiáng)化訓(xùn)練以應(yīng)對(duì)非均衡測(cè)試樣本。實(shí)驗(yàn)結(jié)果表明，該文所提方法在非均衡測(cè)試條件下對(duì)4種單一干擾和7種復(fù)合干擾進(jìn)行增量學(xué)習(xí)后，平均識(shí)別準(zhǔn)確率達(dá)到了93.62%。該方法通過(guò)對(duì)庫(kù)內(nèi)多類(lèi)型單一干擾知識(shí)充分提取，實(shí)現(xiàn)對(duì)多種組合條件下庫(kù)外復(fù)合干擾的快速動(dòng)態(tài)識(shí)別。
2025, 47(1): 201-210.
doi: 10.11999/JEIT240297
摘要:
隨著新興應(yīng)用的不斷涌現(xiàn)，頻譜擁堵問(wèn)題日益嚴(yán)重。通信雷達(dá)一體化(DFRC)是解決頻譜擁堵問(wèn)題的關(guān)鍵技術(shù)之一。然而，如何解決通信與雷達(dá)之間的相互干擾并實(shí)現(xiàn)高通信速率是通信雷達(dá)一體化亟待解決的基礎(chǔ)難題。該文以多載波互補(bǔ)碼分多址技術(shù)為基礎(chǔ)，設(shè)計(jì)一種適用于多用戶(hù)場(chǎng)景的新型通信雷達(dá)一體化信號(hào)。理論分析和仿真結(jié)果表明，與典型的擴(kuò)頻方案相比，所提方案可以實(shí)現(xiàn)通信雷達(dá)的無(wú)擾傳輸，并具有低的誤碼率與高的通信速率。
隨著新興應(yīng)用的不斷涌現(xiàn)，頻譜擁堵問(wèn)題日益嚴(yán)重。通信雷達(dá)一體化(DFRC)是解決頻譜擁堵問(wèn)題的關(guān)鍵技術(shù)之一。然而，如何解決通信與雷達(dá)之間的相互干擾并實(shí)現(xiàn)高通信速率是通信雷達(dá)一體化亟待解決的基礎(chǔ)難題。該文以多載波互補(bǔ)碼分多址技術(shù)為基礎(chǔ)，設(shè)計(jì)一種適用于多用戶(hù)場(chǎng)景的新型通信雷達(dá)一體化信號(hào)。理論分析和仿真結(jié)果表明，與典型的擴(kuò)頻方案相比，所提方案可以實(shí)現(xiàn)通信雷達(dá)的無(wú)擾傳輸，并具有低的誤碼率與高的通信速率。
2025, 47(1): 211-222.
doi: 10.11999/JEIT240650
摘要:
低軌導(dǎo)航星座衛(wèi)星數(shù)量多，信號(hào)多普勒頻偏大，接收機(jī)冷啟動(dòng)搜索空間巨大，捕獲速度慢，該文提出一種偽碼調(diào)相-線(xiàn)性調(diào)頻(CSK-LFM)的導(dǎo)航信號(hào)波形，線(xiàn)性調(diào)頻提高信號(hào)的多普勒容限，不同偽碼相位實(shí)現(xiàn)不同衛(wèi)星的多址播發(fā)，可以極大壓縮衛(wèi)星號(hào)、時(shí)延、多普勒3維搜索空間，加快了捕獲信號(hào)捕獲速度。仿真和實(shí)驗(yàn)結(jié)果表明，當(dāng)信號(hào)強(qiáng)度為40 dBHz時(shí)，采用CSK-LFM調(diào)制的導(dǎo)航信號(hào)，其捕獲性能比同等條件下的傳統(tǒng)直接擴(kuò)頻序列(DSSS)調(diào)制的導(dǎo)航信號(hào)高1 dB左右，且信號(hào)搜索空間可降低為直接擴(kuò)頻序列調(diào)制的1/10。
低軌導(dǎo)航星座衛(wèi)星數(shù)量多，信號(hào)多普勒頻偏大，接收機(jī)冷啟動(dòng)搜索空間巨大，捕獲速度慢，該文提出一種偽碼調(diào)相-線(xiàn)性調(diào)頻(CSK-LFM)的導(dǎo)航信號(hào)波形，線(xiàn)性調(diào)頻提高信號(hào)的多普勒容限，不同偽碼相位實(shí)現(xiàn)不同衛(wèi)星的多址播發(fā)，可以極大壓縮衛(wèi)星號(hào)、時(shí)延、多普勒3維搜索空間，加快了捕獲信號(hào)捕獲速度。仿真和實(shí)驗(yàn)結(jié)果表明，當(dāng)信號(hào)強(qiáng)度為40 dBHz時(shí)，采用CSK-LFM調(diào)制的導(dǎo)航信號(hào)，其捕獲性能比同等條件下的傳統(tǒng)直接擴(kuò)頻序列(DSSS)調(diào)制的導(dǎo)航信號(hào)高1 dB左右，且信號(hào)搜索空間可降低為直接擴(kuò)頻序列調(diào)制的1/10。
2025, 47(1): 223-232.
doi: 10.11999/JEIT240645
摘要:
針對(duì)變壓器油下圖像存在顏色失真、亮度低和細(xì)節(jié)失真問(wèn)題，該文提出一種多尺度加權(quán)Retinex變壓器油下圖像增強(qiáng)算法。首先，為了緩解變壓器油下圖像顏色失真問(wèn)題，提出一種混合動(dòng)態(tài)顏色通道補(bǔ)償算法，根據(jù)拍攝圖像各通道的衰減狀態(tài)對(duì)衰減通道進(jìn)行動(dòng)態(tài)補(bǔ)償。然后，為了解決細(xì)節(jié)失真問(wèn)題，提出一種銳化權(quán)重加權(quán)策略。最后，該文創(chuàng)新性采用金字塔多尺度融合策略對(duì)不同尺度Retinex反射分量和相應(yīng)權(quán)重圖進(jìn)行加權(quán)融合得到變壓器油下清晰圖像。實(shí)驗(yàn)結(jié)果表明所提算法可以有效解決變壓器油下圖像復(fù)雜退化問(wèn)題。
針對(duì)變壓器油下圖像存在顏色失真、亮度低和細(xì)節(jié)失真問(wèn)題，該文提出一種多尺度加權(quán)Retinex變壓器油下圖像增強(qiáng)算法。首先，為了緩解變壓器油下圖像顏色失真問(wèn)題，提出一種混合動(dòng)態(tài)顏色通道補(bǔ)償算法，根據(jù)拍攝圖像各通道的衰減狀態(tài)對(duì)衰減通道進(jìn)行動(dòng)態(tài)補(bǔ)償。然后，為了解決細(xì)節(jié)失真問(wèn)題，提出一種銳化權(quán)重加權(quán)策略。最后，該文創(chuàng)新性采用金字塔多尺度融合策略對(duì)不同尺度Retinex反射分量和相應(yīng)權(quán)重圖進(jìn)行加權(quán)融合得到變壓器油下清晰圖像。實(shí)驗(yàn)結(jié)果表明所提算法可以有效解決變壓器油下圖像復(fù)雜退化問(wèn)題。
2025, 47(1): 233-243.
doi: 10.11999/JEIT240560
摘要:
以廣距鳥(niǎo)瞰視角拍攝獲取的遙感圖像通常具有目標(biāo)種類(lèi)多、尺度變化大以及背景信息豐富等特點(diǎn)，為目標(biāo)檢測(cè)任務(wù)帶來(lái)巨大挑戰(zhàn)。針對(duì)遙感圖像成像特點(diǎn)，該文設(shè)計(jì)一種上下文感知多感受野融合網(wǎng)絡(luò)，通過(guò)充分挖掘深度網(wǎng)絡(luò)中遙感圖像在不同尺寸特征描述下所包含的上下文關(guān)聯(lián)信息，提高圖像特征描述力，進(jìn)而提升遙感目標(biāo)檢測(cè)精度。首先，在特征金字塔前4層網(wǎng)絡(luò)中構(gòu)建了感受野擴(kuò)張模塊，通過(guò)擴(kuò)大網(wǎng)絡(luò)在不同尺度特征圖上的感受野范圍，增強(qiáng)網(wǎng)絡(luò)對(duì)不同尺度遙感目標(biāo)的感知能力；進(jìn)一步，構(gòu)建了高層特征聚合模塊，通過(guò)將特征金字塔網(wǎng)絡(luò)中高層語(yǔ)義信息聚合到低層特征中，從而將特征圖中所包含的多尺度上下文信息進(jìn)行有效融合；最后，在雙階段定向目標(biāo)檢測(cè)框架下設(shè)計(jì)了特征細(xì)化區(qū)域建議網(wǎng)絡(luò)。通過(guò)對(duì)一階段提案進(jìn)行精細(xì)化處理，提升提案準(zhǔn)確性，進(jìn)而提高二階段興趣區(qū)域?qū)R網(wǎng)絡(luò)得到的不同成像方向下的遙感目標(biāo)檢測(cè)性能。在公測(cè)數(shù)據(jù)集DIOR-R和HRSC2016上的定性和定量的對(duì)比實(shí)驗(yàn)結(jié)果證明，所提方法對(duì)不同種類(lèi)和尺度大小的遙感目標(biāo)均能實(shí)現(xiàn)更加準(zhǔn)確的檢測(cè)。
以廣距鳥(niǎo)瞰視角拍攝獲取的遙感圖像通常具有目標(biāo)種類(lèi)多、尺度變化大以及背景信息豐富等特點(diǎn)，為目標(biāo)檢測(cè)任務(wù)帶來(lái)巨大挑戰(zhàn)。針對(duì)遙感圖像成像特點(diǎn)，該文設(shè)計(jì)一種上下文感知多感受野融合網(wǎng)絡(luò)，通過(guò)充分挖掘深度網(wǎng)絡(luò)中遙感圖像在不同尺寸特征描述下所包含的上下文關(guān)聯(lián)信息，提高圖像特征描述力，進(jìn)而提升遙感目標(biāo)檢測(cè)精度。首先，在特征金字塔前4層網(wǎng)絡(luò)中構(gòu)建了感受野擴(kuò)張模塊，通過(guò)擴(kuò)大網(wǎng)絡(luò)在不同尺度特征圖上的感受野范圍，增強(qiáng)網(wǎng)絡(luò)對(duì)不同尺度遙感目標(biāo)的感知能力；進(jìn)一步，構(gòu)建了高層特征聚合模塊，通過(guò)將特征金字塔網(wǎng)絡(luò)中高層語(yǔ)義信息聚合到低層特征中，從而將特征圖中所包含的多尺度上下文信息進(jìn)行有效融合；最后，在雙階段定向目標(biāo)檢測(cè)框架下設(shè)計(jì)了特征細(xì)化區(qū)域建議網(wǎng)絡(luò)。通過(guò)對(duì)一階段提案進(jìn)行精細(xì)化處理，提升提案準(zhǔn)確性，進(jìn)而提高二階段興趣區(qū)域?qū)R網(wǎng)絡(luò)得到的不同成像方向下的遙感目標(biāo)檢測(cè)性能。在公測(cè)數(shù)據(jù)集DIOR-R和HRSC2016上的定性和定量的對(duì)比實(shí)驗(yàn)結(jié)果證明，所提方法對(duì)不同種類(lèi)和尺度大小的遙感目標(biāo)均能實(shí)現(xiàn)更加準(zhǔn)確的檢測(cè)。
2025, 47(1): 244-259.
doi: 10.11999/JEIT240648
摘要:
針對(duì)單傳感器和單模態(tài)信號(hào)特征信息不足的問(wèn)題，該文提出一種基于多模態(tài)融合的端到端深度聚類(lèi)旋轉(zhuǎn)機(jī)械多傳感器故障診斷方法(EDCM-MFF)。首先，利用門(mén)控遞歸單元自編碼模塊提取多傳感器故障信號(hào)的深度時(shí)序特征。然后，應(yīng)用短時(shí)傅里葉變換(STFT)將故障信號(hào)轉(zhuǎn)換為時(shí)頻圖像，并通過(guò)卷積自編碼器提取這些圖像的深度空間特征。接著，設(shè)計(jì)了一種模態(tài)融合注意力機(jī)制，通過(guò)計(jì)算不同模態(tài)深度特征之間的親和矩陣，實(shí)現(xiàn)模態(tài)特征的融合。最后，采用Kullback-Leibler(KL)散度聚類(lèi)，以端到端方式實(shí)現(xiàn)故障類(lèi)型的識(shí)別。實(shí)驗(yàn)結(jié)果顯示，該方法在東南大學(xué)齒輪箱和軸承數(shù)據(jù)集上的識(shí)別準(zhǔn)確率分別為99.16%和98.63%。與現(xiàn)有的無(wú)監(jiān)督學(xué)習(xí)方法相比，所提方法能夠更有效地實(shí)現(xiàn)多傳感器和多模態(tài)的旋轉(zhuǎn)機(jī)械故障診斷。
針對(duì)單傳感器和單模態(tài)信號(hào)特征信息不足的問(wèn)題，該文提出一種基于多模態(tài)融合的端到端深度聚類(lèi)旋轉(zhuǎn)機(jī)械多傳感器故障診斷方法(EDCM-MFF)。首先，利用門(mén)控遞歸單元自編碼模塊提取多傳感器故障信號(hào)的深度時(shí)序特征。然后，應(yīng)用短時(shí)傅里葉變換(STFT)將故障信號(hào)轉(zhuǎn)換為時(shí)頻圖像，并通過(guò)卷積自編碼器提取這些圖像的深度空間特征。接著，設(shè)計(jì)了一種模態(tài)融合注意力機(jī)制，通過(guò)計(jì)算不同模態(tài)深度特征之間的親和矩陣，實(shí)現(xiàn)模態(tài)特征的融合。最后，采用Kullback-Leibler(KL)散度聚類(lèi)，以端到端方式實(shí)現(xiàn)故障類(lèi)型的識(shí)別。實(shí)驗(yàn)結(jié)果顯示，該方法在東南大學(xué)齒輪箱和軸承數(shù)據(jù)集上的識(shí)別準(zhǔn)確率分別為99.16%和98.63%。與現(xiàn)有的無(wú)監(jiān)督學(xué)習(xí)方法相比，所提方法能夠更有效地實(shí)現(xiàn)多傳感器和多模態(tài)的旋轉(zhuǎn)機(jī)械故障診斷。
2025, 47(1): 260-270.
doi: 10.11999/JEIT240431
摘要:
顯著目標(biāo)檢測(cè)(SOD)旨在模仿人類(lèi)視覺(jué)系統(tǒng)注意力機(jī)制和認(rèn)知機(jī)制來(lái)自動(dòng)提取場(chǎng)景中的顯著物體。雖然現(xiàn)有基于卷積神經(jīng)網(wǎng)絡(luò) (CNN)或Transformer的模型不斷刷新該領(lǐng)域方法的性能，但較少研究關(guān)注以下兩個(gè)問(wèn)題：(1)此領(lǐng)域多數(shù)方法常采用逐像素點(diǎn)的密集預(yù)測(cè)方式以獲取像素顯著值，然而該方式不符合基于人類(lèi)視覺(jué)系統(tǒng)的場(chǎng)景解析機(jī)制，即人眼通常對(duì)語(yǔ)義區(qū)域進(jìn)行整體分析而非關(guān)注像素級(jí)信息；(2)增強(qiáng)上下文信息關(guān)聯(lián)在SOD任務(wù)中受到廣泛關(guān)注，但通過(guò)Transformer主干結(jié)構(gòu)獲取長(zhǎng)程關(guān)聯(lián)特征不一定具有優(yōu)勢(shì)。SOD應(yīng)更關(guān)注目標(biāo)在適當(dāng)區(qū)域內(nèi)其中心-鄰域差異性而非全局長(zhǎng)程依賴(lài)。針對(duì)上述問(wèn)題，該文提出一種新的顯著目標(biāo)檢測(cè)模型，將CNN形式的自適應(yīng)注意力和掩碼注意力集成到網(wǎng)絡(luò)中，以提高顯著目標(biāo)檢測(cè)的性能。該算法設(shè)計(jì)了基于掩碼感知的解碼模塊，通過(guò)將交叉注意力限制在預(yù)測(cè)的掩碼區(qū)域來(lái)感知圖像特征，有助于網(wǎng)絡(luò)更好地聚焦于顯著目標(biāo)的整體區(qū)域。同時(shí)，該文設(shè)計(jì)了基于卷積注意力的上下文特征增強(qiáng)模塊，與Transformer逐層建立長(zhǎng)程關(guān)系不同，該模塊僅捕獲最高層特征中的適當(dāng)上下文關(guān)聯(lián)，避免引入無(wú)關(guān)的全局信息。該文在4個(gè)廣泛使用的數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)評(píng)估，結(jié)果表明，該文提出的方法在不同場(chǎng)景下均取得了顯著的性能提升，具有良好的泛化能力和穩(wěn)定性。
顯著目標(biāo)檢測(cè)(SOD)旨在模仿人類(lèi)視覺(jué)系統(tǒng)注意力機(jī)制和認(rèn)知機(jī)制來(lái)自動(dòng)提取場(chǎng)景中的顯著物體。雖然現(xiàn)有基于卷積神經(jīng)網(wǎng)絡(luò) (CNN)或Transformer的模型不斷刷新該領(lǐng)域方法的性能，但較少研究關(guān)注以下兩個(gè)問(wèn)題：(1)此領(lǐng)域多數(shù)方法常采用逐像素點(diǎn)的密集預(yù)測(cè)方式以獲取像素顯著值，然而該方式不符合基于人類(lèi)視覺(jué)系統(tǒng)的場(chǎng)景解析機(jī)制，即人眼通常對(duì)語(yǔ)義區(qū)域進(jìn)行整體分析而非關(guān)注像素級(jí)信息；(2)增強(qiáng)上下文信息關(guān)聯(lián)在SOD任務(wù)中受到廣泛關(guān)注，但通過(guò)Transformer主干結(jié)構(gòu)獲取長(zhǎng)程關(guān)聯(lián)特征不一定具有優(yōu)勢(shì)。SOD應(yīng)更關(guān)注目標(biāo)在適當(dāng)區(qū)域內(nèi)其中心-鄰域差異性而非全局長(zhǎng)程依賴(lài)。針對(duì)上述問(wèn)題，該文提出一種新的顯著目標(biāo)檢測(cè)模型，將CNN形式的自適應(yīng)注意力和掩碼注意力集成到網(wǎng)絡(luò)中，以提高顯著目標(biāo)檢測(cè)的性能。該算法設(shè)計(jì)了基于掩碼感知的解碼模塊，通過(guò)將交叉注意力限制在預(yù)測(cè)的掩碼區(qū)域來(lái)感知圖像特征，有助于網(wǎng)絡(luò)更好地聚焦于顯著目標(biāo)的整體區(qū)域。同時(shí)，該文設(shè)計(jì)了基于卷積注意力的上下文特征增強(qiáng)模塊，與Transformer逐層建立長(zhǎng)程關(guān)系不同，該模塊僅捕獲最高層特征中的適當(dāng)上下文關(guān)聯(lián)，避免引入無(wú)關(guān)的全局信息。該文在4個(gè)廣泛使用的數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)評(píng)估，結(jié)果表明，該文提出的方法在不同場(chǎng)景下均取得了顯著的性能提升，具有良好的泛化能力和穩(wěn)定性。
2025, 47(1): 271-278.
doi: 10.11999/JEIT240524
摘要:
Draco算法是首次基于初始向量和密鑰前綴組合(CIVK)方案構(gòu)造的一個(gè)流密碼設(shè)計(jì)實(shí)例，其聲稱(chēng)對(duì)于時(shí)空數(shù)據(jù)折中(TMDTO)攻擊具有完全可證明的安全性。但因Draco算法的選擇函數(shù)存在周期小的結(jié)構(gòu)缺陷，攻擊者給出了突破其安全界限的分析結(jié)果。針對(duì)Draco算法存在的安全缺陷等問(wèn)題，該文提出一種基于狀態(tài)位索引和動(dòng)態(tài)初始化的改進(jìn)算法Draco-F算法。首先，Draco-F算法通過(guò)使用狀態(tài)位索引的方法增加了選擇函數(shù)的周期并降低硬件成本；其次，在保障非線(xiàn)性反饋移位寄存器(NFSR)狀態(tài)位使用均勻性的前提下，Draco-F算法通過(guò)簡(jiǎn)化輸出函數(shù)進(jìn)一步降低算法的硬件成本；最后，Draco-F算法引入動(dòng)態(tài)初始化技術(shù)以防止密鑰回溯。對(duì)Draco-F算法的安全性分析和軟硬件測(cè)試結(jié)果表明：相對(duì)于Draco算法，Draco-F算法避免了Draco算法的安全漏洞，可以以128 bit的實(shí)際內(nèi)部狀態(tài)提供128 bit的安全級(jí)別；同時(shí)，Draco-F算法具有更高的密鑰流吞吐率和更小的電路面積。
Draco算法是首次基于初始向量和密鑰前綴組合(CIVK)方案構(gòu)造的一個(gè)流密碼設(shè)計(jì)實(shí)例，其聲稱(chēng)對(duì)于時(shí)空數(shù)據(jù)折中(TMDTO)攻擊具有完全可證明的安全性。但因Draco算法的選擇函數(shù)存在周期小的結(jié)構(gòu)缺陷，攻擊者給出了突破其安全界限的分析結(jié)果。針對(duì)Draco算法存在的安全缺陷等問(wèn)題，該文提出一種基于狀態(tài)位索引和動(dòng)態(tài)初始化的改進(jìn)算法Draco-F算法。首先，Draco-F算法通過(guò)使用狀態(tài)位索引的方法增加了選擇函數(shù)的周期并降低硬件成本；其次，在保障非線(xiàn)性反饋移位寄存器(NFSR)狀態(tài)位使用均勻性的前提下，Draco-F算法通過(guò)簡(jiǎn)化輸出函數(shù)進(jìn)一步降低算法的硬件成本；最后，Draco-F算法引入動(dòng)態(tài)初始化技術(shù)以防止密鑰回溯。對(duì)Draco-F算法的安全性分析和軟硬件測(cè)試結(jié)果表明：相對(duì)于Draco算法，Draco-F算法避免了Draco算法的安全漏洞，可以以128 bit的實(shí)際內(nèi)部狀態(tài)提供128 bit的安全級(jí)別；同時(shí)，Draco-F算法具有更高的密鑰流吞吐率和更小的電路面積。
2025, 47(1): 279-286.
doi: 10.11999/JEIT250000
摘要:
該文總結(jié)了2024年度國(guó)家自然科學(xué)基金委員會(huì)信息科學(xué)部一處“電子科學(xué)與技術(shù)”領(lǐng)域重點(diǎn)、面上、青年、地區(qū)、優(yōu)青和杰青項(xiàng)目的申請(qǐng)與資助情況，從二級(jí)申請(qǐng)代碼、申請(qǐng)人年齡、依托單位情況、近年變化趨勢(shì)等不同角度梳理了項(xiàng)目分布特征，分析了領(lǐng)域自然科學(xué)基金項(xiàng)目構(gòu)成、研究方向熱度及其發(fā)展趨勢(shì)等，旨在為廣大科研人員了解領(lǐng)域自然科學(xué)基金重點(diǎn)項(xiàng)目布局、亟需加強(qiáng)的研究方向以及部分自然科學(xué)基金改革舉措對(duì)領(lǐng)域項(xiàng)目申請(qǐng)與資助的影響等提供參考。
該文總結(jié)了2024年度國(guó)家自然科學(xué)基金委員會(huì)信息科學(xué)部一處“電子科學(xué)與技術(shù)”領(lǐng)域重點(diǎn)、面上、青年、地區(qū)、優(yōu)青和杰青項(xiàng)目的申請(qǐng)與資助情況，從二級(jí)申請(qǐng)代碼、申請(qǐng)人年齡、依托單位情況、近年變化趨勢(shì)等不同角度梳理了項(xiàng)目分布特征，分析了領(lǐng)域自然科學(xué)基金項(xiàng)目構(gòu)成、研究方向熱度及其發(fā)展趨勢(shì)等，旨在為廣大科研人員了解領(lǐng)域自然科學(xué)基金重點(diǎn)項(xiàng)目布局、亟需加強(qiáng)的研究方向以及部分自然科學(xué)基金改革舉措對(duì)領(lǐng)域項(xiàng)目申請(qǐng)與資助的影響等提供參考。
編輯部公告
more >
- 專(zhuān)刊征文丨 “先進(jìn)集成電路技術(shù)”專(zhuān)刊
- 專(zhuān)題征文丨“超融合云網(wǎng)環(huán)境”專(zhuān)題征文通知
- 專(zhuān)題征文丨“信息物理系統(tǒng)安全與隱私保護(hù)”專(zhuān)題
- 《電子與信息學(xué)報(bào)》2025年若干重要舉措通知
- 專(zhuān)題征文丨“短包通信理論與技術(shù)”專(zhuān)題征文通知
- 《電子與信息學(xué)報(bào)》2025年前沿專(zhuān)題征集通知
- 專(zhuān)題征文丨“智慧醫(yī)療與工程創(chuàng)新——醫(yī)工交叉的前沿探索”專(zhuān)題
- 《電子與信息學(xué)報(bào)》入選中國(guó)科技期刊卓越行動(dòng)“中文領(lǐng)軍期刊”
學(xué)術(shù)動(dòng)態(tài)
more >
- 關(guān)于舉辦“第三十五屆電路與系統(tǒng)學(xué)術(shù)大會(huì)”的通知（第一輪）
- 《電子與信息學(xué)報(bào)》領(lǐng)軍論壇暨第九屆編委會(huì)第三次工作會(huì)議在南京成功召開(kāi)
- 2024“電路系統(tǒng)之星”獲獎(jiǎng)作者及作品（第三十四屆中國(guó)電子學(xué)會(huì)電路與系統(tǒng)學(xué)術(shù)大會(huì)）
- 第三十四屆中國(guó)電子學(xué)會(huì)電路與系統(tǒng)學(xué)術(shù)大會(huì)在桂林成功召開(kāi)
- 第三屆電子與信息前沿學(xué)術(shù)會(huì)議在南京隆重召開(kāi)
- 詳細(xì)議程 | 第三屆電子與信息前沿學(xué)術(shù)會(huì)議第二輪通知
- 會(huì)議征文 | 第四屆電子、信息與計(jì)算技術(shù)前沿國(guó)際會(huì)議 (ICFEICT 2024)
- 會(huì)議征文 | 第三屆自動(dòng)化，控制與通信工程國(guó)際學(xué)術(shù)研討會(huì)(IWACCE 2024)
作者服務(wù)中心
融媒體平臺(tái)
more >
友情鏈接
more >
- 中國(guó)科學(xué)院空天信息創(chuàng)新研究院
- 雷達(dá)學(xué)報(bào)
- 遙感學(xué)報(bào)
- 電波科學(xué)學(xué)報(bào)
- 中國(guó)電子學(xué)會(huì)
- 科學(xué)出版社
- 中國(guó)知網(wǎng)
- 萬(wàn)方數(shù)據(jù)
官方微信，歡迎關(guān)注
電子與信息學(xué)報(bào)
微信學(xué)術(shù)論壇群
