Abstract:

Abstract:

随着“低空经济”被写入政府工作报告，“低空经济”成为2024年度热点词汇。无人机（Unmanned aerial vehicles， UAVs）以其高效、灵活、低成本及多载荷等优势，成为“低空经济”的主要产业形态。作为飞行安全和通信安全的重要保障，无人机通信电磁频谱管理是助力“低空经济”蓬勃发展不可或缺的重要因素。本文从2015~2023年无人机电磁频谱管理政策的更迭分析入手，深入探讨了无人机通信频谱管理政策、标准与技术，包括无人机通信的操作频段和飞行监管；进一步综述了以世界电信联盟（International Telecommunication Union， ITU）、美国电气电子工程师学会（Institute of Electrical and Electronics Engineers，IEEE）和第3代合作伙伴计划（The 3rd Generation Partnership Project，3GPP）等国际组织为代表的标准规范，以及与无人机通信电磁频谱管理关系密切的信道模型和干扰减轻策略；最后展望了无人机通信电磁频谱管理的当前挑战和未来研究方向。

Abstract:

低空智联网作为新质生产力促进了低空经济的飞速发展，但无人机的广泛应用对空域监管提出了很高的要求。本文主要关注两种潜在无人机飞行监管技术应用于低空智联网的性能分析：广播式自动相关监视（Automatic dependent surveillance-broadcast， ADS-B）和无人机远程识别（Remote identification， Remote ID）。首先，系统介绍了ADS-B和Remote ID的基本原理；然后，基于当前技术标准分析了两种技术的理论传输距离，并定义了定位精度评估方法。搭建了符合性能要求的ADS-B和Remote ID实验系统，通过实测信号强度估计实际传输距离，并测量了经纬度和高度的定位精度以及丢包率。通过实测数据分析首次全面评估了ADS-B和Remote ID在低空智联网中的实际应用效果。结果显示，ADS-B在传输距离和定位精度上优于Remote ID，而Remote ID在高度定位上更具优势；在通信稳定性方面，ADS-B能够为远距离提供稳定服务，Remote ID在近距离下表现良好。最后，展望了未来无人机监管技术的发展方向，围绕优化传输距离、覆盖范围、定位精度和丢包率等问题提出优化方向和解决方案。

Abstract:

低空智联网是支撑低空经济发展的基础设施，而频谱管控是应对低空智联网中非法用频和恶意攻击问题，提高频谱资源利用率的关键技术之一。具身智能作为新一代人工智能的重要研究方向，其物理实体、环境交互和智能成长等特性为低空智联网频谱管控的发展提供了新的可能性。首先，从技术框架、研究现状和主要挑战等方面介绍了低空智联网频谱管控需求。其次，在概述具身智能的内涵和优势基础上，分析了低空具身智能频谱管控的概念和意义。进一步，基于“感知-决策-行动-反馈”的闭环结构，提出了包含低空具身智能频谱感知、推理与决策、行动与反馈的低空智联网频谱管控技术，为实现高效安全的低空智联网频谱管控提供了可能技术路径。

Abstract:

受信息论的启发，针对毫米波（millimeter-Wave，mmWave）低空无人机（Unmanned aerial vehicle，UAV）场景的波束训练与目标定位追踪问题，分别提出了基于信道编码原理的分层波束训练算法和基于mmWave雷达感知的UAV目标定位跟踪算法。两种算法具有强鲁棒性和泛化性，不仅适用于静态和动态场景，还适用于远场、近场、多智能超表面（Reconfigurable intelligent surface，RIS）辅助通信、分布式无蜂窝网络场景，以及非法UAV入侵感知等多种通信与感知场景，并通过仿真和硬件平台进行测试。信道编码波束训练算法利用编码增益和纠错机制能够大幅提高训练准确率；mmWave雷达算法结合 Capon 波束形成、恒虚警率（Constant false alarm rate，CFAR）检测和基于噪声密度的聚类（Density-based spatial clustering of applications with noise，DBScan）实现了UAV的检测和跟踪。仿真和硬件测试结果均表明，本文算法在mmWave低空UAV场景下能够有效提高波束训练效率和感知定位精度，为低空经济进一步的繁荣发展提供技术支撑。

Abstract:

无人机基站具有快速部署、机动覆盖等特性，使其成为铁路应急通信的一种有效解决方案。然而，无人机组成的低空通信网络既有储能有限的约束又存在数据被窃听或篡改的风险。将区块链技术引入到无人机辅助的铁路无线通信系统中以保障数据安全。在传输时延和数据队列稳定性约束下，提出了一种最小化通信系统能耗和区块链系统时延的联合优化问题。为了求解这个非凸混合整数且时变的随机优化问题，提出基于Lyapunov的drift-plus-penalty方法将长期的随机优化问题转化为多个时隙的子问题，并设计基于D3QN-TD3的深度强化学习算法求解，得到每个时隙内的最优关联策略和功率控制。实验结果表明，所提方法在减少能耗和时延方面取得了显著的效果。

Abstract:

低空经济的兴起使小型无人机（Unmanned aerial vehicles， UAVs）在物流、测绘与娱乐等领域获得广泛应用，但由此带来的安全风险也日渐凸显。低慢小（Low-slow-small， LSS）目标检测在国家安全、空域监管以及无人机防御等领域具有重要意义，能够有效应对小型低空飞行目标带来的潜在威胁。针对现有传感器在低成本、复杂光照与大视场要求上存在的不足，本文提出了一种基于事件相机与 RGB 相机协同的LSS目标检测系统。首先，借助事件相机高速成像及大动态范围配合智能控制转台进行“扫视”，并通过基于事件的检测算法完成目标初步定位；随后，利用信息协同模块融合双模态数据以提升检测精度；最后，依托 RGB 相机的高分辨率与动态变焦特性实现“凝视”，并结合提出的图像识别算法进行目标精细化识别与跟踪。在复杂光照与宽视场条件下，该系统兼顾了低代价与高性能，为LSS目标检测提供了有效的新路径。

Abstract:

图像是人们获取信息的重要途径之一。随着图像传输与存储需求的不断增加，尤其在带宽受限或云存储情况下，对图像进行极低比特率压缩，对于提高传输效率和节省存储空间具有重要意义。基于此，本文对有损图像极低比特率压缩技术进行了系统综述。首先，在基于生成对抗网络 （Generative adversarial networks， GAN）的图像压缩衍生算法在高分辨率图像压缩、生成图像模糊、忽视语义信息与纹理信息等方面问题的基础上，介绍了最新的极低比特率图像压缩方法。然后，阐述了分层压缩、基于对象和感兴趣区域等其他非GAN模型的极低比特率图像压缩方法。接着，描述了常用数据集及有损压缩条件下的图像质量评价方法。最后，对极低比特率有损图像压缩技术做出总结，并对其后续的发展进行了展望。

Abstract:

精度和效率是评判特征选择算法性能的关键指标，分别对应邻域粗糙集的属性依赖度和约简规模，而已有的特征选择算法通常以属性约简的最大依赖度为导向进行寻优，忽略了约简规模的重要性。现实中，随着数据特征维度的增加和类别层次结构的出现，导致类别信息复杂且结构关系混乱，传统属性依赖度计算未有效利用类别层次结构信息，使得分类性能不佳。鉴于此，本文构造了一种综合考量属性重要度和类别层次结构关系的混合层次依赖度，将混合层次依赖度和约简规模作为两个独立的优化目标，引入多目标进化算法对其分别进行优化，从属性依赖度和属性规模两方面提升所得属性约简的性能，以得到满足目标约束的约简结果。数据实验分析结果表明，所提算法能够在目标约束内得到更高质量的约简结果，并且能够提高分类精度。

Abstract:

图卷积神经网络通过将相似性高的邻居节点信息进行聚合以得到节点表示，为节点选择合适邻域并进行有效聚合是图卷积网络的关键。现有的图卷积神经网络大多直接将多跳邻域内的节点信息聚合，没有考虑到不同跳数邻域的聚合权重对网络中不同节点的差异性。针对此，提出了一种基于路径感知邻域的节点分类算法（Path connectivity based neighbor-awareness node classification algorithm，PCNA），通过网络中的路径连通信息确定节点邻域，并自适应地感知不同长度路径对节点间相似性计算的影响权重，指导图卷积神经网络的邻域聚合过程。PCNA由邻域感知器和节点分类器组成，邻域感知器基于强化学习机制自适应地获取每个节点的聚合邻域及不同长度路径的影响权重，再利用节点间的路径连通信息得到相似性矩阵；节点分类器利用所得相似性矩阵进行邻域聚合得到节点表示，并进行节点分类。在8个真实数据集上与10种经典算法的对比实验表明了所提算法在节点分类任务上有较好的性能。

Abstract:

与地面通信不同，空间通信通常涉及相距很远且高速飞行的信号载体。此时，信号传输会面临两个困难：远距离路径损耗导致的低信噪比（Signal-to-noise-ratio， SNR）和高速相对运动引起的高动态多普勒频偏。针对多普勒频偏捕获，低SNR要求一个很长的累积周期来累积很多个信号。但是，在这个长累积周期内，高动态多普勒频偏扩散所有信号的总能量到一个很宽的频率区间。为解决此能量扩散问题，本文提出一种局部聚类捕获（Local-clustering-acquisition， LCA）算法。该算法首先利用全局范围内最大元素来构造一个局部范围，然后从局部范围内选择若干个较大元素并进行聚类，最后从聚类结果中搜索最大的簇来得到捕获结果。理论分析和仿真验证结果表明，相较于现有算法，LCA算法在提升捕获概率方面展现出显著优势。

Abstract:

无线传感网络（Wireless sensor network， WSN）受电池能量有限和计算能力不足的约束，使得电池续航能力成为其广泛部署的瓶颈。本文利用无线电能传输（Wireless power transmission， WPT）和多接入边缘计算（Multi-access edge computing， MEC）技术，在传感器节点能耗受限的情况下，通过联合优化节点卸载决策、无线供电时长和带宽资源分配，最大限度地降低了传感器节点的任务平均完成时延。本文将优化问题建模成混合整数规划问题，并且为了适应复杂动态的信道环境，提出了一种基于柔性动作评价（Soft actor critic， SAC）的时延最小化深度强化学习算法（Deep reinforcement learning delay minimization， DrlDM），将原始优化问题建模成马尔可夫决策过程（Markov decision process， MDP）。仿真结果表明，与3种基线实验相比，本文提出的DrlDM算法平均延迟降低62.11%，显著缩短了节点的任务平均完成时间。

Abstract:

针对地球同步轨道（Geostationary earth orbit， GEO）卫星和低地球轨道（Low earth orbit， LEO）卫星星群组成的双层卫星网络中的物理层安全传输场景，在仅已知窃听者非完美信道状态信息（Channel state information， CSI）的条件下，提出了一种基于拉格朗日乘子法的鲁棒安全波束成形（Beamforming， BF）算法。在考虑LEO卫星星群作为中继采用放大转发协议辅助GEO卫星服务地面合法用户，而地面存在窃听者试图窃取卫星信号的情况下，首先建立以地面合法用户信噪比最大化为目标函数，以窃听者的窃听概率（Intercept probability， IP）和卫星最大发射功率符合既定限制作为约束条件的联合优化问题。其次，利用矩阵变换和指数分布的累积密度函数，将复杂非凸的窃听概率约束转换为可解的凸约束。最后，进一步采用拉格朗日乘子法，得到GEO卫星的发射功率以及LEO卫星星群的分布式BF权矢量闭式解。仿真结果表明，本文所提算法能在不同的信道误差情况下均保证双层卫星网络的安全通信，验证了算法的安全传输有效性和对信道误差的鲁棒性。

Abstract:

近场源的阵列流型包含角度和距离参数，两者相互耦合，难以分离。现有方法一般采用近似解耦模型，分步估计出角度和距离参数。然而，在近似解耦过程中，不可避免地引入了系统模型误差，导致定位性能严重下降。为了应对上述挑战，提出了一种基于非均匀网格的稀疏表示近场源定位方法，将复杂的近场源定位问题直接建模成一个较低维度的稀疏信号恢复问题，并利用稀疏贝叶斯学习（Sparse Bayesian learning， SBL）方法实现对稀疏信号的自适应恢复，从而避免引入近似误差，显著提高了参数估计的准确性。所提方法中的非均匀网格仅含有较少的网格点，极大降低了计算复杂度；各网格点之间的角度和距离均不相同，有效克服了字典矩阵中相邻基之间相关性高的缺陷；额外引入网格优化技术，进一步解决了粗糙网格可能导致的失配问题。仿真结果证实了所提方法的优越性。

Abstract:

为了提高雷达系统参数估计的精度，本文以贝叶斯原理为基础，提出了参数估计的数据融合和参数融合方法。论文研究了加性复高斯噪声条件下多雷达系统的距离信息、熵误差和均方误差，并给出了距离信息的上界。理论分析表明，位置估计的最大后验估计与位置信息的最大比合并一致，且多雷达系统的等价信噪比等于系统中各雷达信噪比之和。实验结果表明，一般情况下，数据融合的性能总是高于参数融合的性能，但数据融合基于均匀分布的假设，且需要无失真地获取各个节点的接收信号，是理想化的状态；而参数融合更加贴近现实情况，其估计精度与数据融合相差不大。本文的研究结果对提高实际环境中的目标参数估计精度具有重要的指导意义。

Abstract:

最近的无监督行人重识别研究使用聚类和记忆字典中的伪标签来训练模型。但是，这些研究忽略了行人重识别的数据集是通过不同相机采集的，即相机之间的分布差异较大，较大的相机方差会导致模型精度降低。因此，提出了相机类对比学习，包括类对比损失和相机对比损失，其中类对比损失可以实现对内存字典的一致性更新，并减少噪声标签对模型的影响；而相机对比损失通过为每个相机中的每个类构建相机类中心，拉近同属一个类的相机类中心距离，并使不同类的相机类中心距离相距更远，从而减少相机方差。通过相机类对比学习，减少了相机方差和噪声标签对模型的影响，从而提高了行人重识别的性能。在4个公开数据集上，相机类对比学习都表现出优异的结果，有效地缓解了相机方差对模型的影响。

Abstract:

行人重识别虽已取得了显著进展，但在实际应用场景中，不同障碍物引起的遮挡问题仍然是一个亟待解决的挑战。为了从被遮挡行人中提取更有效的特征，提出了一种基于可学习掩模和位置编码（Learnable mask and position encoding， LMPE）的遮挡行人重识别方法。首先，引入了一种可学习的双路注意力掩模生成器（Learnable dual attention mask generator， LDAMG），生成的掩模能够适应不同遮挡模式，显著提升了对被遮挡行人的识别准确性。该模块可以使网络更灵活，能更好地适应多样性的遮挡情况，有效克服了遮挡带来的困扰。同时，该网络通过掩模学习上下文信息，进一步增强了对行人所处场景的理解力。此外，为了解决Transformer位置信息损耗问题，引入了遮挡感知位置编码融合 （Occlusion aware position encoding fusion， OAPEF）模块。该模块进行不同层次位置编码融合，使网络获得更强的表达能力。通过全方位整合图像位置编码，可以更准确地理解行人间的空间关系，提高模型对遮挡情况的适应能力。最后，仿真实验表明，本文提出的LMPE在Occluded-Duke和Occluded-ReID遮挡数据集以及Market-1501和DukeMTMC-ReID无遮挡数据集上都取得了较好的效果，验证了本文方法的有效性和优越性。

Abstract:

为解决多模态鱼病知识缺乏合理安排的问题，同时降低知识蒸馏过程的冗余数据，从而部署存储低、样本小、精度高的识别模型，提出一种基于多特征协同预测-跨模态多头蒸馏的方法，命名为FSFDAI-TMRD。在多特征协同预测方面，重点改进了原多任务多特征协同预测架构。首先使用更细粒度的BMES（Begin-middle-end-single）法代替原工作中BIO（Begin-inside-outside）法的粗略标注，其次修改原架构的联合概率分布计算公式，使得模型可以更好地识别嵌套名词实体。在跨模态多头蒸馏方面，本文运用了跨模态注意力机制。首先计算合并、拆分和点积后的多头关系矩阵，其次利用相对熵进行知识蒸馏，使得模型可以更好地对齐异构师生间的中间特征。同时，本文还应用了双仿射注意力机制及对抗性权重扰动函数等方法，加强学习语义语音和字形词义等多特征知识。与主流模型相比，本文方法的精确率、召回率和F₁值分别提升了0.45%、3.96%和2.28%，并且存储优化比例提高3.01%，模型参数规模缩小94.86%。

Abstract:

胰腺囊性肿瘤的良恶性分类对于医学决策至关重要，本文致力于提高胰腺囊性肿瘤的分类准确性，以辅助医生更精确地制定诊疗方案。基于影像组学技术和ResNet50神经网络，提出了融合多核学习和多源特征的胰腺囊性肿瘤分类方法，其关键步骤包括特征筛选、核矩阵融合及构建分类模型。首先采用最小绝对收缩与选择算子（Least absolute shrinkage and selection operator， LASSO）进行特征筛选，减少冗余特征，提高模型的泛化能力；然后选取经过特征筛选的多源特征，通过在基础核函数中进行特征映射，构建多源特征的基础核矩阵，优化选取核矩阵的权重系数，并加权相加这些基础核矩阵以形成融合的核矩阵；最后，利用支持向量机（Support vector machine，SVM）分类器对胰腺浆液性和黏液性囊性肿瘤进行分类。这一过程的关键在于，SVM可以利用核矩阵在高维空间中内积，在高维空间中寻找一个超平面来分类数据，而融合的核矩阵中包含了经过特征映射的多源信息，可以提供更高维度和更复杂的特征表示。实验结果表明，该方法在胰腺囊性肿瘤良恶性分类任务中取得了显著的性能提升，可为医生提供更可靠的辅助信息，具有显著的临床应用潜力。

Abstract:

测量矩阵的构造是影响压缩感知技术重构性能的重要环节。针对随机性测量矩阵高存储成本以及确定性矩阵较难满足约束等距性（Restricted isometric property， RIP）特性的问题，提出了一种基于混沌映射构造测量矩阵的改进方法，将随机高斯矩阵、确定性矩阵和混沌序列相结合，充分利用随机高斯矩阵少量测量数和混沌映射较低相关性的优势。同时，分析了混沌序列的相空间特性、测量矩阵的RIP特性、以及构造优化测量矩阵的计算复杂度。最后，仿真实验对比了随机高斯矩阵、托普利兹矩阵和现有的复合型矩阵。结果表明，在一维随机信号的相对误差、成功重构概率及信噪比的指标上，所提优化测量矩阵均优于其他3种矩阵；在二维图像的重构时间复杂度、峰值信噪比、结构相似性指数和平均结构相似性指数的指标上，所提优化测量矩阵也均有一定的提升，表现出更好的重构性能和良好的应用价值。