Abstract:

Abstract:

电磁频谱资源是国家战略稀缺资源，电磁频谱空间已成为第六维作战空间。在第6代移动通信（Sixth-generation mobile communication， 6G）与低空经济加速发展的背景下，用频设备规模持续扩大，用频需求日趋复杂多元，频谱环境呈现高度动态时变特性，导致频谱资源稀缺问题不断加剧、频谱安全威胁日益凸显，频谱对抗态势愈发激烈。传统基于被动感知的频谱管控系统在感知精度、响应时效与协同能力等方面面临显著瓶颈。电磁频谱认知智能管控以频谱大模型等新兴技术为引擎，依托多模态频谱感知、多层级频谱认知与多要素频谱决策，构建形成“感知-认知-决策-行动”一体化的认知决策闭环，推动频谱管控模式从静态规划、被动响应向动态调配、主动调控演进，并逐步向更高层级的智能化、无人化方向发展，以支撑未来复杂电磁环境中的频谱管控需求。本文系统综述了电磁频谱认知智能的技术体系架构、认知决策闭环机制及其关键技术，并对未来趋势进行了展望，旨在为破解复杂电磁环境下高效频谱管控的难题以及构建下一代全域自主的认知智能频谱管控体系提供理论参考与技术指引。

Abstract:

智能信号识别技术能够有效提升无人机（Unmanned aerial vehicle，UAV）个体识别的性能，但在实际应用中仍受到信道时变性与特征迁移性的显著制约。针对低空智联网环境下射频指纹识别在时变信道中面临的泛化性退化问题，本文提出一种宽度学习驱动的跨时间域无人机个体增量识别方法。该方法以融合多尺度非对称卷积的残差网络作为骨干预训练模型，引入宽度学习对跨时间的目标域进行持续增量学习，并结合可学习特征融合与经验回放机制协同抑制跨时间域特征漂移。实验结果表明，本文方法在源域与跨时间域的个体识别准确率均达到90%以上，较基准算法提升超过20%，有效缓解了时变迁移对识别性能的不利影响，为复杂环境下的无人机身份辨识与非法检测提供了可靠的技术支撑。

Abstract:

辐射源个体识别（Specific emitter identification，SEI）通过挖掘无线设备射频前端固有的硬件非理想特性实现设备身份辨识，是保障无线通信安全的重要技术。然而，在复杂电磁环境下，载波频偏、采样时钟偏差、增益波动、时间平移及线性调频等多类扰动会共同引起信号特征分布偏移，进而削弱射频指纹表征的稳定性并降低识别性能。针对上述问题，本文提出一种扰动感知调制卷积神经网络（Perturbation-aware modulated convolutional neural network，PAM-CNN）。该方法首先利用扰动感知分支对输入信号中的扰动状态及其参数进行联合估计，再依据估计结果对卷积核进行样本自适应调制，使网络能够在特征提取过程中对扰动影响进行结构化抑制；同时，构建设备识别、扰动检测与参数回归的多任务联合训练框架，以提升模型在复杂扰动条件下的鲁棒表征能力。在真实空口ADS-B基带数据集及其离线扰动增强数据上的实验结果表明，在多种扰动叠加条件下，所提方法在15 dB信噪比（Signal-to-noise ratio， SNR）下的识别准确率达到95.39%，并在全SNR范围内整体优于对比方法。结果表明，该方法能够有效提升复杂电磁环境下SEI的鲁棒性。

Abstract:

随着认知电子战的快速发展，多干扰机协同已成为提升复杂电磁环境下干扰效能的重要手段，然而现有方法普遍面临能量分散、决策耦合及动作空间维度爆炸等难题。提出一种基于深度强化学习的波束方向-信道-功率联合决策方法，构建“分布式执行、集中优化”的多智能体架构，各干扰机基于局部观测独立决策并共享全局奖励以实现策略协同；设计融合双目标网络与玻尔兹曼探索策略的改进深度Q网络（Deep Q-network， DQN）算法，解决Q值过估计问题并自适应平衡探索与利用，实现波束指向、信道选择与功率分配的三维联合优化。仿真结果表明，与独立Q学习及独立深度强化学习方法相比，所提方法干扰成功率提升至约90%，有效解决了多干扰机协同决策难题，为智能化电子对抗提供了新的技术途径。

Abstract:

提出了一种关于均匀线性阵列（Uniform linear array， ULA）的自适应旋转的同频多电磁辐射源测向增强方法。针对传统固定阵列在多信源场景下估计精度受限的问题，通过引入动态旋转机制，建立旋转角与克拉美-罗界（Cramer-Rao bound， CRB）的解析关系，推导出最优旋转角的闭式解。采用CRB的迹作为损失函数，其物理含义为均方误差的理论可达下界。通过降低CRB，可以提升系统的可观测性，从而有效提升到达角（Direction of arrival， DoA）估计算法的估计精度。由于多信源情形下CRB是一个相关矩阵，因此推导了在快拍数足够多的情形下CRB的简化对角形式。使用该简化的对角形式的CRB来替代原CRB实施优化，进而降低优化难度。为实现高精度的波达方向估计，首先通过快速算法获取信号入射角的先验信息。该先验由阵列在接收并采样多个辐射源信号后，根据协方差矩阵的计算得到。然后，确定能够最小化损失函数的旋转角，并将其作为阵列的最优姿态。阵列调整到该角度后，在相同位置再次利用算法执行方向估计，从而获得最终的波达角结果。该方法能够在多源信号条件下保持较高的估计精度，有效提升整体方向估计性能。仿真结果验证了所提方法能够有效降低CRB，并提升定位精度，同时提升谱图搜索类算法的分辨率。

Abstract:

电磁频谱是现代信息体系的核心战略资源，而高性能宽带射频接收平台作为频谱认知的物理层基础，其前端硬件性能直接制约感知与认知算法的性能上限。本文基于射频片上系统技术，设计并实现了一种面向频谱认知应用的高集成度软件无线电平台，在150 mm×100 mm单板上集成了Gsps级高速AD/DA转换器、FPGA可编程逻辑、多核ARM处理器、DDR4大容量存储器及多样化高速外设接口。采用信号源直连方式对平台射频接收性能进行了系统性实测与分析，测试指标类别涵盖基本接收参数、ADC核心性能及动态范围与灵敏度等关键维度。实测结果表明，该平台可接收频率最高达4 GHz，在DC~2.025 GHz第一奈奎斯特区内，有效位数保持在7.97~8.32 bit，噪声谱密度优于-151 dBFS/Hz，系统动态范围超过71 dB，在高集成度、宽瞬时带宽与多样化高速接口等方面展现出综合优势，可为频谱认知智能提供有效的硬件支撑。

Abstract:

由于异构通信系统、雷达波形和数据链协议的大量涌现，电磁（Electromagnetic， EM）战场呈现出前所未有的复杂性。准确且实时的频谱态势感知，关键在于能够从多源、多模态的电磁信号中有效提取具有区分性的特征，并将其融合为一致的表示，以实现稳健的分类与辐射源识别。本文提出了一种综合性框架，集成了频谱数据特征参数提取、调制识别、协议识别以及多源异构数据融合识别方法，能够实现低信噪比（Signal-to-noise ratio， SNR）条件下高保真的信号表征。首先提出了基于包络特征、谱对称性和谱峰个数的分层调制识别方法，实现了SSB、FM、FSK、MSK和AM五种典型数据链和塔康信号的有效区分；其次提取了不同数据链的通信体制特征，建立了基于领域特征的数据链信号识别；最后针对多维频谱特征融合，构建了信号预处理方法和频谱特征降维融合模型，提出利用迁移学习和小样本学习解决新型辐射源信号样本稀缺问题。仿真结果表明，本文所提方法在不同信噪比条件下均具有较高的识别正确率，在小样本和样本不平衡情况下能够解决识别难题。

Abstract:

研究人头移动对混响声场中主动降噪头枕系统性能的影响，基于刚性球声散射模型对混响声场中的主动降噪头枕性能进行分析，并通过数值仿真提出了降噪量随人头移动的预测公式，讨论了对应用于主动降噪头枕的人耳定位系统的精度要求，并与初级噪声为平面波的情况进行了对比。仿真结果表明，噪声频率越高、人头初始位置降噪量越大、移动距离越大，降噪量衰减越大。对频率为125、250和500 Hz的噪声，初始位置降噪量为20 dB时，为保证降噪量衰减不大于3 dB，人头可以移动的范围分别为3.1 cm×4.1 cm×1.4 cm、2.9 cm×2.5 cm×1.2 cm和1.4 cm×1.2 cm×1.0 cm，小于平面波入射时的3.4 cm×9.1 cm×1.7 cm、3.1 cm×4.8 cm×1.5 cm和1.9 cm×2.3 cm×1.1 cm。最后，在混响室通过实验验证了仿真结果。研究结果对应用于飞机座舱、火车车厢等类似混响场声环境中的主动降噪头枕设计有一定的指导意义。

Abstract:

低照度图像增强是将光照不足条件下获取的图像恢复成正常曝光的图像，现有低照度图像增强算法大多通过设计复杂的网络结构获取良好的增强效果，计算效率较低；增强后的图像仍会存在噪声增多、色彩失真、细节丢失等问题，影响视觉感知和后续高级视觉任务。为此，本文提出一种基于多注意力特征融合的轻量级低照度图像增强方法。采用简单门控注意力模块对低照度图像全局特征进行高效提取，通过简化通道注意力及门控单元减少计算开销并保留图像细节信息；采用多注意力融合模块对全局特征及局部接收场提取的局部特征进行信息整合，通过像素注意力强化通道注意力与空间注意力对于全局及局部特征的表征，更好地恢复图像色彩、抑制噪声。此外，使用联合损失函数对增强任务进行约束，在真实数据集上的广泛实验表明，所提方法的性能超过了当前先进的低照度图像增强方法，并具有良好的计算效率和泛化能力。

Abstract:

自适应模型融合对于动态应对数据与任务的演化特性尤为重要。然而，现有模型融合方法仍存在静态权重难以适配数据相似性、动态融合受单因素驱动和易受数据分布漂移影响等问题。针对这些不足，本文提出基于数据相似性与模型可靠度驱动的自适应模型融合方法。该方法通过特征语义对齐，捕捉样本间的数据相似性，得到相似矩阵，进一步得到样本匹配度系数。然后，根据性能-多样性的基模型筛选算法，通过多维度度量评估基模型的泛化能力与局部性能，得到基模型的可靠度系数。最后，根据数据相似性系数和基模型的可靠度系数，进行融合权重计算，得到最终的融合模型策略。在公共数据集上的实验结果证明了本文所提方法的有效性。

Abstract:

随机森林聚类作为一种无监督学习方法，虽在高维复杂数据处理中鲁棒性强，但面临负类样本引入导致原始数据区分度弱及噪声决策树干扰聚类效果的问题。针对上述问题，本文提出一种基于谷检测和三支集成选择的随机森林聚类（Random forest clustering based on valley detection and three-way ensemble selection， VDTES-RFC）方法。首先，利用谷检测技术寻找潜在分裂点生成训练数据，并计算Gini指数确定最优分裂点以完成分类森林训练；其次，将决策树视为基聚类器并提取其相似度矩阵，采用三支集成选择策略优选高质量决策树组成新森林；最后，使用共识函数整合相似度矩阵得到最终聚类结果。实验结果表明，该方法有效提升了聚类的准确性与鲁棒性，实现了效率与性能的双优化。

Abstract:

在文本分类任务中，有效地提取文本特征并提高计算效率是关键问题，但传统方法难以同时兼顾特征丰富性和计算效率。针对这一问题，本文提出了一种融合文本特征与词频隐因子的文本分类（Linear attention text classification by combining text features and word frequency implicit factors，LTTW）模型，并引入线性注意力机制来捕捉文本关键特征。模型通过非负矩阵分解（Non-negative matrix factorization，NMF）从词频矩阵中提取词频隐因子，以捕捉潜在语义信息；同时，利用预训练模型提取文本语义特征，并与词频隐因子融合，构建更为丰富的文本表示。在此基础上，采用线性注意力机制，有效捕捉全局依赖关系并提高长文本序列的处理效率。本文在公开数据集上进行了实验验证，结果显示，所提出的模型在准确性和计算效率上均优于现有主流方法，尤其在处理长序列数据时表现出显著的效率优势。研究表明，词频隐因子的引入补充了预训练模型在语义特征提取方面的不足，线性注意力机制能够在有效捕捉文本关键特征的同时提高序列处理的效率，有效提升了文本分类的效果和效率。

Abstract:

针对主流语音增强模型存在的参数量膨胀以及计算复杂度剧增的问题，本文提出了一种基于门控混合膨胀卷积的轻量级语音增强网络。首先，设计了一种门控混合膨胀卷积模块，该模块结合门控线性单元与混合膨胀卷积，实现对语音信号的多尺度特征提取以及对噪声敏感区域的精准抑制，从而在有效保留语音长短时特征的同时，增强模型的鲁棒性；其次，设计了一种层级通道注意力模块，通过层级式特征融合，在低参数量条件下提升对通道维度中语音特征相关性的捕捉能力。在VoiceBank+DEMAND数据集上进行的实验结果表明，本文模型以仅0.41 M的参数量，在语音质量感知评价（Perceptual evaluation of speech quality，PESQ）、短时客观可懂度（Short-time objective intelligibility，STOI）、倒谱信噪比（Cepstral signal-to-noise ratio，CSIG）、倒谱背景噪声（Cepstral background noise，CBAK）、倒谱总体响度（Cepstral overall loudness，COVL）五项指标上表现良好，实现了模型轻量化与良好性能的有机结合。

Abstract:

传统的属性约简方法面向决策分类构建统一的属性约简集，忽视了不同决策类间属性的差异性表征，导致特定类的关键属性被冗余覆盖，且特定类分类准确率不高等问题。针对以上问题，考虑到模糊粗糙集在广泛存在的数值型和模糊性数据上的处理优势，本文提出了一种条件熵驱动基于模糊粗糙集的特定类属性约简方法。首先，通过融合模糊粗糙集的决策包含度与信息熵理论，定义了面向特定决策类的条件熵，量化了条件属性对目标类别的局部区分能力；其次，给出了基于条件熵的特定类属性约简条件，并分别定义了基于特定类条件熵的内部和外部属性重要度，进一步提出了基于属性重要度的特定类属性约简前向算法（Forward algorithm based on class-specific conditional entropy，FA-CE）和后向算法（Backward algorithm based on class-specific conditional entropy，BA-CE）。最后，在UCI的7个数据集和特征选择数据的2个数据集上与邻域条件熵、互信息、邻域粗糙集和一种传统依赖度约简方法进行了特定类约简比较，并在支持向量机（Support vector machine，SVM）、K最近邻（K-nearest neighbor，KNN）和分类与回归树（Classification and regression tree，CART）3种分类器上比较了特定类分类的准确率和F₁-score，验证了本文提出的特定类属性约简方法的合理性与有效性。

Abstract:

针对当前人脸表情在光照变化、存在遮挡等情况下难以识别，以及悲观情绪识别率较低的问题，本文提出一种基于改进稠密连接网络与人脸关键点特征融合的图卷积级联分类人脸表情识别算法。由于不同深度学习模型在人脸表情识别中各具优势，稠密连接网络在识别乐观和平静表情时准确率较高，而对悲观表情的识别效果较弱，因此本文首先采用小波变换、基于关键部位掩码注意力机制和二叉树分类器对稠密连接网络进行改进，构建了I-Densenet（Improved-DenseNet）模块，用于乐观、平静和悲观3类人脸表情的粗划分，提高粗划分识别率；其次使用基于人脸关键点特征融合的图卷积神经网络对人脸悲观表情细粒度划分，提高悲观表情的识别率。最后，通过将改进的稠密连接网络与基于关键点特征融合的图卷积神经网络进行级联，构建了D-GFK网络（DenseNet-GCN and face key point network），结合不同模型的优势，综合提高了对人脸表情识别的准确率。实验表明，本文提出的模型在人脸表情识别任务中取得了较好的识别效果。

Abstract:

随着社交媒体的蓬勃发展，谣言在大规模用户的线上互动中迅速扩散，严重干扰公众认知和社会秩序。现有检测方法在建模文本动态语义演化和复杂传播结构方面仍存在局限性，同时对易混淆类别的判别能力也有待提升。基于此，本文提出一种融合动态语义与图结构的对比学习谣言检测（Dynamic semantic and graph feature fusion for contrastive rumor detection， DySGCL）方法。在文本内容方面，采用层级 Transformer 提取用户历史帖子的全局语义表示，并结合时序卷积强化局部语义感知能力，以识别历史发帖的动态语义演化。在图结构方面，采用边移除策略模拟对抗性干扰，并结合图注意力网络（Graph attention network，GAT）自适应地突出核心交互关系。最后，联合自监督与有监督的对比学习机制，提升模型对易混淆类别的判别能力。实验结果表明，DySGCL 在公开数据集Twitter15、Twitter16上的准确率较基准方法分别提升了1.8%和2.0%，验证了其在谣言检测任务中的有效性。

Abstract:

脓毒症是一种由感染而引起的全身炎症反应综合症，在重症监护病房中具有较高的死亡率。然而，现有的预测方法通常依赖于从特征集合中提取单一特征子集，未能充分利用特征子集之间的复杂关联性，即结构互信息，从而限制了预测准确性。结构互信息不仅衡量了同一粒度下特征之间的依赖性，还揭示了不同粒度下特征之间的复杂关系，使其能够更精确地捕捉病情的细微变化。为了解决这一问题，本文提出了一种新的脓毒症预后模型，通过深入挖掘电子病历中的结构互信息，以显著提高死亡风险预测的准确性。实验结果表明，本文的预后模型在预测准确性方面表现出显著优势，为临床医生提供了更可靠的死亡风险评估和明确的决策支持。

Abstract:

针对现有方法在实际无线电环境中过度依赖标注数据，难以准确识别未知调制类型的问题，本文提出一种基于自举式潜在特征法（Bootstrap your own latent，BYOL）自监督表征学习与对比聚类机制的无监督通信信号调制识别方法。本文方法无需任何人工标注，首先利用BYOL框架，通过双分支结构分别处理同一信号的不同子片段，以自监督方式学习信号数据的内在稳定特征。其次，引入实例级与聚类级对比学习模块，前者增强同一信号不同增强视图的特征一致性，后者提高特征空间不同调制类型的区分性，从而实现对未知调制类型的高精度盲分类。实验在RadioML2018.01A数据集上进行验证，各项聚类评价指标相比现有算法均提升10%以上。此外，通过消融实验进一步证实BYOL模块与对比聚类机制对模型性能提升的关键作用。混淆矩阵分析表明，在10 dB下该方法对带载波双边带调幅（Amplitude modulation double-sideband with carrier， AM-DSB-WC）、频率调制（Frequency modulation， FM）、高斯最小频移键控（Gaussian minimum shift keying ，GMSK）等典型调制类型识别准确率接近理想值，对其他较难区分的类型也表现出较强的抗混淆能力与鲁棒性，体现了良好的泛化性能。

Abstract:

针对混合比特语义通信网络（Heterogeneous bit and semantic communication network，HBSCN）存在的能量供应受限和传输性能不足问题，本文构建了无线供电混合比特语义通信网络（Wireless powered HBSCN，WP-HBSCN），并提出了可移动天线（Movable antennas，MAs）赋能的高效传输方案。在该方案中，混合接入点（Hybrid access point，HAP）首先向所有用户发送射频信号以实现远程能量供应，然后比特用户和语义用户分别利用收集的能量以时分多址方式向HAP传输比特信息和语义信息。通过在HAP中部署MAs并调整其位置来构建良好的信道条件，实现下行能量传输效率和上行信息传输效率的提升。在保证语义用户的服务质量（Quality of service，QoS）约束的前提下，定义了总比特信息量最大化问题。为了处理该问题的非凸性，设计了基于连续凸近似（Successive convex approximation，SCA）方法和粒子群优化（Particle swarm optimization，PSO）算法的交替优化算法。仿真结果表明，相较于参考方案，所提出的方案最多可以将系统的总比特信息量提升100%。