摘要:随着大数据的持续发展，数据已经成为国家的重大战略资源，对社会影响日益明显。为了更深入地挖掘和研究大数据背后所蕴藏的基本科学问题，新的研究领域——数据科学被提出。本文从大数据的发展历程出发，介绍了数据科学的兴起和内涵；分析了大数据和数据科学的研究现状，以及数据在各行业中的应用；简述了为探索数据科学本身的内涵和规律而建设的大数据试验场；讨论了数据科学的关键问题，以及在研究数据时应具有的新思维和新观念，以推动数据科学的发展，促进现实世界向数字世界的转型，最终实现社会生活的真正智能化。

摘要:组织内部网络不仅面临着外部攻击者的威胁，同时也面临以破坏组织网络结构、内部信息资料窃取以及各种诈骗手段为主的内部威胁。内部威胁因为其多元化、伪装性强等特点，对组织机构内部造成了严重影响，因此对于内部威胁发现检测方法的研究变得非常有必要。本文首先对内部威胁进行了描述，重点针对内部威胁发现检测方法的现实意义进行了论述。同时将现有的内部威胁发现检测方法分为3类：基于异常行为的检测方法、基于审计日志异常的检测方法和其他检测方法，分别介绍了现有3类方法的研究现状，并对它们的研究进展进行了总结、归纳和分析。最后对内部威胁发现检测方法的未来研究方向进行了展望。

摘要:大规模多输入多输出（Multiple input multiple output， MIMO）技术的演进是第6代（The sixth generation， 6G）无线通信系统性能进一步提升的重要支撑。随着天线阵列规模的持续扩大，频分复用（Fvequency division duplexing， FDD）大规模MIMO系统获取下行信道状态信息（Channel state information， CSI）面临着严峻挑战。深度学习具有强大的学习及处理高维数据的能力，能够为解决这一挑战提供新的方案。本文综述了基于深度学习的FDD大规模MIMO下行CSI获取技术，包括CSI反馈和预测技术。首先给出了基于深度学习的CSI反馈和预测的原理框架，其次分析比较了国内外相关研究成果的优越性能，为解决面向6G的FDD大规模MIMO系统获取下行CSI问题提供了可行的参考方案。最后讨论了FDD大规模MIMO下行CSI获取的有待进一步解决的开放性问题以及所对应的潜在研究方案。

摘要:域适应主要应对跨不同数据分布的相似任务决策问题。作为机器学习领域的一个新兴分支，域适应受到了众多的研究和关注。随着近年深度学习的兴起，深度学习和域适应相结合的深度域适应研究得到了更多的关注。尽管已有各种深度域适应方法被提出，却鲜有系统的综述工作发表。为此，本文重点对现有的深度域适应方法进行全面回顾、分析和总结，为相关研究人员提供借鉴和参考。本文主要贡献包括以下方面：首先，对域适应的背景、概念和应用领域进行概括总结。其次，根据模型是否涉及对抗训练机制，将现有深度域适应划分为深度对抗域适应和深度非对抗域适应两大类方法，并逐类回顾和分析。然后，对常用的实验基准数据集进行归类和总结。最后，对现有深度域适应工作存在的问题和不足进行了归纳分析，并讨论了将来的可行研究方向。

摘要:针对语音情感识别任务中说话者的差异性，计算谱特征的一阶差分、二阶差分组成三通道的特征集输入二维网络。结合卷积神经网络、双向长短时记忆网络以及注意力机制建立基线模型，引入深度残差收缩网络分配二维网络中的通道权重，进一步提高语音情感识别的精度。为提升模型的学习效果，采取特征层融合（特征向量并行和特征向量拼接两种方式）和决策层融合（平均得分和最大得分两种方式）等不同信息融合机制。结果表明：（1）特征层融合中的特征向量并行策略是更有效的方式；（2）本文提出模型在CASIA和EMO-DB数据库下分别取得了84.93%和86.83%的未加权平均召回率（Unweighted average recall， UAR），相较于基线模型，引入深度残差收缩网络后的模型在CASIA和EMO-DB数据库上的未加权召回率分别提高5.3%和6.2%。

摘要:深度学习算法的有效性依赖于大量的带有标签的数据，迁移学习的目的是利用已知标签的数据集（源域）来对未知标签的数据集（目标域）进行分类，因此深度迁移学习的研究成为了热门。针对训练数据标签不足的问题，提出了一种基于多尺度特征融合的领域对抗网络（Multi-scale domain adversarial network， MSDAN）模型，该方法利用生成对抗网络以及多尺度特征融合的思想，得到了源域数据和目标域数据在高维特征空间中的特征表示，该特征表示提取到了源域数据和目标域数据的公共几何特征和公共语义特征。将源域数据的特征表示和源域标签输入到分类器中进行分类，最终在目标域数据集的测试上得到了较为先进的效果。

摘要:感知机是模式识别领域的二分类判别模型，具有简单、线性和运算效率高的优点，也是众多分类器的基础。然而，感知机无法表达复杂的非线性映射，难以处理非线性可分数据。针对感知机的固有缺陷，结合粒计算特性，本文提出了一种新型的感知机分类模型——粒感知机。通过粒计算理论，样本在单特征上的粒化形成粒子，多特征上的粒化构造成粒向量；进一步定义粒感知机模型，设计粒感知机策略，提出粒感知机学习算法。为了求解粒感知机的优化解，证明了粒感知机损失函数的导数形式，设计了梯度下降算法，并从收敛速度、非线性能力与分类精度多方面进行了实验比较，结果表明所提出的粒感知机模型具有收敛速度快与非线性处理数据的能力。

摘要:社交网络中的意见领袖在信息传播过程中起着重要的作用。传统的意见领袖挖掘仅基于网络结构，没有考虑特定话题或者事件下的作用，且目前基于话题的意见领袖挖掘仅基于单一的网络结构，并没有考虑到节点间的多种交互关系。本文提出一种基于多关系网络的话题意见领袖挖掘方法（Multi-relational networks， MRTRank），融合话题因素和节点间多种交互关系，通过一种属性网络表示学习算法，得到不同节点在多关系网络上的相似性，形成节点的转移概率矩阵，最终通过PageRank算法得到top-k个意见领袖。在真实Twitter数据集上的实验结果验证了本文提出的方法优于传统的意见领袖挖掘算法。

摘要:针对小样本学习标注训练样本过少，导致特征表达力弱的问题，本文结合有监督主题模型（Supervised LDA， SLDA）和动态路由算法提出一种新的动态路由原型网络模型（Dynamic routing prototypical network based on SLDA， DRP-SLDA）。利用SLDA主题模型建立词汇与类别之间的语义映射，增强词的类别分布特征，从词粒度角度编码获得样本的语义表示。提出动态路由原型网络（Dynamic routing prototypical network，DR-Proto），通过提取交叉特征利用样本之间的语义关系，采用动态路由算法迭代生成具有类别代表性的动态原型，旨在解决特征表达问题。实验结果表明，DRP-SLDA模型能有效提取词的类别分布特征，且获取动态原型提高类别辨识力，从而能够有效提升小样本文本分类的泛化性能。

摘要:传统视觉同步定位和地图构建（Simultaneous localization and mapping， SLAM）算法建立在静态环境假设的基础之上，当场景中出现动态物体时，会影响系统稳定性，造成位姿估计精度下降。现有方法大多基于概率统计和几何约束来减轻少量动态物体对视觉SLAM系统的影响，但是当场景中动态物体较多时，这些方法失效。针对这一问题，本文提出了一种将动态视觉SLAM算法与多目标跟踪算法相结合的方法。首先采用实例语义分割网络，结合几何约束，在有效地分离静态特征点和动态特征点的同时，进一步实现多目标跟踪，改善跟踪结果，并能够获得运动物体的轨迹和速度矢量信息，从而能够更好地为机器人自主导航提供决策信息。在KITTI数据集上的实验表明，该算法在动态场景中相较ORB-SLAM2算法精度提高了28%。

摘要:提出一种采用排序学习技术解决城市设施选址问题的方法，并引入人类移动性特征提升选址的质量。首先对人类移动行为进行特征提取与分析，使用双流自编码器融合人类移动性特征与其他特征，提取表征向量；然后基于候选集的表征向量与排序学习网络进行地块排序；最后，基于真实的多源数据集进行实验，结果验证了本文提出的排序学习选址方法的有效性。

摘要:随着社交网络和互联网的飞速发展，产生了大量的微博短文本流数据。及时发现微博文本流中热点话题，对话题推荐和舆情监测等有重要作用。为了解决微博短文本特征稀疏问题，利用微博评论对微博进行特征扩展，提出了一种基于特征扩展的微博短文本流热点话题检测方法（Feature extension-based hot topic detection， FE-HTD）。首先利用评论用户的影响力以及评论文本的点赞数筛选评论文本，并使用词共现和词频-逆文档频率（Term frequency-inverse document frequency，TF-IDF）方法从选取的评论文本中抽取特征词完成对微博文本的特征扩展；然后计算微博文本流的词对速度、词对加速度，并根据点赞数、评论数计算微博文本强度，结合词对加速度与微博文本强度定义突发特征；最后，根据突发词对的速度确定可变长的热点话题窗口范围，通过聚类得到窗口中热点话题的主题结构。实验中，将所提算法与基于文本的话题检测（Text-based topic detection， T-TD）和基于突发词的话题检测（Burst words-based topic detection， BW-TD）进行对比实验。结果表明，本文算法FE-HTD准确率达76.4%，召回率达78.7%，与对比算法T-TD和BW-TD相比提高了10%。

摘要:分类学习效果与有限训练样本的分布情况密切相关。支持向量数据描述（Support vector data description， SVDD）作为单一边界求解模型，不能良好刻画数据实际分布特征，从而导致部分目标对象落在超球以外。为了提高其分类能力，本文提出一种基于粒计算的支持向量数据描述（Granular computing-driven SVDD， GrC-SVDD）分类方法，构造多粒度层次的属性集合以及相应的多粒度超球。首先通过邻域自信息对当前粒度层的属性集合重要度进行计算，然后选择最佳属性集合对上一粒度层未达到纯度阈值的超球再训练，直到所有超球满足条件或者属性耗尽。实验部分讨论了算法参数对分类性能的影响，并通过学习获得超参数。结果表明，与SVDD及流行的分类算法相比，本文方法具有较好的分类性能。

摘要:图像先验是图像复原中求解不适定问题的关键。针对在图像具有显著噪声时，极端通道先验去模糊算法容易产生振铃伪影和无法抑制噪声的缺点，利用全变分模型可以同时抑制噪声和保护边缘的优势，提出一种有效的全变分极端通道先验的盲图像去噪和去模糊模型。首先，将全变分模型分别引入暗通道和亮通道中，用于保护图像的边缘及消除噪声或振铃伪影；其次，利用半二次分裂技术解决模型的非凸问题和估计潜在的清晰图像；最后，用迭代多尺度盲反褶积估计图像的模糊核。实验结果表明，该算法能够在抑制噪声的同时很好地保护图像的边缘细节和消除振铃伪影。相比近几年具有代表性的其他方法，该模型的鲁棒性、主观视觉效果和客观评价指标均有明显提高。

摘要:为解决雷达辐射源信号分选识别特征评价不够客观和缺乏评价依据等问题，构建了一种结合区间直觉模糊思想的改进灰色关联的特征评价模型。该模型引入信噪比维度来考察不同层次数据的动态差异，以区间型数据描述特征信息，建立区间直觉模糊综合决策矩阵；其次，采用特征间总离差最大化的优化模型来确定各指标权重；最后基于改进灰色关联框架，结合逼近理想点方法实现特征方案排序。仿真实验结果表明，所提方法能够给出与实际情况相一致的分选识别特征评价排序结果，并和未改进的灰色关联法分析结果基本一致，验证了所提方法的可行性和有效性。

摘要:特征选择指在保持数据分类性能不变的同时，选出不含冗余特征的特征子集。粗糙超立方体方法可从特征相关度、依赖度和重要度这3方面对特征子集进行综合评估，已成功用于特征选择。特征子集组合的计算是一个NP-难问题，而传统的前向搜索策略只能得到局部最优结果。因此，本文设计了一种新的离散粒子群优化与粗糙超立方体方法相结合的算法。该算法首先引入相关度用以生成一组粒子，然后对粗糙超立方体方法的目标函数改进后作为优化函数，最后由粒子群迭代优化，找到最优的特征子集。实验结果表明，相比传统粗糙超立方体方法和采用粒子群优化的粗糙集方法，本文算法能够得到具有更小特征数量和更高分类性能的特征子集。

摘要:通信频谱行为分析是电磁频谱对抗中提升通信态势感知层次，增强电磁侦察能力的关键手段。随着人工智能技术的发展，通信频谱行为分析的相关研究逐渐由基于手工特征提取的传统方法向基于深度学习的智能方法转变。然而，电磁对抗环境下通信频谱监测数据稀缺、数据不完全的问题会影响深度网络对特征的学习。同时，高动态的战场环境对分析方法实时性提出更高要求。本文聚焦电磁对抗环境下的通信频谱行为分析问题，将通信频谱行为分析相关技术的研究目标归纳为：用频行为分析、网络拓扑识别与通信意图推理3大类。阐述其内在联系，总结现有研究并梳理其发展脉络，分析面临的挑战并做出展望。

摘要:ZUC-256是由中国开发的一种应对于5G通信和量子计算机的流密码，该算法主要包含ZUC-256流密码和一种基于该流密码的完整性算法（EIA3）。本文设计了2种不同的ZUC-256流密码轻量级电路结构，以及1种基于ZUC-256流密码的EIA3算法结构。基于FPGA对设计的电路结构和算法结构进行实现，并进行了性能对比。对比结果表明：本文设计的2种电路结构最高达到了6.72 Gb/s的吞吐率，相较于现有的ZUC-256电路设计在速度上提高了45.24%；本文设计的2种电路相较于之前的ZUC-128占用资源更少，在面积上分别减少38.48%和30.90%；本文设计的EIA3算法结构仅用0.71 μs即可对128位的数据进行加密。

摘要:基于Wi-Fi位置指纹的室内定位中，采用异构设备在同一位置、同一时间采集的无线信号接收强度（Received signal strength indicator，RSSI）存在差异，使得离线指纹库与不同用户在线采集的信号难以兼容而影响定位精度。针对该问题，本文提出一种适应异构设备的定位算法。该方法首先通过接入点（Access point， AP）选择，构建信号稳定的离线指纹数据库，再使用普氏分析法（Procrustes analysis， PA）对指纹库标准化，消除异构设备引入的信号差异。在线阶段采用余弦相似度（Cosine similarity， CS）算法得到目标的位置估计。在2种典型室内环境中利用4台手机测试了所提方法的定位性能，并分析了影响定位性能的因素。实验结果表明，所提方法在2种室内环境中的平均定位误差分别为2.96 m和2.29 m，相比较加权K近邻（Weight K-nearest neighbor， WKNN）算法定位精度分别提高了21.3%和21.6%。

摘要:为了改善机器人的操作方式，提高体感交互的识别精度，提出了一种基于限幅加权骨骼节点滤波的体感交互技术。首先利用Kinect传感器获取深度场景信息，并通过骨骼追踪技术处理所获得的深度信息以此匹配人体各个关节，建立人体各关节的3D坐标；然后采用空间向量映射的形式计算出各关节转动角度，并利用本文所提出的限幅加权滤波算法，即通过对采集并计算出的关节转动角度进行限幅加权滤波处理，减少了骨骼噪声的影响；最后将转动角度转化为控制指令，通过蓝牙串口将控制指令发送给机械臂控制器，操控机械臂舵机转动。实验结果表明，该方法能够实现体感交互效果，机械臂随人体手臂运动的识别率为96.3%，且限幅加权滤波算法能有效减少骨骼噪声影响。