摘要:海洋极端天气对沿海地区影响重大。研究人员利用海洋大数据，结合深度学习算法，在海洋极端天气现象预测方面取得了重要进展。本文首先以典型的多尺度海洋极端天气现象——厄尔尼诺、台风及短临降雨为例，介绍了近年来主流的海洋极端天气现象预测算法，即基于模式计算的方法和基于人工智能的算法。然后分析了海洋极端天气现象智能预测的挑战和机遇，详细总结了各类方法的研究进展，并且通过数据和实验讨论了现有算法的优点和不足。最后展望了基于海洋大数据的海洋极端天气现象智能预测的发展方向。

摘要:多源数据是一种综合多个信息源或数据集的复杂数据类型，其主要特点是不同的信息源隐含不同的知识结构，且从不同的角度刻画和描述了样本以及样本之间的关系。如何协同地融合与集成多源数据，并从不同视角快速地为用户挖掘出整体决策知识，成为数据科学领域亟待破解的科学问题。经典粗糙集理论、多粒度方法、证据理论和信息熵是常见的、有效的多源信息融合方法，已取得较为丰硕的成果。本文基于粒计算的角度对多源信息融合工作进行综述研究，介绍了每种信息融合方法的基本概念以及主要研究思路，并提出了多源信息融合领域中存在的若干问题，为该领域的后续研究提供理论参考。

摘要:针对目前主流的双支路单通道语音增强方法只关注全频带信息而忽略子频带信息这一问题，设计了一种基于人耳临界频带的交互性双支路模型。主要做法为，在复数谱支路上实施模拟人耳临界频带的划分方法对信号进行分频带处理，提取子带信息；在幅度补偿支路上直接对信号的全频带进行处理，提取全频带信息。复数谱支路负责初步恢复干净语音的幅度和相位，同时，该支路上学到的子带中间特征会被特定的模块传递给幅度补偿支路进行补偿；幅度补偿支路上的输出会对复数谱支路上输出的幅度做进一步的补偿，达到恢复干净语音频谱的目的。实验结果表明，提出的模型在恢复语音质量和可懂度方面优于其他先进的单通道语音增强模型。

摘要:基于深度神经网络的全频带语音增强系统面临着计算资源需求高以及语音在各频段分布不平衡的困难。本文提出了一种轻量级全频带网络模型。该模型在双路径卷积循环网络模型的基础上，利用可学习的频谱压缩映射对高频段频谱信息进行有效压缩，同时利用多头注意力机制对频域的全局信息进行建模。实验结果表明本文模型只需0.89×10⁶的参数即可实现有效的全频带语音增强，验证了本文模型的有效性。

摘要:考虑到通道间存在的空间关系影响着其降噪问题，图信号处理可以捕获该潜在关系，若直接采用其空间物理分布图，无法实时反映其时变特性，因此本文提出了一种基于联合图学习的多通道语音增强方法。首先，提出一种联合时间-空间图学习方法，以最小化多通道含噪语音信号在空间图上的平滑度、参考通道信号在语音帧内图上的平滑度、空间图的稀疏度和帧内图的稀疏度之和为目标，优化阵列空间图和语音帧内图。基于学习的空间图和帧内图，构建多通道语音信号的时间-空间联合图。在此基础上，将多通道语音图信号进行联合图傅里叶变换，进而采用固定波束形成（Fixed beam forming，FBF）方法进行增强。实验结果表明，与传统的FBF方法相比，所提出的基于联合图学习的FBF（Joint graph learning based FBF， JGL-FBF）方法显著提升了增强语音的信噪比（Signal-to-noise ratio， SNR）和主观语音质量评估（Perceptual evaluation of speech quality， PESQ）。另外，实验结果也表明，JGL-FBF方法的语音增强性能会受到时延补偿准确性的影响。

摘要:在各种压制式和欺骗式干扰随机存在的全球卫星导航系统（Global navigation satellite system， GNSS）复杂应用环境下，传统先估计干扰信号参数再抵消的干扰抑制方法需要针对不同类型的干扰设计专门的参数估计和抵消算法，设计工作量大且缺乏通用性。为此本文提出了一种基于深度残差神经网络的干扰抑制方案。首先，针对典型的GNSS干扰类型搭建和训练了相应的残差神经网络，实现从受扰接收信号中直接提取有用卫星信号。然后，结合干扰分类识别结果，将对一维接收信号进行短时傅里叶变换（Short-time fourier transform， STFT）预处理后的时频谱二维信号送入与干扰类型相对应的残差网络，网络输出消除了干扰信号影响的有用卫星信号的时频二维谱。该方案无需对不同类型的干扰采用不同的参数估计和干扰抵消方法，对各类压制干扰和欺骗信号均采用相同的处理流程。实验结果表明相比于先估计干扰信号参数再进行抵消的干扰抑制方案，所提方案对各种GNSS干扰类型均具有较好的抑制效果，具备一定的通用性。

摘要:为了解决无人机信道模型非平稳参数空时不连续的问题，提出了一种支持三维运动及姿态旋转的无人机非平稳几何随机模型，用于描述和模拟无人机对地多输入多输出通信信道的真实特性。该模型借鉴QuaDRiGa中的“准确定性”思想，基于收发端拓扑关系更新时变信道参数，考虑路径生灭概率改进信道功率计算方法，引入姿态相位矩阵描述无人机姿态旋转，以实现无人机非平稳信道参数的平滑演进。数值仿真结果表明，本文提出模型能够保证功率和角度等参数的平滑演进，输出信道的自相关函数具有非平稳性且受无人机姿态影响显著，可用于无人机通信系统设计和算法优化等领域。

摘要:数据分发服务（Data distribution service，DDS）是一种可靠的实时数据通信中间件标准，它是面向基于发布/订阅模型的分布式环境，在各个领域得到了广泛应用，但现有研究涉及DDS安全技术的成果较少，而在实际应用中发布订阅系统存在多种安全威胁。为了建立灵活可靠的安全机制来确保发布订阅信息的安全性，提出一种以数据为中心的访问控制方案。在属性加密的基础上，对访问树结构进行优化处理，结合发布订阅环境增加属性信任机制。之后采用制定属性连接式与授权策略的方式对发布订阅信息进行加密匹配，并建立DDS访问控制模型来控制发布订阅系统内信息的交互，实现数据的安全分发。经过实验验证，该方案既能够应对DDS存在的几种安全威胁，保障发布订阅信息的机密性，也能够实现系统对特定信息的访问控制，并且发布者订阅者不需要共享密钥，减少了密钥管理的开销。

摘要:多源域领域泛化是模型利用多个不同领域中的语义信息，并且能够很好地泛化到未知领域上。在医学图像中，不同领域之间的跨度比较大，模型泛化性能在未知域上会有较大程度的下降。为了解决这一问题，本文提出了一种编码特征再针对特定领域进行解码的网络结构。该模型使用一个通用编码器来学习所有领域上的领域不变特征，并通过特定领域解码器还原原有图像以加强其对图像特征的复原能力。此外，该模型还通过生成特征迁移图像与源域图像进行对抗学习来加强编码器学习领域不变特征的能力。 同时，本文在模型中还引入了特殊构造的分割融合预处理步骤来扩充数据集以增强模型的泛化能力，并进一步提高了本文提出网络结构的性能。在两个医学图像的分割任务中，大量实验数据表明，本文提出的模型相比现有先进模型表现出了优异的性能，此外本文还进行了一系列消融实验，证明了模型的有效性。

摘要:有效获取点云数据在空间上的结构性特征是点云语义分割的关键。针对以往方法没有很好综合利用全局和局部特征问题，提出一种新的空间结构特征——点的盒子特征用于语义分割，设计一种编码-解码结构的网络框架，下采样过程中使用几何结构特征模块学习点云的全局空间特征和局部邻域特征，上采样过程中按分辨率逐级恢复成完整尺寸特征图进行语义分割。其中，几何结构特征模块包含两个子模块，一个是全局特征模块，该模块学习点的“盒子（box）”特征以表现点云在采样空间内概括的粗糙几何特征；另一个是局部特征模块，该模块使用特征提取——注意力机制结构表现点云在局部邻域内精确的细粒度几何特征。在公开数据集S3DIS、Semantic3D上进行了实验并与其他方法比较，实验结果表明mIoU均领先目前大部分主流的方法，部分细则类IoU取得最高。

摘要:低分辨率是影响人脸识别精度的重要因素。一种有效方法是使用图像超分辨率技术对低分辨率图像重建，生成超分辨率图像后再对其作人脸识别，从而克服低分辨率面部图像对人脸识别的限制。但是，现有超分辨率方法在重建过程中往往忽略了保持其原始身份信息，这直接影响生成图像的人脸识别结果。针对上述问题，提出了一种身份保持约束下的面部超分辨率重建方法IPNet，在提高低分辨率面部图像质量的同时，能保持重建后的面部图像身份。IPNet方法将语义分割网络和面部生成器相结合，通过语义分割网络提取低维隐码和多分辨率空间特征，进而指导面部生成器输出接近于原图的真实面部图像。在此基础上引入人脸识别网络，将身份信息整合到超分辨率方法中，从而约束重建前后的面部图像身份保持一致。实验结果表明，IPNet方法在超分辨率图像质量和身份保持上均优于其他对比方法。

摘要:针对现有的多尺度目标检测模型在面对尺度变换和遮挡场景时所使用的融合方法融合不充分，且没有捕捉长距离依赖关系的问题，本文设计了通道融合增强模块和非局部特征交互模块，用于学习不同通道特征之间的相关性和捕捉特征图之间的长距离依赖关系。此外，针对当前检测架构都是基于单金字塔检测结构，存在信息丢失的情况，设计了双金字塔结构，并将提出的融合方法与双金字塔结构结合，在保留原始特征信息的基础上，补充融合后的特征信息。实验结果表明，提出的方法在公共数据集KITTI与PASCAL VOC上与其他先进工作相比具有更高的检测精度，证明了该方法在目标检测任务中的有效性。

摘要:为了解决Transformer编码器在行人重识别中因图像块信息丢失以及行人局部特征表达不充分导致模型识别准确率低的问题，本文提出改进型Transformer编码器和特征融合的行人重识别算法。针对Transformer在注意力运算时会丢失行人图像块相对位置信息的问题，引入相对位置编码，促使网络关注行人图像块语义化的特征信息，以增强行人特征的提取能力。为了突出包含行人区域的显著特征，将局部patch注意力机制模块嵌入到Transformer网络中，对局部关键特征信息进行加权强化。最后，利用全局与局部信息特征融合实现特征间的优势互补，提高模型识别能力。训练阶段使用Softmax及三元组损失函数联合优化网络，本文算法在Market1501和DukeMTMC-reID两大主流数据集中评估测试，Rank-1指标分别达到97.5%和93.5%，平均精度均值（mean Average precision， mAP）分别达到92.3%和83.1%，实验结果表明改进型Transformer编码器和特征融合算法能够有效提高行人重识别的准确率。

摘要:shapelet是时间序列中最具有辨识性的子序列，其一经提出就被来自各个领域的研究人员广泛研究，并在此过程中提出了许多有效的shapelet发现技术用于进行时间序列分类。然而，多变量时间序列的候选shapelet可能长度不同且变量来源不同，故很难直接对其进行比较，这对基于shapelet多变量时间序列分类方法提出了独特的挑战。为了应对这一挑战，提出了一种基于无监督表示学习和shapelet的多变量时间序列分类方法Multi-shapelet。Multi-shapelet首先使用混合模型DC-GNN（Dilated convolution neural network and graph neural network， DC-GNN）作为编码器，将不同长度的候选shapelet嵌入统一的shapelet选择空间，以进行shapelet之间的比较；其次，提出了一种新的损失函数以无监督学习方式训练该编码器，使得DC-GNN对shapelet编码得到相应的嵌入（Embedding）后，属于同类shapelet对应的嵌入之间的相对位置形成的拓扑与原空间中shapelet之间相对位置形成的拓扑之间的关系更接近于一种等比例的缩小，这对后续基于相似性的剪枝过程十分重要；最后，使用K-means聚类和模拟退火算法进行shapelet剪枝和选择操作。在UEA的18个多变量时间序列数据集上的实验结果表明，Multi-shapelet的整体精度相比于其他方法得到了显著提升。

摘要:微生物会对人类健康产生直接影响，对相关数据的分析有助于疾病诊断。然而，采集到的数据存在类不平衡与高稀疏性两个问题。现有的过采样方法在一定程度上可缓解数据的类不平衡，但是难以应对微生物数据的高稀疏性。本文提出了一种融合矩阵分解和代价敏感的数据扩增算法，其包含3个技术。首先，将原始矩阵分解为样本子空间和特征子空间；其次，利用样本子空间的正向量及其近邻向量生成合成向量；最后，根据合成向量与所有负向量的距离对其过滤。实验在8个微生物数据集上进行，同时与5种过采样算法对比，结果表明本文所提算法能够增强正样本的多样性，在识别出更多正样本的同时，分类结果的代价更低。

摘要:在大数据的时代背景下，数据潜在的价值使其成为重要的财富之一。数据的非法篡改、修正和非法分发给追踪数据的泄密源头带来巨大挑战。数字指纹技术可应用在数据泄密溯源领域，即在数据中嵌入一串能够唯一标识用户信息的序列，当数据发生泄密后，提取其中蕴含的数字指纹，追踪到泄密的叛逆者。多个用户对数据合谋攻击并泄密数据，从而毁坏其中嵌入的指纹信息达到逃脱追责的目的，抗合谋编码能够解决此问题。针对现有的数字指纹编码无法满足数据再分发需求、数字指纹嵌入造成较大数据失真的问题，本文使用BIBD（Balanced incomplete block design）作为外码，码字扩展后的C码作为内码，构建一种可再分发的抗合谋指纹编码RD-ACC（Redistributable anti-collusion fingerprint coding）。在此基础上，提出一种基于多目标优化的数据库指纹算法，能够在较小的数据库失真情况下保证数字指纹较高的鲁棒性，提取出的RD-ACC能够有效抵抗组内、组间多用户合谋攻击。实验结果表明，该算法能够在较小的数据失真下实现数据的再分发操作，并且能抵抗合谋攻击进行泄密溯源。

摘要:具有噪声的基于密度的空间聚类（Density-based spatial clustering of applications with noise， DBSCAN）能够发现不同密度和大小的类簇，对噪声也有很好的鲁棒性，被广泛地应用到数据挖掘的任务中。DBSCAN通常需要调整参数MinPts和Eps以达到更优的聚类效果，但往往在搜索最优参数的过程中会影响DBSCAN的性能。本文从两个方面优化DBSCAN，一方面，提出一种无参的方法优化DBSCAN全局参数选择。无参方法利用自然最近邻获得数据集的自然特征值，并将自然特征值作为参数MinPts值。然后，根据自然特征值计算自然特征集合，利用自然特征集合中的数据分布特性，分别采取统计最小值、平均值和最大值3种方式得到Eps值。另一方面，采用集成数据科学实时加速平台（Real-time acceleration platform for integrated data science，RAPIDS）的图形处理器（Graphics processing unit，GPU）计算加快DBSCAN算法的收敛速度。实验结果表明，本文提出的方法在优化DBSCAN参数选择的同时，取得了与密度峰值聚类（Density peaks clustering， DPC）相当的聚类结果。

摘要:网络数据下的概念认知与知识发现是网络背景下机器学习和人工智能的重要研究方向，已被引入到推荐系统研究中。现有的基于概念格的推荐方法忽视了节点之间的网络结构关系，同时构造概念格的效率低且构建概念集合的约束条件较严，在大规模的社交网络中难以实现。为解决这些问题，本文在网络形式背景的框架下，综合复杂网络的拓扑结构和弱概念相似度，提出了基于弱概念相似度的组推荐算法。首先，定义属性度、属性密度来描述属性的重要性，通过改进的节点影响力来确定专家节点；其次，利用专家节点划分社区，在划分的社区中通过属性弱概念下限相似度进行组推荐研究，进而获取推荐规则并对相应社区进行组推荐；最后，利用MovieLens数据集和Filmtrust数据集分析了各参数对本文所提算法的影响，并确定了参数的合理取值。将本文所提算法与其他推荐算法进行比较测试，实验验证了本文算法的有效性。

摘要:为解决传统A*算法和传统动态窗口法（Dynamic window approach，DWA）在移动机器人路径规划中存在的问题，提出一种改进A*算法和改进DWA相结合的动态路径规划方法。首先，采用16邻域16方向的路径搜索方式扩大路径搜索视野，减少节点访问量和转角度数；其次，对启发函数进行优化，增强路径搜索的目的性；接着，采用冗余点删除策略，减少转折点数目，路径平滑度进一步提高，再使用B样条曲线对路径拐角进行处理，得到的路径较为平滑；然后，在DWA的评价函数中对障碍物进行分类并区别对待以及添加速度自适应因子，能够提高避障灵敏度；最后，通过与其他算法进行三部分仿真实验以及优先级策略仿真实验，验证改进A*算法的有效性和融合方法避障的优越性。

摘要:为实现高频段微波信号的精确测向，提出了一种基于微波光子鉴相器的均匀圆阵相关干涉仪测向算法。为克服传统的电域鉴相器工作频段低、带宽窄的缺点，利用微波光子技术高频段、大带宽、低损耗和抗电磁干扰的优点，基于双偏振调制器设计一种微波光子鉴相器，利用光干涉将相位差信息映射为光信号功率，通过测量功率计算出相位差。该微波光子鉴相器精度高，能实现±180°的相位差测定，鉴相精度为±2°。利用余弦函数克服了传统相关干涉仪存在的相位模糊问题。同时，为确保算法的实时性，测向算法需选取适当的步进角度。为克服步进角度引入的测向误差，利用二维抛物面进行拟合插值运算，从而提高算法的精确度。最后，通过仿真验证了微波光子鉴相器和相关干涉仪测向算法的有效性。