摘要:

摘要:本文旨在系统梳理海空异构多智能体系统协同技术的研究进展，明确其核心协同范式，并揭示“感知-决策-控制”全链路紧密耦合所引起的系统性挑战。研究方法从系统级功能视角出发，剖析了由规模效应与异构效应所导致的系统扩展性、动力学匹配与整体鲁棒性等全链路挑战；继而，对支撑系统协同的5项关键技术——多源数据融合、通信网络、任务分配、路径规划与编队控制的主流方法进行综述与对比分析，评估其优劣及适用场景。分析表明，该系统在海上搜救、广域巡检等任务中潜力显著，但迈向实际工程应用仍受制于跨平台集成困难、动态环境适应性不足和测试评估体系缺失等技术瓶颈。未来需聚焦于全链路协同理论建模、轻量化智能算法及标准化工程架构等方向持续突破，并拓展跨域协同新模式，以促进海空异构多智能体系统向更高智能、更强鲁棒和更广应用的方向发展。

摘要:本文设计了一种无人机（Unmanned aerial vehicle， UAV）多模态超宽谱认知仪，通过深度融合可见光、红外、合成孔径雷达（Synthetic aperture radar，SAR）及无线频谱等多模态传感器构建智能遥感系统，旨在攻克传统无人机遥感的根本性瓶颈：续航时间短严重制约探测范围、有效载荷不足限制多模态感知能力、机载算力薄弱导致实时处理延迟、通信容量有限阻碍高保真态势评估。本文设计方案针对续航挑战，采用活塞发动机与锂电池协同的混合能源构型，结合垂直起降（Vertical take-off and landing， VTOL）飞翼布局，显著提升航时效能；为应对载荷限制，开发复眼多目相机实现大视场高分辨率成像，集成W波段轻小型SAR突破亚毫米级振动补偿技术，支撑空-时-频多维度协同感知；为化解实时处理困境，基于时空配准框架与轻量化深度学习模型，构建数据层-特征层-语义层多层次融合机制，将低可观测目标检测精度提升至90%以上；针对通信瓶颈，创新生成式编码技术结合知识图谱驱动的态势重建，通过无参考质量评估模型量化语义保真度，实现超 400 倍压缩下的高保真三维态势生成。该仪器在国防侦察领域成功实现复杂电磁环境中隐蔽目标实时追踪，在应急救援中完成洪涝灾害监测与三维重建等关键任务，验证了多模态超宽谱认知在复杂场景的实用价值。

摘要:随着中国低空经济的高速发展，低空空域呈现超大规模节点接入与超高密度频谱复用的新特征，无人机实时安全监管成为重大挑战。根据中国强制性标准要求及民航局规定，无人机需以广播形式对其运行识别信息进行不间断报送，地面监测节点以此进行身份识别。然而标准广播模式缺乏源可信认证机制，存在较大安全隐患，且现有研究缺乏针对我国标准格式的广播容量理论分析与量化评估。针对以上问题，本文提出使用国密SM2算法的广播式运行识别信息可信构造方法，在标准广播报文基础上附加数字签名，形成抗攻击的强认证能力，规避国际算法后门风险。其次，建立适用于Wi-Fi信标广播体制的低空信道容量理论分析，并通过仿真实验验证表明载波侦听多址接入（Carrier sense multiple access，CSMA）机制相较纯ALOHA协议性能提升约85%。在理想信道环境假设下，使用2.4 GHz单频段、20 MHz带宽、1 s更新周期及18 dBm发射功率，引入国密签名后的可信广播理论容量为82架/km²，有效满足当下15~22架/km²的高密度容量需求。为降低引入签名带来的容量影响，本文进一步提出可变频次签名策略，在高密度场景下减少容量损失，同时确保身份认证信息的完整性与不可抵赖性。本文提出的签名方法与容量分析模型可为未来低空监管系统部署提供理论依据与设计参考。

摘要:多无人机系统在动态环境下的协同决策面临安全性与鲁棒性的双重挑战。传统方法将安全机制与决策算法分离设计，难以保障系统在异常情况下的可靠运行。本文提出一种遵循“安全左移”与“设计安全”思想的协同策略优化框架（Adaptive security control with adversarial-resilient endogenous strategy， ASC-ARES），通过状态建模与奖励塑形将拓扑控制、物理安全与能量管理等多层安全约束系统性嵌入深度强化学习（Deep reinforcement learning， DRL）决策过程，实现功能与安全的一体化设计。该框架首先扩展了深度确定性策略梯度（Deep deterministic policy gradient， DDPG）算法以适配混合动作空间，通过设计双头策略网络实现三维连续姿态与离散偏航角的联合优化。其次，框架融合了质心引导的双连通控制算法，赋予协同决策主动感知网络连通性的能力。最后，构建了以平均主观意见得分（Mean opinion score， MOS）为驱动的多目标自适应奖励机制，实现了用户体验质量（Quality of service， QoE）、网络双连通性、碰撞规避与能量效率的协同优化。 实验结果表明，ASC-ARES框架具备优异的收敛特性与稳定性，其MOS波动率控制在0.36%，双连通成功率高达99.98%。对抗攻击实验显示，系统在遭受快速梯度符号法（Fast gradient sign method， FGSM）、投影梯度下降（Projected gradient descent， PGD）法及强噪声干扰（?=2.0）后展现出优异的拓扑重构与状态恢复能力，干扰移除后的平均性能回升率超过80%。此外，消融实验证实了各安全组件的关键作用：拓扑控制模块将服务质量提升59%，排斥力机制则有效抑制了85%的碰撞风险。本研究为多无人机系统提供了一套平衡性能优化与内嵌安全保障的协同决策方案。

摘要:高精度时钟同步是通用航空集群协同运作的核心技术之一。当前往返时间（Round-trip time，RTT）同步技术中，机动状态下的非等应答时延影响常被忽略，易引发显著内部处理时延偏差。本文提出一种基于相对速度补偿的RTT时钟同步算法。该算法在解析应答航空节点内部处理环节的非均等应答时延（Unequal reply time， URT）原理的基础上，设计基于批量估计的时延建模与补偿策略，可有效降低同步误差。进一步，该算法设计卡尔曼滤波与反向传播（Back propagation，BP）神经网络级联的授时/守时策略，通过对时钟偏差与频率偏差的预测和修正，能够有效抑制机动状态下的观测噪声。仿真结果表明，所提出的时钟同步算法优于现有同步新算法，且实现了纳秒级同步精度。

摘要:Transformer模型的出现使得语音识别的正确率有了巨大提升。随着深度学习技术的发展，通过对抗样本来攻击语音识别系统，以了解该系统的脆弱性并进行完善，进而提高识别系统的鲁棒性。由于通用语音对抗样本对于任意语音都有效，更是受到了广泛关注，其关键问题是如何提高对抗样本的迁移性，进而实现高攻击成功率。本文利用Transformer类语音识别模型结构特征的相似性，通过使扰动后的语音与原始语音的中间层特征尽可能不同，以改变其中间层特征表示的规律，实现有效的通用对抗攻击。鉴于通用对抗样本需要利用与样本无关的底层声学信息，而与样本依赖的语义信息会抑制其性能，因而通过控制注意力梯度以减弱通用对抗样本对于语义上下文特征的学习，进而实现通用对抗样本的高迁移性。实验结果表明，本文所提出的通用对抗样本生成方法可以有效地提高对抗样本在Transformer类语音识别模型之间的迁移性。

摘要:面向多用户语音传输场景，本文提出一种使用超网络个性化联邦学习的深度学习语义通信系统（Deep learning based semantic communication system using federated learning based on hypernetworks， DeepSC-FedHN）。边缘服务器采用超网络来衡量每个本地用户语义编码器中各模块的重要性，生成个性化聚合权重矩阵来更新相应模型参数。同时，采用联邦学习（Federated learning， FL）算法聚合模型的信道编解码器和语义解码器部分。实验结果表明，本文提出的DeepSC-FedHN方案总体优于本地训练方案、联邦平均（Federated averaging， FedAvg）方案、联邦近似（Federated proximal， FedProx）方案和采用分层个性化联邦学习的深度学习语义通信系统（Deep learning based semantic communication system using layer-wised personalized federated learning， DeepSC-pFedLA）。

摘要:针对电动出租车充电设施选址中存在的空间分布失衡与利用率低下问题，本文提出一种融合Epsilon约束与模糊数学规划的多目标粒子群优化（Fuzzy mathematical programming based particle swarm optimization， FMPPSO）算法。通过构建涵盖土地成本、接客率及电池损耗的多约束选址模型，设计了基于模糊隶属度函数的自适应目标权重分配策略，解决传统进化算法在多目标优化中的早熟收敛难题。引入Epsilon约束机制，动态平衡收敛性与解集分布性，生成高质量Pareto前沿解集。最后通过仿真实验与对比分析验证FMPPSO算法在求解电动出租车充电设施选址问题上的有效性。

摘要:本文提出了一种基于调和背景建模的二阶段实例分割方法，可实现复杂遥感图像背景下目标的快速且精细的实例分割。方法包括2个阶段：第1阶段采用可灵活替换的目标检测器，如YOLOv10（You only look once v10）或DINO（DETR with improved denoising anchor boxes），获取候选目标框；第2阶段设计为“即插即用”的掩膜计算模块，无需额外训练即可基于调和函数模型对背景进行快速回归，并计算前景掩膜，从而提升掩膜计算的精度与鲁棒性。本文方法以调和函数理论及复分析中的相关定理为数学基础，以Dirichlet问题为核心框架，创新性地提出利用局部边界信息推断全局背景的实例掩膜生成策略。通过将Dirichlet问题转化为最小二乘回归形式，算法兼具可实现性与灵活性。在NWPU VHR-10数据集上的实验结果表明，与典型方法相比，本文方法在包围框平均精度（Average precision of boxes， AP-Box）和掩膜平均精度（Average precision of masks， AP-Mask）指标上均取得更优表现，其中AP-Mask指标可以在设定交并比（Intersection over union， IoU）指标为50%时达到92.1%，较现有最佳结果提升2.5个百分点。结果验证了该方法在遥感目标分割任务中的有效性与应用潜力。

摘要:岩石薄片显微图像常常呈现出局部纹理复杂、模糊以及高噪声的特征，导致传统的特征提取和匹配算法在高分辨率岩石薄片显微图像拼接中容易出现找不到有效特征点而难以实现全景拼接的问题，并且处理速度较慢。针对上述问题，提出了一种基于改进GLU-Net的岩石薄片显微图像拼接方法。该方法通过结合改进的相关性计算模块增强全局与局部对应关系，使用特征金字塔网络实现多尺度特征融合，设计添加了自适应卷积注意力机制优化关键区域注意力，并使用全局与局部解码器获取光流，最后对图像进行单应性变换实现拼接，构建了一种新的图像拼接网络模型。实验结果表明，与传统图像拼接算法和其他经典图像拼接网络模型相比，提出的网络表现出更好的拼接效果，在自制数据集拼接测试中的拼接准确率达到了86.75%，每组平均配准耗时为0.394 s，在提高拼接准确率的同时有效平衡了处理效率。

摘要:针对沙尘图像目前存在的颜色偏移、清晰度低以及暗通道先验方法在处理图像天空区域时效果不好等问题，提出一种基于色偏校正和天空分割的沙尘图像增强方法。首先，结合通道补偿和灰度世界算法校正沙尘图像色偏。其次，提出了一种基于天空分割的去雾方法。通过信息熵确定图像的分割阈值，利用阈值将图像分割为天空区域和非天空区域；并利用融合窗口对暗通道进行优化；然后，引入自适应调节因子对透射率进行调节，利用大气散射模型还原图像。最后，在HSV（Hue， saturation， value）空间中利用自适应饱和度增强算法和自适应伽马矫正对图像饱和度和亮度进行调整。实验结果表明：所提方法可以校正沙尘图像的色彩偏移现象，提高图像的清晰度，同时可以提高天空区域的恢复效果。本文方法在平均梯度、标准差和信息熵3个量化指标上分别提高了2.27%、4.34%和0.25%。

摘要:由于现有成像设备的局限性，难以直接获取高动态范围（High dynamic range，HDR）图像。HDR成像技术旨在通过处理低动态范围（Low dynamic range，LDR）图像来生成HDR图像。现有的大多数方法通过融合多张不同曝光的图像来重建HDR图像。然而，由于前景和背景的相对运动，导致最终的重建结果中出现伪影。现有方法仅在融合多张不同曝光的图像前进行伪影消除。但这样会导致最终的HDR图像的质量严重依赖于融合前的伪影抑制结果。而伪影抑制的不理想导致融合过程中引入的伪影信息在后续重建过程中难以消除。基于此，提出了一种对重建特征进行伪影多重抑制和信息多级融合的网络框架，以高效重建HDR图像。通过多重伪影抑制块（Multiple artifact suppression block，MASB）来处理不同图像和特征之间的差异。与现有方法仅对融合前的图像或特征进行处理不同，在重建过程中对特征进行多重伪影抑制，从而进一步抑制重建特征中的伪影。同时，为了更好地利用非参考输入图像的特征，提出了多级融合块（Multilevel fusion block，MFB），在多级融合模块里进一步获取非参考图像中的互补信息。在多个数据集上的实验对比结果显示，所提方法在主观视觉效果和客观指标上均取得了更优异的表现。

摘要:针对由于SAR图像存在目标数量和种类多、尺度各异、高度复杂的背景相干斑噪声等特性导致检测精度低的问题，提出了一种联合空间-通道特征及频率选择的SAR目标检测算法。首先，采用经过预训练的ResNet-50网络作为主干网络来提取目标多尺度特征，并通过联合多尺度空间-通道特征增强模块的特征金字塔网络来增强对多尺度特征的表征。随后，在特征域引入频率选择模块来选择性地去除噪声同时保留目标信号以达到增强目标特征的目的。在标准数据集MSAR和SARDet-100K上进行了对比实验，结果表明，该算法在两个数据集上均超越了现有SAR图像目标检测算法Faster R-CNN、ConvNeXt、PVT-T和YOLOF，达到了最优性能。

摘要:多视图聚类是一种机器学习技术，通过整合多源信息可以显著提升聚类性能。然而，现有方法在处理多视图数据时未能充分利用张量低秩表示与亲和度矩阵之间的内在相关性，同时在应对数据缺失、噪声和异常值时表现不佳。为解决这些问题，提出了一种基于张量低秩学习的多视图子空间聚类方法。该方法通过对数据样本施加低秩约束，深入挖掘数据点之间的高阶关联性，精确识别数据的子空间结构。同时，引入张量奇异值分解和加权张量核范数最小化方法，对亲和度矩阵进行优化，将聚类问题转化为一个凸优化问题求解，确保了模型的鲁棒性和效率。此外，所提方法在捕捉多视图数据复杂关联性方面表现出色，能够更准确地识别数据的潜在子空间结构。实验结果表明，所提方法在4类基准数据集上的性能优于现有方法，具有高的准确性和鲁棒性。

摘要:全切片图像（Whole slide images， WSIs）是病理学诊断的金标准。准确的组织病理图像分类为肿瘤的类型、分级和分期提供了详细信息，对癌症预后和治疗策略选择具有重要意义。目前，在计算病理学领域中，基于多实例学习（Multi-instance learning， MIL）的分析方法正成为针对WSIs分类问题的主流方法，但该方法大多针对单一尺度病理图像展开，无法在不同层次上理解癌症的产生与发展机制。此外，病理图像的高分辨率特性以及不同尺度病理图像蕴含信息的差异性，也给高效分析单一尺度内的病理图像块以及融合不同尺度下的病理信息带来挑战。为此，本文提出了一种基于可变形注意力和多尺度多实例学习（Deformable attention and multi-scale multi-instance learning， DMSMIL）的全切片病理图像分类方法。具体而言，该方法通过设计可变形注意力分支学习尺度内不同图像块的关联，提升了注意力计算的效率。同时，设计了基于最优传输（Optimal transport， OT）的关联算法融合不同尺度的病理图像，实现了对多尺度病理信息的高效对齐。在乳腺癌亚型分类和肺癌亚型分类任务上的实验结果表明，所提方法分别取得了85.39%和92.00%的分类准确率，相较于主流的WSIs分类方法，性能得到了显著提升。

摘要:近年来，计算机视觉的进步使基于脑电信息重建图像成为可能，这在医学图像重建和脑机接口等领域具有重要意义。然而，由于脑电信号的复杂性和时序特性，现有模型在特征提取和图像生成任务上面临诸多挑战。为此，本文提出了一种基于双残差长短期记忆网络（Long short-term memory，LSTM）和深度卷积生成对抗网络（Deep convolution generative adversarial network，DCGAN）的脑电信号驱动视觉图像重建模型。该模型引入基于注意力残差网络和三元组损失函数的长短期记忆网络（LSTM network based on attention residual network and triplet loss，ARTLNet），以提升脑电信号特征提取的质量。ARTLNet融合了残差网络、长短期记忆网络和注意力机制，通过残差连接改善深层网络训练，长短期记忆网络捕捉时间序列特征，注意力机制增强对关键特征的关注；同时结合批量归一化和全局平均池化，确保信号稳定传递。在图像生成阶段，模型引入自行设计的DCGAN与特征融合策略，有效提升了生成图像的质量和多样性。实验结果表明，改进后的ARTLNet在Characters和Objects数据集上，结合不同的分类和聚类算法均获得了更高的准确率；所提模型在图像生成质量方面也表现优越，尤其在图像清晰度和类别区分度方面展现出显著优势。

摘要:为提升移动边缘计算（Mobile edge computing，MEC）系统的吞吐量，本文研究了基于有源可重构智能表面（Reconfigurable intelligent surface，RIS）与解码转发（Decode-and-forward，DF）中继协同辅助的速率分割多址（Rate splitting multiple access，RSMA）接入MEC系统。该系统通过部署有源RIS优化信号传输条件，并利用DF中继扩展通信范围，同时采用RSMA技术提高多用户系统的频谱利用率。DF中继和基站（Base station，BS）采用连续干扰消除技术解码接收到的信号。同时为最大化系统吞吐量，研究了DF中继解码顺序与发射功率、基站接收波束成形和解码顺序、有源RIS反射系数以及用户卸载策略的联合优化问题。为求解该非凸优化问题，提出了一种高效的交替优化算法，并获得了系统吞吐量最大化问题的次优解。最后，数值结果表明，有源RIS与DF中继协同辅助能够有效提升RSMA-MEC系统的吞吐量性能。

摘要:轨道角动量（Orbital angular momentum，OAM）是一种能够提供额外自由度以提高无线通信频谱效率的技术。然而，将OAM应用于无线通信时，为了能够利用模态之间正交性，必须保证发射天线和接收天线的完美对准。本文将均匀圆形阵列天线（Uniform circular array，UCA）产生的OAM复用与多输入多输出（Multiple-input multiple-output，MIMO）技术相结合，构成均匀同心圆阵列轨道角动量（Uniform concentric circular array orbital angular momentum，UCCA-OAM）通信系统。针对UCA天线收发端未对齐产生的模态干扰和MIMO同心圆阵列之间的阵列干扰问题，提出了基于递进式分块矩阵逆运算的双模块干扰消除方案。实验结果表明，本文提出的双模块干扰消除方案，对模态干扰和阵列干扰都起到了很好的抑制作用，提高了UCCA-OAM系统的通信性能。