在无标识随机接入中,基站只需要恢复各个活跃设备发送的数据,而不需要识别活跃设备的信息。这使得大量活跃设备可以在无需事先请求资源的条件下,随时接入基站,从而极大地降低信令开销和传输时延,成为近期的研究热点。目前的研究大都采用基于前导序列来设计的随机接入方案,但这类方案在活跃设备数改变时的鲁棒性较差,且不能充分利用信道带宽,导致活跃设备数较大时系统性能较差。针对这一问题,提出一种叠加导频传输方案来提升信道利用率,并通过最优功率分配进一步提升不同活跃设备数下的系统性能,使系统在活跃设备数变化时具有良好的鲁棒性。在该方案中,首先将需要发送的消息序列的前B_p个比特做为索引,选择一对导频序列和交织器。然后,利用选中的交织器对消息序列进行编码、调制和交织,并将选中的导频序列与交织后的调制序列进行叠加来得到发送信号。针对该传输方案,提出基于最小错误概率的功率优化方案来得到不同活跃设备数下的最优功率分配比例,设计了叠加导频检测消除和多用户检测译码的两阶段检测方案。仿真结果表明,叠加导频传输方案可以使基于前导序列的无标识随机接入方案和基于前导的稀疏无标识随机接入方案的性能分别提升约1.6~2.0 dB和0.2~0.5 dB,可以灵活地改变所能承载的活跃设备数量,并具有较低的译码复杂度。

语义通信为通信系统优化和性能提升提供了新的研究角度,然而,目前语义通信的研究忽略了通信开销的影响,未考虑语义通信性能和通信开销的关系,导致带宽资源受限时语义通信性能难以提升。为此,针对带宽受限场景,提出一种基于信息瓶颈的语义通信方法。首先,该方法采用Transformer模型进行语义和信道联合编解码,并设计特征选择模块以识别和删除冗余语义信息,构建了端到端语义通信模型;进而考虑语义通信性能与通信开销之间的折衷关系,基于信息瓶颈理论设计损失函数,在保证语义通信性能的同时,降低通信开销,完成语义通信模型的训练和优化。实验结果显示,在欧洲议会平行语料库上,与基线模型相比,所提方法在保证通信性能的同时可降低约20%~30%的通信开销,在相同带宽条件下该方法的BLEU分数可提升约5%。实验结果表明,所提方法可以有效降低语义通信开销,从而提升带宽资源受限场景下的语义通信性能。

节点间的时间同步是无人机集群资源调度、协同定位、数据融合的基础,在同步精度要求较高的场景中常用双向时间同步进行节点间的时间同步。然而无人机的相对运动会导致两次同步消息的传播时延不等,进而引起时间同步误差。针对该问题,首先从线性方程组求解角度分析了时间同步误差的产生原因,提出了一种利用双触发双向时间同步以增加方程个数、并在节点匀速运动前提下减少未知量个数的方法。然后推导了该方法下钟差的求解公式,结果表明钟差求解与节点的匀速运动速度无关。随后比较了在加性高斯白噪声信道中双触发式双向时间同步方法与现有运动补偿方法的钟差估计性能,并分析了时间戳处理时延和速度改变对钟差求解精度的影响。最后通过外场实验验证了双触发式双向时间同步的有效性。仿真及实验结果表明,相比于传统双向时间同步,双触发式双向时间同步不会因节点的匀速运动导致主从节点间的时间同步出现系统偏差。

空空高速移动场景下飞行平台通信信号的多普勒频率范围大且变化快。针对现有频偏估计和跟踪算法难以兼顾估计精度和工程可实现性的难题,提出了低复杂度的新型高精度频偏估计和跟踪算法。首先根据空空高速移动场景下多普勒频率快速变化且具有时空相关性特征,在传统频偏模型的基础上构建适用于空空高速移动场景的时变频偏模型;然后基于此模型将相邻短前导的频偏估计值进行相互关联并处理,将频偏精度优化问题转化为经典的超定线性方程组的优化求解问题,最大限度地抑制了估计噪声,提高了频偏估计精度。仿真结果表明,该算法估计的残余频偏相对于经典算法大幅降低,当信噪比大于5 dB时,残余频偏的均方根误差控制在100 Hz范围内。针对该算法求解过程中存在的数值稳定性问题,给出了相应的工程可实现方法。该算法采用前馈补偿频偏跟踪方法,与传统的锁相环反馈跟踪方法相比,提高了系统的稳定性和时效性。

针对矩量法中非规则截面波端口的电磁建模问题,提出了一种基于高阶基函数矩量法的一般波端口建模方法。基于等效原理和模式匹配法建立了波端口表面积分方程,并利用二维有限元法对非规则波端口的模式进行高精度数值分析,将矩量法的规则波端口模型拓展为可用于规则及非规则波端口建模的一般波端口模型。在此基础上,使用定义于双线性曲面四边形单元的高阶基函数取代传统低阶基函数,减少了矩量法矩阵的未知量,显著降低了算法的内存需求和计算时间。通过数值算例对方法进行测试,与有限元法的数值结果进行对比,验证了方法的正确性;与低阶矩量法的数值结果对比,验证了方法的高效性。结果表明,该方法进行一般波端口模型建模仿真具有高效率和高数值精度的特点。

目标跟踪一直是计算机视觉领域中重要且富有挑战的问题。为克服目标形变、遮挡或快速移动等因素对跟踪性能的影响,笔者提出一种结合模板更新与轨迹预测的孪生网络跟踪算法。首先,在基于孪生网络跟踪模型中引入模板图像的自适应更新迭代机制,实现对目标表观变化的动态表征,以此提升目标形状或颜色发生变化时的跟踪性能。具体来说,通过对每一帧跟踪结果的分析,判断是否满足更新条件,设计了自适应模板更新的策略,有效地降低了目标模板被污染的可能性。其次,在目标跟踪过程中引入卡尔曼滤波,通过收集跟踪过程中目标位置信息并进行轨迹预测,将前一帧中跟踪算法预测的目标位置信息与轨迹预测的位置信息相融合,得到当前帧搜索区域的裁剪位置,进而实现了离线跟踪与在线学习的结合,进一步解决了目标被遮挡或者快速移动的问题。最后,在VOT2018和LaSOT数据集上验证了该算法在多种复杂场景下的性能表现。实验结果表明,所提算法的跟踪性能超过了大部分其他跟踪算法。

针对4D车载毫米波雷达在俯仰与方位维角度分辨力较低、阵列存在幅相误差时测角有偏的问题,提出一种基于快速稀疏贝叶斯学习的稳健二维超分辨测角方法。首先,利用空域稀疏性特点,对角度域空间进行栅格划分,构建了存在幅相误差时的二维超分辨测角信号模型;然后,通过固定点更新的MacKay SBL重构算法实现了多个邻近目标二维角度估计,并利用基于向量点乘的自校正算法对相位误差进行估计,以对有偏的角度估计进行修正;最后,给出了多输入多输出虚拟阵列下的二维角度估计的克拉美-罗界,并分析了所提算法的计算复杂度。仿真结果表明,在大陆ARS548雷达实际12发16收天线布局下,通过对比6种超分辨测角算法,所提方法在低信噪比、少量快拍下和幅相误差较小时,具有较高的角度分辨力与较低的均方根误差。

随着智慧交通、云计算网络以及边缘计算网络的快速发展,车载终端与路基单元、中心云服务器之间的信息交互变得越发频繁。针对智慧交通云边端协同计算场景下如何高效地实现车路云一体化融合感知、群体决策以及各级服务器间对资源的合理分配问题,设计了基于云边端与智慧交通全面融合的网络架构。在该架构下,通过对任务类型的合理划分,再由各服务器对其进行选择性的缓存、卸载;在智慧交通云边端协同计算场景下,依次设计了一种对任务自适应的缓存模型、任务卸载时延模型、系统能量损耗模型、车载用户对服务质量不满意度评价模型、多目标优化问题模型,并给出了一种基于改进型非支配遗传算法的任务卸载决策方案。实验结果表明,文中方案能够有效降低任务卸载过程中所带来的时延和能耗,提高了系统资源利用率,给车辆用户带来更好的服务体验。

在6G网络中,由于业务种类繁杂且需求各不相同,5G网络中划分的三大业务场景已无法满足其粒度上的要求,这给6G按需服务目标的实现带来了巨大挑战。针对海量杂乱的6G场景和6G场景分类中业务数据量庞大以及数据缺失问题,提出了一套基于业务关键性能指标的多维度场景聚类分析方案。该方案基于不完全多视图聚类技术,在上千种参数组合下使用肘部法和轮廓系数法进行调参聚类。聚类结果表明,提出的方案能在不完整的场景数据集中保证收敛,并达到较高的轮廓系数值。此外,通过对比不同比例的缺失数据聚类实验,所提出的6G场景聚类方案能够有效完成对于不同程度缺失数据的多维度聚类。最后,结合原始数据和聚类标签,分析并提炼聚类得到了11类场景的场景知识及各场景的关键性能指标特征,从而为未来6G网络中的新兴场景及业务提供方法基础和理论参考。

视频流量预测是实现传输带宽精准分配和提高互联网业务服务质量的关键技术。然而视频流量固有的高速率变异性、长期依赖性和短期依赖性使得其难以快速、精准、长期预测,具体表现为:① 现有预测序列依赖关系的模型复杂度高;② 预测模型失效快。针对视频流精准预测问题,提出了画面组帧结构特征嵌入的自注意力序列模型。自注意力序列模型对离散数据非线性关系的建模能力强,基于视频帧的特点和相关分析的发现,首次将时间序列自注意力模型应用于视频流量长期预测。现有时间序列自注意力模型无法对视频帧的类别特征有效表示,通过引入基于画面组帧结构嵌入层,将画面组帧结构信息有效嵌入时间序列,提升模型的准确度。结果表明,所提基于画面组帧结构特征嵌入的自注意力序列模型相比于现有的长短期记忆网络模型、卷积神经网络模型等,推理速度快,预测精度在平均绝对误差指标上至少降低约32%。

时间序列预测即利用历史时间序列数据,预测未来一段时间内的数据信息,以便提前制定相应策略。目前,时间序列的类别复杂繁多,而现有的时间序列预测模型面对多种类型数据时无法取得稳定预测的结果,进而难以同时满足对现实中多种复杂的时序数据预测的应用需求。针对上述问题,提出了一种基于时间注意力机制双向长短期记忆网络的时间序列预测方法。笔者提出的网络模型采用改进的正向和反向传播机制提取时序信息并通过自适应权重分配策略推理未来的时序信息。具体来说,设计了一个改进的双向长短期记忆网络,通过结合双向长短期记忆和长短期记忆网络提取深度时间序列特征,挖掘上下文的时序依赖关系。在此基础上,融合所提出的时间注意力机制,实现对深度时间序列特征进行自适应加权,提升深度时序特征的显著性表达能力。通过与同类代表性方法在多个不同类别数据集上的客观定量对比,实验结果表明,该方法能够在多种类别的复杂时间序列数据上更优的预测性能。

文本检测在图像理解中发挥着重要的作用。基于深度学习的文本检测是当前的主流算法,包括单阶段方法和双阶段方法两类,而且后者的检测精度往往高于前者。双阶段的检测方法通常包含感兴趣区域特征池化操作,为进一步的检测和识别任务提供特定维度的局部区域特征。然而对于弯曲文本等复杂文本区域来说,现有的基于矩形感兴趣区域的池化方法不再适用,而基于点特征替代区域特征的方法又损失了空间信息。针对该问题,提出了一种基于多边形特征池化和Transformer的复杂文本区域检测方法。首先,将复杂文本区域检测中感兴趣区域进行多边形特征池化,将池化操作的区域形状从矩形拓展到多边形并且不需要借助其他形状进行拟合,即可将多边形区域对应的特征池化为固定维度的特征序列,避免了拟合过程中出现误差。进而,将池化后的特征视为具有空间关系的序列,然后利用Transformer融合视觉特征之间的上下文关系,降低训练难度,提升检测精确度。在包含弯曲文本等复杂文本情况的ICDAR2015、MLT、Total Text和CTW1500数据集上的测试实验结果表明,提出的双阶段检测算法能更好地提取感兴趣区域特征,并取得了比现有方法更好的检测结果。

动态多目标优化问题(DMOPs)是指目标函数随时间变化的一类问题,算法求解的目标是持续跟踪移动的Pareto 最优解集或 Pareto最优前沿。基于预测的方法受到格外的关注,然而这些方法多使用历史环境信息进行预测,考虑到使用历史信息预测会存在预测不准确的问题,加强新环境信息的挖掘和利用,提出了一种新的基于预测的动态多目标进化算法,该算法主要包括两个核心部分,分别记为响应机制和加速机制。响应机制在环境变化后重新初始化群体,一部分的个体由预测策略产生,以生成靠近下一环境Pareto 最优解集的个体来提高算法的寻优能力,剩余部分个体采用局部搜索策略生成以增加种群多样性。加速机制用于静态优化过程以提高算法收敛速度。最后,将动态多目标进化算法与其他3种先进的动态多目标优化算法在具有不同动态特征的一系列测试函数上进行实验对比,结果表明,动态多目标进化算法相比其他3个算法在求解动态多目标优化问题中更具有优势。

针对现有视频修复方法无法有效利用远处空间内容信息而导致修复结果中存在结构和纹理不合理的问题,提出了一种基于多注意力机制的纹理感知视频修复方法。该方法设计了由多头时空注意力和单图局部注意力构成的多注意力机制以保证全局结构并增强局部纹理,其中多头时空注意力关注整体时空信息,单图局部注意力通过局部窗口的自注意力机制精炼提取局部信息。另外,采用可即插即用的快速傅里叶卷积层残差块代替前馈网络中的普通卷积,将感受野扩展为整个图像,进一步增强了模型对图像纹理和结构的全局信息的获取能力。快速傅里叶卷积层残差块和单图局部注意力相辅相成,共同提升局部纹理的修复质量。在YouTube-VOS和DAVIS数据集上的实验结果表明,虽然提出的方法修复结果的客观质量评价仅次于最优方法Fuseformer,但其参数量和运行时间分别下降了54.8%和21.5%,而且能够生成视觉上更逼真、语义上更合理的修复内容。

一阶优化算法由于其计算简单、代价小,被广泛应用于机器学习、大数据科学、计算机视觉等领域,然而,现有的一阶算法大多要求目标函数具有Lipschitz连续梯度,而实际中的很多应用问题不满足该要求。在经典的梯度下降算法基础上,引入随机和加速,提出一种相对加速随机梯度下降算法。该算法不要求目标函数具有Lipschitz连续梯度,而是通过将欧氏距离推广为Bregman距离,从而将Lipschitz连续梯度条件减弱为相对光滑性条件。相对加速随机梯度下降算法的收敛性与一致三角尺度指数有关,为避免调节最优一致三角尺度指数参数的工作量,给出一种自适应相对加速随机梯度下降算法。该算法可自适应地选取一致三角尺度指数参数。对算法收敛性的理论分析表明,算法迭代序列的目标函数值收敛于最优目标函数值。针对Possion反问题和目标函数的Hessian阵算子范数随变量范数多项式增长的极小化问题的数值实验表明,自适应相对加速随机梯度下降算法和相对加速随机梯度下降算法的收敛性能优于相对随机梯度下降算法。

随着个人数据的爆发式增长,基于差分隐私的联邦学习模型可用于解决数据孤岛问题和保护用户数据隐私,参与者通过训练本地数据,将添加噪声后的参数共享到中心服务器进行聚合,实现分布式机器学习训练。此过程中存在两方面问题:① 中心服务器广播参数的过程中数据信息仍未受到保护,有泄露用户隐私的风险;② 对参数过度添加噪声会导致参数聚合质量降低,影响最终联邦学习的模型精度。为解决以上问题,提出了一种可实现双向自适应差分隐私的联邦学习方案(FedBADP),对客户端和中心服务器之间传输的梯度进行自适应加噪,在保护数据安全的同时不影响模型准确率。考虑到参与者硬件设备的性能限制,文中对其梯度进行采样以减少通信开销,并在客户端和中心服务器使用均方根传递加速模型的收敛提高模型精度。实验结果证明,文中提出的模型框架在保持较好准确率的同时,也增强了用户的隐私保护能力。

针对现有多维时间序列异常检测模型对局部和全局时空依赖性捕获能力不足的问题,提出一种基于时空图卷积网络的多维时间序列异常检测模型。首先,在时间维度上利用扩张因果卷积和多头自注意力机制,分别捕获短期和长期时间依赖性,并且引入通道注意力来学习不同通道的重要性权重;其次,在空间维度上利用静态图学习层根据节点嵌入构建静态图邻接矩阵,旨在捕获多维时间序列数据的全局空间依赖性,同时利用动态图学习层构建一系列演化的图邻接矩阵,旨在建模局部动态的空间依赖性;最后,联合优化重构模型和预测模型,通过重构误差和预测误差计算异常分数,然后比较阈值和异常分数的关系,进而检测异常。在MSL、SMAP和SWaT三个公开数据集上的实验结果表明,该模型在异常检测性能指标F1分数方面优于OmniAnomaly、MTAD-GAT和GDN等相关的基线模型。

全同态加密技术具备的密文计算特性可以有效保护用户在互联网上的敏感数据,但该技术存在的密文膨胀问题是制约其在云计算、隐私保护等领域进行实际应用的一个难点。针对上述问题,提出了混合全同态加密方案FHE-LowMC,将LowMC对称加密算法与BGV全同态加密算法结合,分析了LowMC在BGV全同态加密环境下的同态噪声。首先给出了将LowMC明文编码成整系数多项式的方法,利用编码和解码完成不同空间明文消息的转换;然后描述了分圆多项式f(X)的选取规则,给出了适合LowMC加密算法的f(X)的条件;接着分析了简化LowMC的同态噪声;最后对一般情况下的LowMC进行同态噪声评估。结果表明,LowMC轮函数所消耗的电路层数大约为两层。相较于目前常用的AES和BGV结合的方案,LowMC与BGV结合的方案噪声更小,即消耗的电路的层数更少,成本更低,更适合构造基于全同态的云服务器;此外用户可以自主选择LowMC的参数集( \tilde{n},k,m,d),可以满足用户的不同需求,适用范围更广。

近年来,作为以太坊的重要组成部分,智能合约引起了工业界与学术界的广泛兴趣。智能合约是一段部署在区块链上的程序,为分布式交易提供了可能。然而,由于智能合约携带的金融属性,使其成为黑客攻击的目标。因此,为保证合约的安全性,需对漏洞合约进行修复并通过测试保证功能一致性。然而,现有智能合约测试方案缺乏拓展性、重放准确性低以及储存消耗大等问题。为此,提出一种支持交易筛选的高性能智能合约测试方案。该方案首先基于以太坊状态变更建模交易特征,增强扩展性;接着基于二阶树结构储存以太坊历史数据,优化储存空间;最后通过分叉机制进行交易重放,实现在不干扰主链的情况下对修复合约进行测试。基于所提方案实现原型工具SCTester,并与现有合约测试方案EVMPatch、HARTEL和KIM相比较。实验结果表明,所提方案在拓展性与重放准确率有更好的表现,并且在空间消耗方面,所提方案相较于KIM降低了约21.6%的储存空间;在时间消耗方面,所提方案相较于KIM在账户测试场景下的交易重放减少了约70.5%的时间消耗。

目前大多数的时间序列都缺少相应的异常标签,且现有基于重构的异常检测算法不能很好地捕获到多维数据间复杂的潜在相关性和时间依赖性,为了构建特征丰富的时间序列,提出一种多尺度特征信息融合的异常检测模型。该模型首先通过卷积神经网络对滑动窗口内的不同序列进行特征卷积来获取不同尺度下的局部上下文信息。然后,利用Transformer中的位置编码对卷积后的时间序列窗口进行位置嵌入,增强滑动窗口中每一个时间序列和邻近序列之间的位置联系,并引入时间注意力获取数据在时间维度上的自相关性,并进一步通过多头自注意力自适应地为窗口内不同时间序列分配不同的权重。最后,对反卷积过程中上采样得到的窗口数据与不同尺度下得到的局部特征和时间上下文信息进行逐步融合,从而准确重构原始时间序列,并将重构误差作为最终的异常得分进行异常判定。实验结果表明,所构建模型在SWaT和SMD数据集上与基线模型相比F1分数均有所提升。在数据维度高且均衡性较差的WADI数据集上与GDN模型相比F1分数降低了1.66%。