郵件訂閱
2025年 第47卷 第3期
顯示方式:
2025, 47(3): 582-589.
doi: 10.11999/JEIT250203
摘要:
物聯(lián)網(wǎng)應(yīng)用的快速發(fā)展，帶來了對(duì)無線定位的廣泛需求，但非視距(NLOS)傳輸環(huán)境對(duì)無線定位方法精度具有巨大影響。因此該文基于到達(dá)時(shí)間(TOA)測(cè)量與雙靜態(tài)節(jié)點(diǎn)組合定義了一種位置殘差，并據(jù)此提出運(yùn)用迭代加權(quán)最小二乘(IWLS)原理的無線定位算法。算法在當(dāng)前WLS定位結(jié)果基礎(chǔ)上，通過計(jì)算位置殘差獲得反映NLOS嚴(yán)重程度的權(quán)值向量，利用權(quán)值向量在下一次WLS估計(jì)中限制NLOS影響，產(chǎn)生更加精確的定位結(jié)果。在算法的執(zhí)行過程中，殘差-權(quán)值計(jì)算方式和NLOS測(cè)距數(shù)量都會(huì)影響定位性能，因此論文通過仿真分析了這些因素對(duì)于均方根誤差(RMSE)和累計(jì)概率密度函數(shù)(CDF)的影響，確定了算法的最優(yōu)參數(shù)設(shè)定。最后論文對(duì)比了IWLS算法和傳統(tǒng)定位算法的性能，仿真結(jié)果表明，在典型非視距傳輸環(huán)境下，該文提出的IWLS算法性能優(yōu)于傳統(tǒng)算法。
物聯(lián)網(wǎng)應(yīng)用的快速發(fā)展，帶來了對(duì)無線定位的廣泛需求，但非視距(NLOS)傳輸環(huán)境對(duì)無線定位方法精度具有巨大影響。因此該文基于到達(dá)時(shí)間(TOA)測(cè)量與雙靜態(tài)節(jié)點(diǎn)組合定義了一種位置殘差，并據(jù)此提出運(yùn)用迭代加權(quán)最小二乘(IWLS)原理的無線定位算法。算法在當(dāng)前WLS定位結(jié)果基礎(chǔ)上，通過計(jì)算位置殘差獲得反映NLOS嚴(yán)重程度的權(quán)值向量，利用權(quán)值向量在下一次WLS估計(jì)中限制NLOS影響，產(chǎn)生更加精確的定位結(jié)果。在算法的執(zhí)行過程中，殘差-權(quán)值計(jì)算方式和NLOS測(cè)距數(shù)量都會(huì)影響定位性能，因此論文通過仿真分析了這些因素對(duì)于均方根誤差(RMSE)和累計(jì)概率密度函數(shù)(CDF)的影響，確定了算法的最優(yōu)參數(shù)設(shè)定。最后論文對(duì)比了IWLS算法和傳統(tǒng)定位算法的性能，仿真結(jié)果表明，在典型非視距傳輸環(huán)境下，該文提出的IWLS算法性能優(yōu)于傳統(tǒng)算法。
2025, 47(3): 573-581.
doi: 10.11999/JEIT240804
摘要:
無人機(jī)射頻檢測(cè)是實(shí)現(xiàn)非合作無人機(jī)管控的手段之一，而基于射頻信號(hào)的無人機(jī)個(gè)體識(shí)別(DIR)是無人機(jī)檢測(cè)的重要環(huán)節(jié)。鑒于當(dāng)前DIR開源數(shù)據(jù)集缺失，該文公開了一個(gè)名為DroneRFb-DIR的無人機(jī)射頻信號(hào)數(shù)據(jù)集。該數(shù)據(jù)集使用軟件無線電設(shè)備采集無人機(jī)與遙控器間通信的射頻信號(hào)，包含城市場景下的無人機(jī)種類共6類(每類無人機(jī)各包含3架不同個(gè)體)以及1類背景參考信號(hào)。采樣信號(hào)存儲(chǔ)為最原始的I/Q數(shù)據(jù)，每類數(shù)據(jù)包含不少于40個(gè)片段，每個(gè)片段包含不少于4 M個(gè)采樣點(diǎn)。信號(hào)采集范圍為2.4～2.48 GHz，包含無人機(jī)飛控信號(hào)、圖傳信號(hào)以及周圍干擾設(shè)備的信號(hào)。該數(shù)據(jù)集包含詳細(xì)的個(gè)體編號(hào)和視距或非視距場景標(biāo)注，并已劃分訓(xùn)練集與測(cè)試集，以便于用戶進(jìn)行識(shí)別算法驗(yàn)證和性能對(duì)比分析。與此同時(shí)，該文提供了一種基于快速頻率估計(jì)和時(shí)域相關(guān)分析的無人機(jī)個(gè)體識(shí)別方法，并在該數(shù)據(jù)集上驗(yàn)證了所提方法的有效性。
無人機(jī)射頻檢測(cè)是實(shí)現(xiàn)非合作無人機(jī)管控的手段之一，而基于射頻信號(hào)的無人機(jī)個(gè)體識(shí)別(DIR)是無人機(jī)檢測(cè)的重要環(huán)節(jié)。鑒于當(dāng)前DIR開源數(shù)據(jù)集缺失，該文公開了一個(gè)名為DroneRFb-DIR的無人機(jī)射頻信號(hào)數(shù)據(jù)集。該數(shù)據(jù)集使用軟件無線電設(shè)備采集無人機(jī)與遙控器間通信的射頻信號(hào)，包含城市場景下的無人機(jī)種類共6類(每類無人機(jī)各包含3架不同個(gè)體)以及1類背景參考信號(hào)。采樣信號(hào)存儲(chǔ)為最原始的I/Q數(shù)據(jù)，每類數(shù)據(jù)包含不少于40個(gè)片段，每個(gè)片段包含不少于4 M個(gè)采樣點(diǎn)。信號(hào)采集范圍為2.4～2.48 GHz，包含無人機(jī)飛控信號(hào)、圖傳信號(hào)以及周圍干擾設(shè)備的信號(hào)。該數(shù)據(jù)集包含詳細(xì)的個(gè)體編號(hào)和視距或非視距場景標(biāo)注，并已劃分訓(xùn)練集與測(cè)試集，以便于用戶進(jìn)行識(shí)別算法驗(yàn)證和性能對(duì)比分析。與此同時(shí)，該文提供了一種基于快速頻率估計(jì)和時(shí)域相關(guān)分析的無人機(jī)個(gè)體識(shí)別方法，并在該數(shù)據(jù)集上驗(yàn)證了所提方法的有效性。
2025, 47(3): 590-599.
doi: 10.11999/JEIT240840
摘要:
設(shè)計(jì)高效且復(fù)雜度低的檢測(cè)算法是差分空間調(diào)制(DSM)系統(tǒng)中的一大關(guān)鍵問題。該文提出了一種多相移鍵控差分空間調(diào)制系統(tǒng)的貝葉斯期望傳播(EP)信號(hào)檢測(cè)方法，將DSM的信號(hào)檢測(cè)問題轉(zhuǎn)化為待檢測(cè)信號(hào)的參數(shù)估計(jì)問題，通過迭代估計(jì)先驗(yàn)和后驗(yàn)分布的參數(shù)，獲得檢測(cè)信號(hào)的估計(jì)值。該算法將原始的信號(hào)檢測(cè)問題分解為天線域信息和星座域信息兩部分，其中天線域檢測(cè)通過期望傳播算法迭代求取，星座域比特通過迭代過程中最優(yōu)解調(diào)獲得，降低了算法復(fù)雜度。進(jìn)一步地，該文針對(duì)傳統(tǒng)期望傳播方法中噪聲參數(shù)進(jìn)行了擴(kuò)展，在迭代過程中不斷調(diào)整噪聲項(xiàng)的矩估計(jì)，獲得了比傳統(tǒng)方案更好的性能。該文對(duì)所提近最優(yōu)解調(diào)方案進(jìn)行了仿真驗(yàn)證，結(jié)果表明所提方案性能優(yōu)于傳統(tǒng)線性檢測(cè)方案；所提的基于期望傳播的噪聲修正方案性能優(yōu)于傳統(tǒng)恒值方案；在不同天線配置和調(diào)制階數(shù)情況下，所提方案均能夠快速收斂。
設(shè)計(jì)高效且復(fù)雜度低的檢測(cè)算法是差分空間調(diào)制(DSM)系統(tǒng)中的一大關(guān)鍵問題。該文提出了一種多相移鍵控差分空間調(diào)制系統(tǒng)的貝葉斯期望傳播(EP)信號(hào)檢測(cè)方法，將DSM的信號(hào)檢測(cè)問題轉(zhuǎn)化為待檢測(cè)信號(hào)的參數(shù)估計(jì)問題，通過迭代估計(jì)先驗(yàn)和后驗(yàn)分布的參數(shù)，獲得檢測(cè)信號(hào)的估計(jì)值。該算法將原始的信號(hào)檢測(cè)問題分解為天線域信息和星座域信息兩部分，其中天線域檢測(cè)通過期望傳播算法迭代求取，星座域比特通過迭代過程中最優(yōu)解調(diào)獲得，降低了算法復(fù)雜度。進(jìn)一步地，該文針對(duì)傳統(tǒng)期望傳播方法中噪聲參數(shù)進(jìn)行了擴(kuò)展，在迭代過程中不斷調(diào)整噪聲項(xiàng)的矩估計(jì)，獲得了比傳統(tǒng)方案更好的性能。該文對(duì)所提近最優(yōu)解調(diào)方案進(jìn)行了仿真驗(yàn)證，結(jié)果表明所提方案性能優(yōu)于傳統(tǒng)線性檢測(cè)方案；所提的基于期望傳播的噪聲修正方案性能優(yōu)于傳統(tǒng)恒值方案；在不同天線配置和調(diào)制階數(shù)情況下，所提方案均能夠快速收斂。
2025, 47(3): 600-611.
doi: 10.11999/JEIT240874
摘要:
可重構(gòu)智能表面(RIS)能夠調(diào)控入射電磁波以優(yōu)化通信系統(tǒng)性能，是第6代(6G)無線通信技術(shù)的關(guān)鍵創(chuàng)新。將可重構(gòu)智能表面部署于無人機(jī)(UAV)上，借助無人機(jī)的靈活運(yùn)動(dòng)軌跡和按需部署特性，可以有效解決因樹木和建筑等障礙物遮擋所引起的信息傳輸效率下降的問題。針對(duì)空中可重構(gòu)智能表面輔助的車對(duì)車(V2V)通信場景，該文提出了一種基于幾何的3維信道模型，該模型綜合考慮了無人機(jī)在3個(gè)自由度下的旋轉(zhuǎn)和任意軌跡移動(dòng)，以及無人姿態(tài)變化對(duì)于信道模型的影響，引入了時(shí)變空間相位。此外，還考慮了發(fā)射端、接收端和無人機(jī)的實(shí)時(shí)運(yùn)動(dòng)速度和方向，給出了復(fù)信道脈沖響應(yīng)(CIRs)的表達(dá)式，并對(duì)空域互相關(guān)函數(shù)(CCFs)、時(shí)域自相關(guān)函數(shù)(ACFs)和信道容量等關(guān)鍵信道統(tǒng)計(jì)特性進(jìn)行了詳細(xì)分析。仿真結(jié)果表明，所提信道模型能夠準(zhǔn)確捕獲信道特性，為未來可重構(gòu)智能面輔助無線通信的系統(tǒng)設(shè)計(jì)和優(yōu)化提供了有價(jià)值的理論參考。
可重構(gòu)智能表面(RIS)能夠調(diào)控入射電磁波以優(yōu)化通信系統(tǒng)性能，是第6代(6G)無線通信技術(shù)的關(guān)鍵創(chuàng)新。將可重構(gòu)智能表面部署于無人機(jī)(UAV)上，借助無人機(jī)的靈活運(yùn)動(dòng)軌跡和按需部署特性，可以有效解決因樹木和建筑等障礙物遮擋所引起的信息傳輸效率下降的問題。針對(duì)空中可重構(gòu)智能表面輔助的車對(duì)車(V2V)通信場景，該文提出了一種基于幾何的3維信道模型，該模型綜合考慮了無人機(jī)在3個(gè)自由度下的旋轉(zhuǎn)和任意軌跡移動(dòng)，以及無人姿態(tài)變化對(duì)于信道模型的影響，引入了時(shí)變空間相位。此外，還考慮了發(fā)射端、接收端和無人機(jī)的實(shí)時(shí)運(yùn)動(dòng)速度和方向，給出了復(fù)信道脈沖響應(yīng)(CIRs)的表達(dá)式，并對(duì)空域互相關(guān)函數(shù)(CCFs)、時(shí)域自相關(guān)函數(shù)(ACFs)和信道容量等關(guān)鍵信道統(tǒng)計(jì)特性進(jìn)行了詳細(xì)分析。仿真結(jié)果表明，所提信道模型能夠準(zhǔn)確捕獲信道特性，為未來可重構(gòu)智能面輔助無線通信的系統(tǒng)設(shè)計(jì)和優(yōu)化提供了有價(jià)值的理論參考。
2025, 47(3): 612-622.
doi: 10.11999/JEIT240596
摘要:
低軌衛(wèi)星資源調(diào)度是長時(shí)間的連續(xù)資源分配過程，這一過程中低軌衛(wèi)星保持高速移動(dòng)，跳波束圖案的設(shè)計(jì)需要考慮星地鏈路的切換。針對(duì)這種切換，即衛(wèi)星覆蓋區(qū)域間的服務(wù)目標(biāo)遷移，所導(dǎo)致的多星資源聯(lián)合調(diào)度需求，該文提出一種資源自適應(yīng)權(quán)衡分配的多星聯(lián)合跳波束圖案設(shè)計(jì)算法。該算法通過設(shè)計(jì)星間聯(lián)合調(diào)度框架和多星聯(lián)合調(diào)度權(quán)重，將多星資源聯(lián)合分配問題轉(zhuǎn)化為星座內(nèi)單星資源調(diào)度問題，輕量化設(shè)計(jì)跳波束圖案。經(jīng)過與多種權(quán)重設(shè)計(jì)方法的對(duì)比驗(yàn)證，仿真結(jié)果表明，所提算法的輕量化設(shè)計(jì)思路合理，并且可以有效地保障受遷移影響區(qū)域內(nèi)小區(qū)的服務(wù)質(zhì)量，可為低軌衛(wèi)星系統(tǒng)長時(shí)資源調(diào)度設(shè)計(jì)提供參考。
低軌衛(wèi)星資源調(diào)度是長時(shí)間的連續(xù)資源分配過程，這一過程中低軌衛(wèi)星保持高速移動(dòng)，跳波束圖案的設(shè)計(jì)需要考慮星地鏈路的切換。針對(duì)這種切換，即衛(wèi)星覆蓋區(qū)域間的服務(wù)目標(biāo)遷移，所導(dǎo)致的多星資源聯(lián)合調(diào)度需求，該文提出一種資源自適應(yīng)權(quán)衡分配的多星聯(lián)合跳波束圖案設(shè)計(jì)算法。該算法通過設(shè)計(jì)星間聯(lián)合調(diào)度框架和多星聯(lián)合調(diào)度權(quán)重，將多星資源聯(lián)合分配問題轉(zhuǎn)化為星座內(nèi)單星資源調(diào)度問題，輕量化設(shè)計(jì)跳波束圖案。經(jīng)過與多種權(quán)重設(shè)計(jì)方法的對(duì)比驗(yàn)證，仿真結(jié)果表明，所提算法的輕量化設(shè)計(jì)思路合理，并且可以有效地保障受遷移影響區(qū)域內(nèi)小區(qū)的服務(wù)質(zhì)量，可為低軌衛(wèi)星系統(tǒng)長時(shí)資源調(diào)度設(shè)計(jì)提供參考。
2025, 47(3): 623-632.
doi: 10.11999/JEIT240732
摘要:
面向密集低軌道衛(wèi)星網(wǎng)絡(luò)輔助的星地?zé)o線通信系統(tǒng)，該文提出一種基于非完美信道狀態(tài)信息的多低軌衛(wèi)星魯棒波束賦形方法來改善頻譜效率。具體地，在多低軌衛(wèi)星全頻復(fù)用場景下，提出了一個(gè)多衛(wèi)星下行通信系統(tǒng)和速率最大化問題，并聯(lián)合考慮衛(wèi)星發(fā)射功率、衛(wèi)星與用戶關(guān)聯(lián)關(guān)系，以及饋線鏈路容量約束。為了求解該優(yōu)化問題，原優(yōu)化問題被分解成衛(wèi)星-用戶關(guān)聯(lián)和衛(wèi)星傳輸波束賦形兩個(gè)子問題，然后使用加權(quán)最小均方誤差方法和連續(xù)凸近似方法對(duì)問題進(jìn)行求解。仿真結(jié)果驗(yàn)證了即使在非理想信道條件下，該文所提出的多星頻率復(fù)用和魯棒波束賦形設(shè)計(jì)方法能有效提高系統(tǒng)吞吐量。
面向密集低軌道衛(wèi)星網(wǎng)絡(luò)輔助的星地?zé)o線通信系統(tǒng)，該文提出一種基于非完美信道狀態(tài)信息的多低軌衛(wèi)星魯棒波束賦形方法來改善頻譜效率。具體地，在多低軌衛(wèi)星全頻復(fù)用場景下，提出了一個(gè)多衛(wèi)星下行通信系統(tǒng)和速率最大化問題，并聯(lián)合考慮衛(wèi)星發(fā)射功率、衛(wèi)星與用戶關(guān)聯(lián)關(guān)系，以及饋線鏈路容量約束。為了求解該優(yōu)化問題，原優(yōu)化問題被分解成衛(wèi)星-用戶關(guān)聯(lián)和衛(wèi)星傳輸波束賦形兩個(gè)子問題，然后使用加權(quán)最小均方誤差方法和連續(xù)凸近似方法對(duì)問題進(jìn)行求解。仿真結(jié)果驗(yàn)證了即使在非理想信道條件下，該文所提出的多星頻率復(fù)用和魯棒波束賦形設(shè)計(jì)方法能有效提高系統(tǒng)吞吐量。
2025, 47(3): 633-644.
doi: 10.11999/JEIT240344
摘要:
針對(duì)移動(dòng)邊緣計(jì)算(MEC)場景中任務(wù)卸載、計(jì)算和結(jié)果反饋全過程時(shí)延優(yōu)化問題，該文提出了一種數(shù)字孿生(DT)輔助的聯(lián)合MEC任務(wù)卸載、設(shè)備關(guān)聯(lián)與資源分配的端到端時(shí)延優(yōu)化方法。首先，在數(shù)字孿生邊緣網(wǎng)絡(luò)(DITEN)框架下，為包含傳感器、邊緣服務(wù)器以及執(zhí)行器構(gòu)成的邊緣計(jì)算網(wǎng)絡(luò)建立了物理模型與數(shù)字孿生模型，以及全過程邊緣網(wǎng)絡(luò)任務(wù)模型并推導(dǎo)了任務(wù)端到端時(shí)延，進(jìn)而建立了時(shí)延、能耗等約束下的端到端時(shí)延優(yōu)化問題。其次，為解決所提出的混合整數(shù)非凸優(yōu)化問題，將原問題分解為4個(gè)子問題，并提出了一種基于內(nèi)部凸近似方法和匈牙利算法的交替優(yōu)化算法。在DT輔助下聯(lián)合優(yōu)化了設(shè)備關(guān)聯(lián)、卸載比例、發(fā)射功率、傳輸帶寬以及DT估計(jì)處理速率。最后，仿真結(jié)果表明，與其他基準(zhǔn)方案相比，所提聯(lián)合優(yōu)化方案顯著降低了端到端時(shí)延。
針對(duì)移動(dòng)邊緣計(jì)算(MEC)場景中任務(wù)卸載、計(jì)算和結(jié)果反饋全過程時(shí)延優(yōu)化問題，該文提出了一種數(shù)字孿生(DT)輔助的聯(lián)合MEC任務(wù)卸載、設(shè)備關(guān)聯(lián)與資源分配的端到端時(shí)延優(yōu)化方法。首先，在數(shù)字孿生邊緣網(wǎng)絡(luò)(DITEN)框架下，為包含傳感器、邊緣服務(wù)器以及執(zhí)行器構(gòu)成的邊緣計(jì)算網(wǎng)絡(luò)建立了物理模型與數(shù)字孿生模型，以及全過程邊緣網(wǎng)絡(luò)任務(wù)模型并推導(dǎo)了任務(wù)端到端時(shí)延，進(jìn)而建立了時(shí)延、能耗等約束下的端到端時(shí)延優(yōu)化問題。其次，為解決所提出的混合整數(shù)非凸優(yōu)化問題，將原問題分解為4個(gè)子問題，并提出了一種基于內(nèi)部凸近似方法和匈牙利算法的交替優(yōu)化算法。在DT輔助下聯(lián)合優(yōu)化了設(shè)備關(guān)聯(lián)、卸載比例、發(fā)射功率、傳輸帶寬以及DT估計(jì)處理速率。最后，仿真結(jié)果表明，與其他基準(zhǔn)方案相比，所提聯(lián)合優(yōu)化方案顯著降低了端到端時(shí)延。
2025, 47(3): 645-656.
doi: 10.11999/JEIT240741
摘要:
聯(lián)邦學(xué)習(xí)中，高模型貢獻(xiàn)率的無線網(wǎng)絡(luò)設(shè)備通常由于算力不足、能量有限成為掉隊(duì)者，進(jìn)而增加模型聚合時(shí)延并影響全局模型精度。針對(duì)此問題，該文設(shè)計(jì)了聯(lián)合邊緣服務(wù)器輔助訓(xùn)練和模型自適應(yīng)稀疏聯(lián)邦學(xué)習(xí)架構(gòu)，并提出了基于邊緣輔助訓(xùn)練的自適應(yīng)稀疏聯(lián)邦學(xué)習(xí)優(yōu)化算法。首先，引入邊緣服務(wù)器為算力不足或能量受限的設(shè)備提供輔助訓(xùn)練。構(gòu)建了輔助訓(xùn)練和通信、計(jì)算資源分配的優(yōu)化模型，并采用多種深度強(qiáng)化學(xué)習(xí)方法求解優(yōu)化的輔助訓(xùn)練決策。其次，基于輔助訓(xùn)練決策，在每個(gè)通信輪次自適應(yīng)地對(duì)全局模型進(jìn)行非結(jié)構(gòu)化剪枝，進(jìn)一步降低設(shè)備的時(shí)延和能耗開銷。實(shí)驗(yàn)結(jié)果表明，所提算法極大地減少了掉隊(duì)設(shè)備，其模型測(cè)試精度優(yōu)于經(jīng)典聯(lián)邦學(xué)習(xí)的測(cè)試精度；利用深度確定性策略梯度(DDPG)優(yōu)化輔助資源分配的算法有效地減少了系統(tǒng)訓(xùn)練時(shí)延，提升了模型訓(xùn)練效率。
聯(lián)邦學(xué)習(xí)中，高模型貢獻(xiàn)率的無線網(wǎng)絡(luò)設(shè)備通常由于算力不足、能量有限成為掉隊(duì)者，進(jìn)而增加模型聚合時(shí)延并影響全局模型精度。針對(duì)此問題，該文設(shè)計(jì)了聯(lián)合邊緣服務(wù)器輔助訓(xùn)練和模型自適應(yīng)稀疏聯(lián)邦學(xué)習(xí)架構(gòu)，并提出了基于邊緣輔助訓(xùn)練的自適應(yīng)稀疏聯(lián)邦學(xué)習(xí)優(yōu)化算法。首先，引入邊緣服務(wù)器為算力不足或能量受限的設(shè)備提供輔助訓(xùn)練。構(gòu)建了輔助訓(xùn)練和通信、計(jì)算資源分配的優(yōu)化模型，并采用多種深度強(qiáng)化學(xué)習(xí)方法求解優(yōu)化的輔助訓(xùn)練決策。其次，基于輔助訓(xùn)練決策，在每個(gè)通信輪次自適應(yīng)地對(duì)全局模型進(jìn)行非結(jié)構(gòu)化剪枝，進(jìn)一步降低設(shè)備的時(shí)延和能耗開銷。實(shí)驗(yàn)結(jié)果表明，所提算法極大地減少了掉隊(duì)設(shè)備，其模型測(cè)試精度優(yōu)于經(jīng)典聯(lián)邦學(xué)習(xí)的測(cè)試精度；利用深度確定性策略梯度(DDPG)優(yōu)化輔助資源分配的算法有效地減少了系統(tǒng)訓(xùn)練時(shí)延，提升了模型訓(xùn)練效率。
2025, 47(3): 657-665.
doi: 10.11999/JEIT240447
摘要:
為進(jìn)一步提升多用戶無線通信系統(tǒng)的頻譜利用率，該文提出了一種基于深度強(qiáng)化學(xué)習(xí)的智能反射面(IRS)輔助認(rèn)知無線電網(wǎng)絡(luò)次用戶和速率最大化算法。首先在考慮次基站最大發(fā)射功率約束、次基站對(duì)主用戶的干擾容限約束以及IRS相移矩陣單位模量約束的情況下，建立一個(gè)聯(lián)合優(yōu)化次基站波束成形和IRS相移矩陣的資源分配模型；然后提出了一種基于深度確定性策略梯度的主被動(dòng)波束成形算法，聯(lián)合進(jìn)行變量優(yōu)化以最大化次用戶和速率。仿真結(jié)果表明，所提算法相對(duì)于傳統(tǒng)優(yōu)化算法在和速率性能接近的情況下具有更低的時(shí)間復(fù)雜度。
為進(jìn)一步提升多用戶無線通信系統(tǒng)的頻譜利用率，該文提出了一種基于深度強(qiáng)化學(xué)習(xí)的智能反射面(IRS)輔助認(rèn)知無線電網(wǎng)絡(luò)次用戶和速率最大化算法。首先在考慮次基站最大發(fā)射功率約束、次基站對(duì)主用戶的干擾容限約束以及IRS相移矩陣單位模量約束的情況下，建立一個(gè)聯(lián)合優(yōu)化次基站波束成形和IRS相移矩陣的資源分配模型；然后提出了一種基于深度確定性策略梯度的主被動(dòng)波束成形算法，聯(lián)合進(jìn)行變量優(yōu)化以最大化次用戶和速率。仿真結(jié)果表明，所提算法相對(duì)于傳統(tǒng)優(yōu)化算法在和速率性能接近的情況下具有更低的時(shí)間復(fù)雜度。
2025, 47(3): 666-677.
doi: 10.11999/JEIT240773
摘要:
為滿足動(dòng)態(tài)邊緣計(jì)算網(wǎng)絡(luò)場景下用戶差異化服務(wù)需求，該文提出一種基于生成對(duì)抗網(wǎng)絡(luò)(GAN)輔助多智能體強(qiáng)化學(xué)習(xí)(RL)的聯(lián)邦切片資源管理方案。首先，考慮未知時(shí)變信道和隨機(jī)用戶流量到達(dá)的場景，以同時(shí)優(yōu)化長期平均服務(wù)等待時(shí)延和服務(wù)滿意率為目標(biāo)，構(gòu)建聯(lián)合帶寬和計(jì)算切片資源管理優(yōu)化問題，并進(jìn)一步建模為分布式部分可觀測(cè)馬爾可夫決策過程 (Dec-POMDP)。其次，運(yùn)用多智能體競爭雙深度Q網(wǎng)絡(luò)(D3QN)方法，結(jié)合GAN算法對(duì)狀態(tài)值分布多模態(tài)學(xué)習(xí)的優(yōu)勢(shì)，以及利用聯(lián)邦學(xué)習(xí)框架促使智能體合作學(xué)習(xí)，最終實(shí)現(xiàn)僅需共享各智能體生成網(wǎng)絡(luò)加權(quán)參數(shù)即可完成切片資源管理協(xié)同決策。仿真結(jié)果表明，所提方案相較于基準(zhǔn)方案能夠在保護(hù)用戶隱私的前提下，降低用戶平均服務(wù)等待時(shí)延28%以上，且同時(shí)提升用戶平均服務(wù)滿意率8%以上。
為滿足動(dòng)態(tài)邊緣計(jì)算網(wǎng)絡(luò)場景下用戶差異化服務(wù)需求，該文提出一種基于生成對(duì)抗網(wǎng)絡(luò)(GAN)輔助多智能體強(qiáng)化學(xué)習(xí)(RL)的聯(lián)邦切片資源管理方案。首先，考慮未知時(shí)變信道和隨機(jī)用戶流量到達(dá)的場景，以同時(shí)優(yōu)化長期平均服務(wù)等待時(shí)延和服務(wù)滿意率為目標(biāo)，構(gòu)建聯(lián)合帶寬和計(jì)算切片資源管理優(yōu)化問題，并進(jìn)一步建模為分布式部分可觀測(cè)馬爾可夫決策過程 (Dec-POMDP)。其次，運(yùn)用多智能體競爭雙深度Q網(wǎng)絡(luò)(D3QN)方法，結(jié)合GAN算法對(duì)狀態(tài)值分布多模態(tài)學(xué)習(xí)的優(yōu)勢(shì)，以及利用聯(lián)邦學(xué)習(xí)框架促使智能體合作學(xué)習(xí)，最終實(shí)現(xiàn)僅需共享各智能體生成網(wǎng)絡(luò)加權(quán)參數(shù)即可完成切片資源管理協(xié)同決策。仿真結(jié)果表明，所提方案相較于基準(zhǔn)方案能夠在保護(hù)用戶隱私的前提下，降低用戶平均服務(wù)等待時(shí)延28%以上，且同時(shí)提升用戶平均服務(wù)滿意率8%以上。
2025, 47(3): 678-686.
doi: 10.11999/JEIT240789
摘要:
針對(duì)太赫茲智能反射面(RIS)系統(tǒng)中基于波束掃描感知耗時(shí)較長問題，該文提出一種基于太赫茲RIS波束色散和分裂的快速感知方法。通過在每個(gè)RIS元件處部署實(shí)時(shí)延(TTD)以動(dòng)態(tài)調(diào)整波束色散程度，設(shè)置大陣列RIS單元間距以形成波束分裂效應(yīng)，進(jìn)而聯(lián)合波束色散和分裂實(shí)現(xiàn)目標(biāo)區(qū)域快速感知。具體地，將感知區(qū)域分為多個(gè)子區(qū)域，并基于RIS波束色散優(yōu)化TTD和RIS反射元件相移，以覆蓋單一子區(qū)域。同時(shí)，利用波束分裂無縫覆蓋多個(gè)子區(qū)域，相比使用單一波束掃描感知顯著降低了時(shí)間開銷。而后，為減少回波信號(hào)路徑損耗，在RIS處配置主動(dòng)感知元件，用于直接接收并分析回波信號(hào)。在此基礎(chǔ)上，推導(dǎo)出感知目標(biāo)角度估計(jì)值及其均方根誤差(RMSE)。仿真結(jié)果表明了所提快速感知方案的有效性。
針對(duì)太赫茲智能反射面(RIS)系統(tǒng)中基于波束掃描感知耗時(shí)較長問題，該文提出一種基于太赫茲RIS波束色散和分裂的快速感知方法。通過在每個(gè)RIS元件處部署實(shí)時(shí)延(TTD)以動(dòng)態(tài)調(diào)整波束色散程度，設(shè)置大陣列RIS單元間距以形成波束分裂效應(yīng)，進(jìn)而聯(lián)合波束色散和分裂實(shí)現(xiàn)目標(biāo)區(qū)域快速感知。具體地，將感知區(qū)域分為多個(gè)子區(qū)域，并基于RIS波束色散優(yōu)化TTD和RIS反射元件相移，以覆蓋單一子區(qū)域。同時(shí)，利用波束分裂無縫覆蓋多個(gè)子區(qū)域，相比使用單一波束掃描感知顯著降低了時(shí)間開銷。而后，為減少回波信號(hào)路徑損耗，在RIS處配置主動(dòng)感知元件，用于直接接收并分析回波信號(hào)。在此基礎(chǔ)上，推導(dǎo)出感知目標(biāo)角度估計(jì)值及其均方根誤差(RMSE)。仿真結(jié)果表明了所提快速感知方案的有效性。
2025, 47(3): 687-695.
doi: 10.11999/JEIT240631
摘要:
無線通信設(shè)備數(shù)量的驟增造成頻譜資源日益稀缺，通信用頻逐漸向更高頻段擴(kuò)展，從而導(dǎo)致通信與雷達(dá)頻段出現(xiàn)越來越多的重疊，雷達(dá)通信一體化被視為解決頻譜擁擠實(shí)現(xiàn)高效共生的潛在技術(shù)。該文考慮一個(gè)多輸入多輸出(MIMO)雷達(dá)通信一體化系統(tǒng)，在實(shí)現(xiàn)目標(biāo)探測(cè)的同時(shí)進(jìn)行多用戶通信。首先，在滿足多用戶信干噪比和總功率約束的條件下，最大化目標(biāo)方向的波束圖增益。然后，針對(duì)一體化發(fā)射波束成形設(shè)計(jì)問題，提出基于半正定松弛(SDR)和優(yōu)化最小化(MM)的兩種波束成形設(shè)計(jì)方案，求解得到發(fā)射波束成形矢量。最后，仿真結(jié)果表明基于MM的方案復(fù)雜度更低，并且能夠?qū)崿F(xiàn)與基于SDR的方案幾乎相同的波束圖增益。此外，隨著發(fā)射天線數(shù)量的增加，基于MM的方案相比于基于SDR的方案復(fù)雜度的降低程度變得更為顯著。
無線通信設(shè)備數(shù)量的驟增造成頻譜資源日益稀缺，通信用頻逐漸向更高頻段擴(kuò)展，從而導(dǎo)致通信與雷達(dá)頻段出現(xiàn)越來越多的重疊，雷達(dá)通信一體化被視為解決頻譜擁擠實(shí)現(xiàn)高效共生的潛在技術(shù)。該文考慮一個(gè)多輸入多輸出(MIMO)雷達(dá)通信一體化系統(tǒng)，在實(shí)現(xiàn)目標(biāo)探測(cè)的同時(shí)進(jìn)行多用戶通信。首先，在滿足多用戶信干噪比和總功率約束的條件下，最大化目標(biāo)方向的波束圖增益。然后，針對(duì)一體化發(fā)射波束成形設(shè)計(jì)問題，提出基于半正定松弛(SDR)和優(yōu)化最小化(MM)的兩種波束成形設(shè)計(jì)方案，求解得到發(fā)射波束成形矢量。最后，仿真結(jié)果表明基于MM的方案復(fù)雜度更低，并且能夠?qū)崿F(xiàn)與基于SDR的方案幾乎相同的波束圖增益。此外，隨著發(fā)射天線數(shù)量的增加，基于MM的方案相比于基于SDR的方案復(fù)雜度的降低程度變得更為顯著。
2025, 47(3): 696-706.
doi: 10.11999/JEIT240818
摘要:
海面小目標(biāo)識(shí)別是海事雷達(dá)監(jiān)視任務(wù)中一個(gè)重要且具有挑戰(zhàn)性的問題。由于海面小目標(biāo)類型多樣、環(huán)境復(fù)雜多變，對(duì)其進(jìn)行有效分類存在較大困難。在高分辨體制雷達(dá)下，海面小目標(biāo)通常只占據(jù)一或幾個(gè)距離單元，缺乏足夠的空間散射結(jié)構(gòu)信息，因此目標(biāo)的雷達(dá)截面積(RCS)起伏和徑向速度變化成為分類的主要依據(jù)。為此，該文提出一種基于多域雷達(dá)回波數(shù)據(jù)融合的分類網(wǎng)絡(luò)模型，用于海面小目標(biāo)的分類任務(wù)。由于不同域的數(shù)據(jù)具有其特殊的物理意義，因此該文構(gòu)建了時(shí)域LeNet(T-LeNet)神經(jīng)網(wǎng)絡(luò)模塊和時(shí)頻特征提取神經(jīng)網(wǎng)絡(luò)模塊，分別從雷達(dá)海面回波信號(hào)的幅度序列和時(shí)頻分布(TFD)即時(shí)頻圖中提取特征。其中幅度序列主要反映了目標(biāo)RCS的起伏特性，而時(shí)頻圖不僅反映RCS起伏特性，還能體現(xiàn)目標(biāo)徑向速度的變化。最后，利用IPIX, CSIR數(shù)據(jù)庫和自測(cè)的無人機(jī)數(shù)據(jù)集構(gòu)建了包括4種海面小目標(biāo)的數(shù)據(jù)集：錨定漂浮小球、漂浮船只、低空無人機(jī)(UAV)和移動(dòng)的快艇。實(shí)驗(yàn)結(jié)果表明所提方法具有良好的識(shí)別能力。
海面小目標(biāo)識(shí)別是海事雷達(dá)監(jiān)視任務(wù)中一個(gè)重要且具有挑戰(zhàn)性的問題。由于海面小目標(biāo)類型多樣、環(huán)境復(fù)雜多變，對(duì)其進(jìn)行有效分類存在較大困難。在高分辨體制雷達(dá)下，海面小目標(biāo)通常只占據(jù)一或幾個(gè)距離單元，缺乏足夠的空間散射結(jié)構(gòu)信息，因此目標(biāo)的雷達(dá)截面積(RCS)起伏和徑向速度變化成為分類的主要依據(jù)。為此，該文提出一種基于多域雷達(dá)回波數(shù)據(jù)融合的分類網(wǎng)絡(luò)模型，用于海面小目標(biāo)的分類任務(wù)。由于不同域的數(shù)據(jù)具有其特殊的物理意義，因此該文構(gòu)建了時(shí)域LeNet(T-LeNet)神經(jīng)網(wǎng)絡(luò)模塊和時(shí)頻特征提取神經(jīng)網(wǎng)絡(luò)模塊，分別從雷達(dá)海面回波信號(hào)的幅度序列和時(shí)頻分布(TFD)即時(shí)頻圖中提取特征。其中幅度序列主要反映了目標(biāo)RCS的起伏特性，而時(shí)頻圖不僅反映RCS起伏特性，還能體現(xiàn)目標(biāo)徑向速度的變化。最后，利用IPIX, CSIR數(shù)據(jù)庫和自測(cè)的無人機(jī)數(shù)據(jù)集構(gòu)建了包括4種海面小目標(biāo)的數(shù)據(jù)集：錨定漂浮小球、漂浮船只、低空無人機(jī)(UAV)和移動(dòng)的快艇。實(shí)驗(yàn)結(jié)果表明所提方法具有良好的識(shí)別能力。
2025, 47(3): 707-719.
doi: 10.11999/JEIT240528
摘要:
特征檢測(cè)作為海雜波環(huán)境下小目標(biāo)檢測(cè)的有效手段，受到了廣泛關(guān)注與深入研究。過去對(duì)特征的研究大多關(guān)注于當(dāng)前幀，近年來使用幀間時(shí)序信息融合當(dāng)前幀特征的方法也被提出并在檢測(cè)方面取得一定效果。但該方法不能很好地適應(yīng)具有時(shí)變性的海雜波數(shù)據(jù)，且僅采用靜態(tài)加權(quán)算法融合特征，對(duì)歷史幀信息的利用不夠充分。針對(duì)上述問題，該文提出基于模型穩(wěn)定的修正Burg方法進(jìn)行特征自回歸(AR)建模與一步預(yù)測(cè)，使模型能夠自適應(yīng)調(diào)整極點(diǎn)分布，提高了海雜波特征預(yù)測(cè)的準(zhǔn)確性，并基于求解多變量極值問題提出了一種動(dòng)態(tài)加權(quán)算法得到了最小方差的融合特征。該文結(jié)合IPIX數(shù)據(jù)集和海軍航空大學(xué)共享數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，利用相對(duì)平均幅度(RAA)、相對(duì)多普勒峰高(RDPH)、頻域峰均值比(FPAR)3特征構(gòu)建凸包檢測(cè)器驗(yàn)證了所提方法的有效性。
特征檢測(cè)作為海雜波環(huán)境下小目標(biāo)檢測(cè)的有效手段，受到了廣泛關(guān)注與深入研究。過去對(duì)特征的研究大多關(guān)注于當(dāng)前幀，近年來使用幀間時(shí)序信息融合當(dāng)前幀特征的方法也被提出并在檢測(cè)方面取得一定效果。但該方法不能很好地適應(yīng)具有時(shí)變性的海雜波數(shù)據(jù)，且僅采用靜態(tài)加權(quán)算法融合特征，對(duì)歷史幀信息的利用不夠充分。針對(duì)上述問題，該文提出基于模型穩(wěn)定的修正Burg方法進(jìn)行特征自回歸(AR)建模與一步預(yù)測(cè)，使模型能夠自適應(yīng)調(diào)整極點(diǎn)分布，提高了海雜波特征預(yù)測(cè)的準(zhǔn)確性，并基于求解多變量極值問題提出了一種動(dòng)態(tài)加權(quán)算法得到了最小方差的融合特征。該文結(jié)合IPIX數(shù)據(jù)集和海軍航空大學(xué)共享數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，利用相對(duì)平均幅度(RAA)、相對(duì)多普勒峰高(RDPH)、頻域峰均值比(FPAR)3特征構(gòu)建凸包檢測(cè)器驗(yàn)證了所提方法的有效性。
2025, 47(3): 720-728.
doi: 10.11999/JEIT240517
摘要:
針對(duì)車聯(lián)網(wǎng)(IoV)中傳統(tǒng)信任管理方案對(duì)惡意車輛的識(shí)別假陽率高、無法滿足多樣化服務(wù)且傳統(tǒng)共識(shí)算法不適用于當(dāng)前車聯(lián)網(wǎng)環(huán)境的問題，該文提出了基于區(qū)塊鏈的協(xié)作式車聯(lián)網(wǎng)信任管理方案。構(gòu)建了基于狄利克雷分布的信任管理模型，將車輛信任和協(xié)作服務(wù)劃分為多個(gè)等級(jí)，針對(duì)不同服務(wù)調(diào)整信任等級(jí)閾值。設(shè)計(jì)了具有反饋機(jī)制的信任等級(jí)評(píng)價(jià)算法，考慮協(xié)作車輛當(dāng)前狀態(tài)、鄰居推薦、歷史信任信息、服務(wù)質(zhì)量4方面因素，從協(xié)作前、后兩階段對(duì)協(xié)作車輛信任等級(jí)進(jìn)行評(píng)價(jià)。改進(jìn)了傳統(tǒng)的工作量證明(PoW)共識(shí)算法，動(dòng)態(tài)調(diào)整礦工節(jié)點(diǎn)出塊難度。仿真結(jié)果表明，相比同類方案，所提方案在保證能夠高效識(shí)別惡意節(jié)點(diǎn)的前提下，還能夠進(jìn)一步降低識(shí)別假陽率，提高協(xié)作成功率和共識(shí)效率。
針對(duì)車聯(lián)網(wǎng)(IoV)中傳統(tǒng)信任管理方案對(duì)惡意車輛的識(shí)別假陽率高、無法滿足多樣化服務(wù)且傳統(tǒng)共識(shí)算法不適用于當(dāng)前車聯(lián)網(wǎng)環(huán)境的問題，該文提出了基于區(qū)塊鏈的協(xié)作式車聯(lián)網(wǎng)信任管理方案。構(gòu)建了基于狄利克雷分布的信任管理模型，將車輛信任和協(xié)作服務(wù)劃分為多個(gè)等級(jí)，針對(duì)不同服務(wù)調(diào)整信任等級(jí)閾值。設(shè)計(jì)了具有反饋機(jī)制的信任等級(jí)評(píng)價(jià)算法，考慮協(xié)作車輛當(dāng)前狀態(tài)、鄰居推薦、歷史信任信息、服務(wù)質(zhì)量4方面因素，從協(xié)作前、后兩階段對(duì)協(xié)作車輛信任等級(jí)進(jìn)行評(píng)價(jià)。改進(jìn)了傳統(tǒng)的工作量證明(PoW)共識(shí)算法，動(dòng)態(tài)調(diào)整礦工節(jié)點(diǎn)出塊難度。仿真結(jié)果表明，相比同類方案，所提方案在保證能夠高效識(shí)別惡意節(jié)點(diǎn)的前提下，還能夠進(jìn)一步降低識(shí)別假陽率，提高協(xié)作成功率和共識(shí)效率。
2025, 47(3): 729-738.
doi: 10.11999/JEIT240782
摘要:
2017年，PFP作為一種超輕量級(jí)分組密碼被提出，而因其卓越的實(shí)現(xiàn)性能備受業(yè)界廣泛關(guān)注。該算法不僅硬件開銷需求低(僅需約1355 GE(等效門))、功耗小，而且加解密速度快(其速度甚至比國際著名算法 PRESENT的實(shí)現(xiàn)速度快1.5倍)，非常適合在物聯(lián)網(wǎng)環(huán)境中使用。在PFP算法的設(shè)計(jì)文檔中，作者聲稱該算法具有足夠的能力抵御差分攻擊、線性攻擊及不可能差分攻擊等多種密碼攻擊方法。然而該算法是否存在未知的安全漏洞是目前研究的難點(diǎn)。該文基于可滿足性模理論(SMT)，結(jié)合PFP算法輪函數(shù)特點(diǎn)，構(gòu)建兩種區(qū)分器自動(dòng)化搜索模型。實(shí)驗(yàn)測(cè)試結(jié)果表明：該算法在32輪加密中存在概率為2–62的相關(guān)密鑰差分特征。由此，該文提出一種針對(duì)全輪PFP算法的相關(guān)密鑰恢復(fù)攻擊，即只需263個(gè)選擇明文和248次全輪加密便可破譯出80 bit的主密鑰。這說明該算法無法抵抗相關(guān)密鑰差分攻擊。
2017年，PFP作為一種超輕量級(jí)分組密碼被提出，而因其卓越的實(shí)現(xiàn)性能備受業(yè)界廣泛關(guān)注。該算法不僅硬件開銷需求低(僅需約
2025, 47(3): 739-757.
doi: 10.11999/JEIT241067
摘要:
在大數(shù)據(jù)和物聯(lián)網(wǎng)應(yīng)用中，本地差分隱私(LDP)技術(shù)用于保護(hù)聚類分析中的用戶隱私，但現(xiàn)有方法要么在LDP下交互式地進(jìn)行聚類，需要消耗大量隱私預(yù)算，要么沒有同時(shí)考慮到聚類數(shù)據(jù)中蘊(yùn)含的表示數(shù)據(jù)質(zhì)量的高斯噪音以及為滿足LDP保護(hù)的拉普拉斯噪音，致使聚類精度低下。同時(shí)，對(duì)于衡量用戶提交數(shù)據(jù)和簇心之間的距離選擇較為武斷，沒有充分利用到用戶提交的噪音數(shù)據(jù)中蘊(yùn)含的噪音模式。為此，該文創(chuàng)新性地提出一種滿足LDP的混合噪音感知的模糊C均值聚類算法(mnFCM)，該算法的主要思想是同時(shí)建模用戶上傳數(shù)據(jù)中蘊(yùn)含的表示用戶質(zhì)量的高斯噪音以及為保護(hù)用戶數(shù)據(jù)注入的拉普拉斯噪音，進(jìn)而設(shè)計(jì)出混合噪音感知的距離替代傳統(tǒng)的歐式距離，來衡量樣本數(shù)據(jù)與簇心間的相似性。特別地，在mnFCM中，該文首先設(shè)計(jì)了混合噪音感知的距離計(jì)算方法，在此基礎(chǔ)上給出算法新的目標(biāo)函數(shù)，并基于拉格朗日乘子法設(shè)計(jì)了求解方法，最后理論上分析了求解算法的收斂性。該文進(jìn)一步理論分析了mnFCM的隱私、效用和復(fù)雜度，分析結(jié)果表明所提算法嚴(yán)格滿足LDP、相對(duì)于對(duì)比算法更接近非隱私下的簇心以及和非隱私算法具有接近的復(fù)雜度。在兩個(gè)真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，mnFCM在滿足LDP下，聚類精度提高了10%～15%。
在大數(shù)據(jù)和物聯(lián)網(wǎng)應(yīng)用中，本地差分隱私(LDP)技術(shù)用于保護(hù)聚類分析中的用戶隱私，但現(xiàn)有方法要么在LDP下交互式地進(jìn)行聚類，需要消耗大量隱私預(yù)算，要么沒有同時(shí)考慮到聚類數(shù)據(jù)中蘊(yùn)含的表示數(shù)據(jù)質(zhì)量的高斯噪音以及為滿足LDP保護(hù)的拉普拉斯噪音，致使聚類精度低下。同時(shí)，對(duì)于衡量用戶提交數(shù)據(jù)和簇心之間的距離選擇較為武斷，沒有充分利用到用戶提交的噪音數(shù)據(jù)中蘊(yùn)含的噪音模式。為此，該文創(chuàng)新性地提出一種滿足LDP的混合噪音感知的模糊C均值聚類算法(mnFCM)，該算法的主要思想是同時(shí)建模用戶上傳數(shù)據(jù)中蘊(yùn)含的表示用戶質(zhì)量的高斯噪音以及為保護(hù)用戶數(shù)據(jù)注入的拉普拉斯噪音，進(jìn)而設(shè)計(jì)出混合噪音感知的距離替代傳統(tǒng)的歐式距離，來衡量樣本數(shù)據(jù)與簇心間的相似性。特別地，在mnFCM中，該文首先設(shè)計(jì)了混合噪音感知的距離計(jì)算方法，在此基礎(chǔ)上給出算法新的目標(biāo)函數(shù)，并基于拉格朗日乘子法設(shè)計(jì)了求解方法，最后理論上分析了求解算法的收斂性。該文進(jìn)一步理論分析了mnFCM的隱私、效用和復(fù)雜度，分析結(jié)果表明所提算法嚴(yán)格滿足LDP、相對(duì)于對(duì)比算法更接近非隱私下的簇心以及和非隱私算法具有接近的復(fù)雜度。在兩個(gè)真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，mnFCM在滿足LDP下，聚類精度提高了10%～15%。
2025, 47(3): 758-768.
doi: 10.11999/JEIT240796
摘要:
在車載網(wǎng)絡(luò)(VANETs)中，聯(lián)邦學(xué)習(xí)(FL)通過協(xié)同訓(xùn)練機(jī)器學(xué)習(xí)模型，實(shí)現(xiàn)了車輛間的數(shù)據(jù)隱私保護(hù)，并提高了整體模型的性能。然而，F(xiàn)L在VANETs中的應(yīng)用仍面臨諸多挑戰(zhàn)，如模型泄露風(fēng)險(xiǎn)、訓(xùn)練結(jié)果驗(yàn)證困難以及高計(jì)算和通信成本等問題。針對(duì)這些問題，該文提出一種面向聯(lián)邦學(xué)習(xí)的可驗(yàn)證隱私保護(hù)批量聚合方案。首先，該方案基于Boneh-Lynn-Shacham (BLS)動(dòng)態(tài)短群聚合簽名技術(shù)，保護(hù)了客戶端與路邊單元(RSU)交互過程中的數(shù)據(jù)完整性，確保全局梯度模型更新與共享過程的不可篡改性。當(dāng)出現(xiàn)異常結(jié)果時(shí)，方案利用群簽名的特性實(shí)現(xiàn)車輛的可追溯性。其次，結(jié)合改進(jìn)的Cheon-Kim-Kim-Song (CKKS)線性同態(tài)哈希算法，對(duì)梯度聚合結(jié)果進(jìn)行驗(yàn)證，確保在聯(lián)邦學(xué)習(xí)的聚合過程中保持客戶端梯度的機(jī)密性，并驗(yàn)證聚合結(jié)果的準(zhǔn)確性，防止服務(wù)器篡改數(shù)據(jù)導(dǎo)致模型訓(xùn)練無效的問題。此外，該方案還支持車輛在部分掉線的情況下繼續(xù)更新模型，保障系統(tǒng)的穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有方案相比，該方案在提升數(shù)據(jù)隱私安全性和結(jié)果的可驗(yàn)證性的同時(shí)，保證了較高效率。
在車載網(wǎng)絡(luò)(VANETs)中，聯(lián)邦學(xué)習(xí)(FL)通過協(xié)同訓(xùn)練機(jī)器學(xué)習(xí)模型，實(shí)現(xiàn)了車輛間的數(shù)據(jù)隱私保護(hù)，并提高了整體模型的性能。然而，F(xiàn)L在VANETs中的應(yīng)用仍面臨諸多挑戰(zhàn)，如模型泄露風(fēng)險(xiǎn)、訓(xùn)練結(jié)果驗(yàn)證困難以及高計(jì)算和通信成本等問題。針對(duì)這些問題，該文提出一種面向聯(lián)邦學(xué)習(xí)的可驗(yàn)證隱私保護(hù)批量聚合方案。首先，該方案基于Boneh-Lynn-Shacham (BLS)動(dòng)態(tài)短群聚合簽名技術(shù)，保護(hù)了客戶端與路邊單元(RSU)交互過程中的數(shù)據(jù)完整性，確保全局梯度模型更新與共享過程的不可篡改性。當(dāng)出現(xiàn)異常結(jié)果時(shí)，方案利用群簽名的特性實(shí)現(xiàn)車輛的可追溯性。其次，結(jié)合改進(jìn)的Cheon-Kim-Kim-Song (CKKS)線性同態(tài)哈希算法，對(duì)梯度聚合結(jié)果進(jìn)行驗(yàn)證，確保在聯(lián)邦學(xué)習(xí)的聚合過程中保持客戶端梯度的機(jī)密性，并驗(yàn)證聚合結(jié)果的準(zhǔn)確性，防止服務(wù)器篡改數(shù)據(jù)導(dǎo)致模型訓(xùn)練無效的問題。此外，該方案還支持車輛在部分掉線的情況下繼續(xù)更新模型，保障系統(tǒng)的穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有方案相比，該方案在提升數(shù)據(jù)隱私安全性和結(jié)果的可驗(yàn)證性的同時(shí)，保證了較高效率。
2025, 47(3): 769-779.
doi: 10.11999/JEIT240767
摘要:
針對(duì)快遞物流網(wǎng)絡(luò)，該文研究：(1) 構(gòu)建全新的快遞物流網(wǎng)的離散數(shù)學(xué)模型 (又稱拓?fù)淠Ｐ?；(2) 根據(jù)理論基礎(chǔ)從圖論學(xué)科的角度對(duì)快遞物流網(wǎng)絡(luò)拓?fù)淠Ｐ瓦M(jìn)行定性分析，通過數(shù)學(xué)模型法結(jié)合參數(shù)統(tǒng)計(jì)、優(yōu)化算法等數(shù)學(xué)手段對(duì)模型進(jìn)行定量分析。對(duì)拓?fù)淠Ｐ椭械倪呝x予路長權(quán)重，并為快遞物流網(wǎng)拓?fù)淠Ｐ驮O(shè)計(jì)了新的優(yōu)化算法(集散算法、控制集算法、預(yù)先指定子圖算法)；(3) 以蘭州市城關(guān)區(qū)主城區(qū)作為快遞物流網(wǎng)拓?fù)淠Ｐ偷膽?yīng)用實(shí)例，實(shí)施了相應(yīng)的優(yōu)化算法。同時(shí)針對(duì)模型計(jì)算面臨的復(fù)雜度等困難提出了解決辦法，為進(jìn)一步完善、優(yōu)化快遞物流網(wǎng)絡(luò)提供了一定參考。
針對(duì)快遞物流網(wǎng)絡(luò)，該文研究：(1) 構(gòu)建全新的快遞物流網(wǎng)的離散數(shù)學(xué)模型 (又稱拓?fù)淠Ｐ?；(2) 根據(jù)理論基礎(chǔ)從圖論學(xué)科的角度對(duì)快遞物流網(wǎng)絡(luò)拓?fù)淠Ｐ瓦M(jìn)行定性分析，通過數(shù)學(xué)模型法結(jié)合參數(shù)統(tǒng)計(jì)、優(yōu)化算法等數(shù)學(xué)手段對(duì)模型進(jìn)行定量分析。對(duì)拓?fù)淠Ｐ椭械倪呝x予路長權(quán)重，并為快遞物流網(wǎng)拓?fù)淠Ｐ驮O(shè)計(jì)了新的優(yōu)化算法(集散算法、控制集算法、預(yù)先指定子圖算法)；(3) 以蘭州市城關(guān)區(qū)主城區(qū)作為快遞物流網(wǎng)拓?fù)淠Ｐ偷膽?yīng)用實(shí)例，實(shí)施了相應(yīng)的優(yōu)化算法。同時(shí)針對(duì)模型計(jì)算面臨的復(fù)雜度等困難提出了解決辦法，為進(jìn)一步完善、優(yōu)化快遞物流網(wǎng)絡(luò)提供了一定參考。
2025, 47(3): 780-791.
doi: 10.11999/JEIT240477
摘要:
針對(duì)圖神經(jīng)網(wǎng)絡(luò)(GNN)模型在其預(yù)測(cè)中常處于欠自信狀態(tài)，導(dǎo)致該狀態(tài)下實(shí)施成員推理攻擊難度大且攻擊漏報(bào)率高的問題，該文提出一種基于GNN模型校準(zhǔn)的成員推理攻擊方法。首先，設(shè)計(jì)一種基于因果推斷的GNN模型校準(zhǔn)方法，通過基于注意力機(jī)制的因果圖提取、因果圖與非因果圖解耦、后門路徑調(diào)整策略和因果關(guān)聯(lián)圖生成過程，構(gòu)建用于訓(xùn)練GNN模型的因果關(guān)聯(lián)圖。其次，使用與目標(biāo)因果關(guān)聯(lián)圖在相同數(shù)據(jù)分布下的影子因果關(guān)聯(lián)圖構(gòu)建影子GNN模型，模擬目標(biāo)GNN模型的預(yù)測(cè)行為。最后，使用影子GNN模型的后驗(yàn)概率構(gòu)建攻擊數(shù)據(jù)集以訓(xùn)練攻擊模型，根據(jù)目標(biāo)GNN模型對(duì)目標(biāo)節(jié)點(diǎn)的后驗(yàn)概率輸出推斷其是否屬于目標(biāo)GNN模型的訓(xùn)練數(shù)據(jù)。在4個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該文方法在2種攻擊模式下面對(duì)不同架構(gòu)的GNN模型進(jìn)行攻擊時(shí)，攻擊準(zhǔn)確率最高為92.6%，性能指標(biāo)優(yōu)于基線攻擊方法，可有效地實(shí)施成員推理攻擊。
針對(duì)圖神經(jīng)網(wǎng)絡(luò)(GNN)模型在其預(yù)測(cè)中常處于欠自信狀態(tài)，導(dǎo)致該狀態(tài)下實(shí)施成員推理攻擊難度大且攻擊漏報(bào)率高的問題，該文提出一種基于GNN模型校準(zhǔn)的成員推理攻擊方法。首先，設(shè)計(jì)一種基于因果推斷的GNN模型校準(zhǔn)方法，通過基于注意力機(jī)制的因果圖提取、因果圖與非因果圖解耦、后門路徑調(diào)整策略和因果關(guān)聯(lián)圖生成過程，構(gòu)建用于訓(xùn)練GNN模型的因果關(guān)聯(lián)圖。其次，使用與目標(biāo)因果關(guān)聯(lián)圖在相同數(shù)據(jù)分布下的影子因果關(guān)聯(lián)圖構(gòu)建影子GNN模型，模擬目標(biāo)GNN模型的預(yù)測(cè)行為。最后，使用影子GNN模型的后驗(yàn)概率構(gòu)建攻擊數(shù)據(jù)集以訓(xùn)練攻擊模型，根據(jù)目標(biāo)GNN模型對(duì)目標(biāo)節(jié)點(diǎn)的后驗(yàn)概率輸出推斷其是否屬于目標(biāo)GNN模型的訓(xùn)練數(shù)據(jù)。在4個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該文方法在2種攻擊模式下面對(duì)不同架構(gòu)的GNN模型進(jìn)行攻擊時(shí)，攻擊準(zhǔn)確率最高為92.6%，性能指標(biāo)優(yōu)于基線攻擊方法，可有效地實(shí)施成員推理攻擊。
2025, 47(3): 792-802.
doi: 10.11999/JEIT240836
摘要:
火焰光場圖像在形成過程中夾雜的輻射噪聲和成像噪聲會(huì)降低火焰溫度場3維重建精度，該文提出一種基于改進(jìn)U型網(wǎng)絡(luò)(UNet)的降噪模型，該模型針對(duì)輻射噪聲和成像噪聲的特性以及復(fù)雜火焰圖像的紋理信息設(shè)計(jì)了背景凈化模塊和邊緣信息優(yōu)化模塊。通過密集卷積操作對(duì)圖像背景層進(jìn)行特征提取，著重凈化夾雜在圖像背景層的輻射噪聲。通過UNet模塊中對(duì)稱的編碼器-解碼器網(wǎng)絡(luò)結(jié)構(gòu)和跳躍連接，對(duì)通道間的輻射噪聲和表層的成像噪聲降噪。最后利用邊緣優(yōu)化模塊對(duì)圖像細(xì)節(jié)信息進(jìn)行提取，從而獲得更高質(zhì)量的火焰光場圖像。數(shù)值模擬部分，在火焰光場圖像上混合加入信噪比為10 dB的輻射噪聲和成像噪聲，經(jīng)該文模型降噪后的峰值信噪比(PSNR)和結(jié)構(gòu)相似指數(shù)(SSIM)高達(dá)47 dB和0.9931 ，與其他降噪模型相比有明顯優(yōu)勢(shì)。隨后，將火焰光場圖像先經(jīng)該文降噪模型降噪，再進(jìn)行溫度場重建，測(cè)得重建平均相對(duì)誤差比未降噪時(shí)降低了約37%～57%，明顯提升了火焰溫度場3維重建的精度。實(shí)驗(yàn)部分，獲取真實(shí)蠟燭火焰和丁烷火焰光場圖像，經(jīng)該文降噪模型降噪后的蠟燭火焰圖像SSIM高達(dá)0.9870 ，降噪后的丁烷燃燒火焰圖像SSIM為0.9808 。
火焰光場圖像在形成過程中夾雜的輻射噪聲和成像噪聲會(huì)降低火焰溫度場3維重建精度，該文提出一種基于改進(jìn)U型網(wǎng)絡(luò)(UNet)的降噪模型，該模型針對(duì)輻射噪聲和成像噪聲的特性以及復(fù)雜火焰圖像的紋理信息設(shè)計(jì)了背景凈化模塊和邊緣信息優(yōu)化模塊。通過密集卷積操作對(duì)圖像背景層進(jìn)行特征提取，著重凈化夾雜在圖像背景層的輻射噪聲。通過UNet模塊中對(duì)稱的編碼器-解碼器網(wǎng)絡(luò)結(jié)構(gòu)和跳躍連接，對(duì)通道間的輻射噪聲和表層的成像噪聲降噪。最后利用邊緣優(yōu)化模塊對(duì)圖像細(xì)節(jié)信息進(jìn)行提取，從而獲得更高質(zhì)量的火焰光場圖像。數(shù)值模擬部分，在火焰光場圖像上混合加入信噪比為10 dB的輻射噪聲和成像噪聲，經(jīng)該文模型降噪后的峰值信噪比(PSNR)和結(jié)構(gòu)相似指數(shù)(SSIM)高達(dá)47 dB和
2025, 47(3): 803-813.
doi: 10.11999/JEIT240824
摘要:
針對(duì)非平穩(wěn)異常噪聲環(huán)境下擴(kuò)展目標(biāo)跟蹤問題，該文提出一種基于高斯-學(xué)生t混合(GSTM)擴(kuò)展目標(biāo)跟蹤方法。首先，將過程噪聲和量測(cè)噪聲建模為GSTM分布，以表征非平穩(wěn)厚尾噪聲，并通過引入伯努利隨機(jī)變量，將目標(biāo)的運(yùn)動(dòng)狀態(tài)和量測(cè)似然函數(shù)建模為分層高斯形式。其次，在隨機(jī)矩陣(RMM)濾波框架下，使用變分貝葉斯方法詳細(xì)推導(dǎo)了非平穩(wěn)厚尾噪聲下的GSTM擴(kuò)展目標(biāo)跟蹤算法。該算法通過建模高斯噪聲與厚尾噪聲之間的非平穩(wěn)過程，精確表征噪聲特性，從而在非平穩(wěn)異常噪聲環(huán)境下穩(wěn)健捕捉擴(kuò)展目標(biāo)的質(zhì)心位置和輪廓形態(tài)。最后，構(gòu)建非平穩(wěn)異常噪聲環(huán)境下的擴(kuò)展目標(biāo)跟蹤仿真實(shí)驗(yàn)，并通過高斯-瓦瑟斯坦距離對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行效果評(píng)估，驗(yàn)證了所提出算法的合理性。此外，真實(shí)場景實(shí)驗(yàn)結(jié)果進(jìn)一步證明了該算法在實(shí)際應(yīng)用中的有效性和魯棒性。
針對(duì)非平穩(wěn)異常噪聲環(huán)境下擴(kuò)展目標(biāo)跟蹤問題，該文提出一種基于高斯-學(xué)生t混合(GSTM)擴(kuò)展目標(biāo)跟蹤方法。首先，將過程噪聲和量測(cè)噪聲建模為GSTM分布，以表征非平穩(wěn)厚尾噪聲，并通過引入伯努利隨機(jī)變量，將目標(biāo)的運(yùn)動(dòng)狀態(tài)和量測(cè)似然函數(shù)建模為分層高斯形式。其次，在隨機(jī)矩陣(RMM)濾波框架下，使用變分貝葉斯方法詳細(xì)推導(dǎo)了非平穩(wěn)厚尾噪聲下的GSTM擴(kuò)展目標(biāo)跟蹤算法。該算法通過建模高斯噪聲與厚尾噪聲之間的非平穩(wěn)過程，精確表征噪聲特性，從而在非平穩(wěn)異常噪聲環(huán)境下穩(wěn)健捕捉擴(kuò)展目標(biāo)的質(zhì)心位置和輪廓形態(tài)。最后，構(gòu)建非平穩(wěn)異常噪聲環(huán)境下的擴(kuò)展目標(biāo)跟蹤仿真實(shí)驗(yàn)，并通過高斯-瓦瑟斯坦距離對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行效果評(píng)估，驗(yàn)證了所提出算法的合理性。此外，真實(shí)場景實(shí)驗(yàn)結(jié)果進(jìn)一步證明了該算法在實(shí)際應(yīng)用中的有效性和魯棒性。
2025, 47(3): 814-824.
doi: 10.11999/JEIT240867
摘要:
在雞尾酒會(huì)場景中，聽力正常的人有能力選擇性地注意特定的說話者語音，但聽力障礙者在這種場景中面臨困難。聽覺注意力解碼(AAD)的目的是通過分析聽者的腦電信號(hào)(EEG)響應(yīng)特征來推斷聽者關(guān)注的是哪個(gè)說話者?，F(xiàn)有的AAD模型只考慮腦電信號(hào)的時(shí)域或頻域單個(gè)特征或二者的組合(如時(shí)頻特征)，而忽略了時(shí)-空-頻域特征之間的互補(bǔ)性，這在一定程度上限制了模型的分類能力，進(jìn)而影響了模型在決策窗口上的解碼精度。同時(shí)，已有AAD模型大多在長時(shí)決策窗口(1～5 s)中有較高的解碼精度。該文提出一種基于時(shí)-空-頻多維特征的短時(shí)窗口腦電信號(hào)聽覺注意解碼網(wǎng)絡(luò)(TSF-AADNet)，用于提高短時(shí)決策窗口(0.1～1 s)的解碼精度。該模型由兩個(gè)并行的時(shí)空、頻空特征提取分支以及特征融合和分類模塊組成，其中，時(shí)空特征提取分支由時(shí)空卷積塊和高階特征交互模塊組成，頻空特征提取分支采用基于頻空注意力的3維卷積模塊(FSA-3DCNN)，最后將雙分支網(wǎng)絡(luò)提取的時(shí)空和頻空特征進(jìn)行融合，得到最終的聽覺注意力二分類解碼結(jié)果。實(shí)驗(yàn)結(jié)果表明，TSF-AADNet模型在聽覺注意檢測(cè)數(shù)據(jù)集KULeuven(KUL)和聽覺注意檢測(cè)的腦電和音頻數(shù)據(jù)集(DTU)的0.1 s決策窗口下，解碼精度分別為91.8%和81.1%，與最新的AAD模型一種基于時(shí)頻融合的雙分支并行網(wǎng)絡(luò)(DBPNet)相比，分別提高了5.40%和7.99%。TSF-AADNet作為一種新的短時(shí)決策窗口的AAD模型，可為聽力障礙診斷以及神經(jīng)導(dǎo)向助聽器研發(fā)提供有效參考。
在雞尾酒會(huì)場景中，聽力正常的人有能力選擇性地注意特定的說話者語音，但聽力障礙者在這種場景中面臨困難。聽覺注意力解碼(AAD)的目的是通過分析聽者的腦電信號(hào)(EEG)響應(yīng)特征來推斷聽者關(guān)注的是哪個(gè)說話者?，F(xiàn)有的AAD模型只考慮腦電信號(hào)的時(shí)域或頻域單個(gè)特征或二者的組合(如時(shí)頻特征)，而忽略了時(shí)-空-頻域特征之間的互補(bǔ)性，這在一定程度上限制了模型的分類能力，進(jìn)而影響了模型在決策窗口上的解碼精度。同時(shí)，已有AAD模型大多在長時(shí)決策窗口(1～5 s)中有較高的解碼精度。該文提出一種基于時(shí)-空-頻多維特征的短時(shí)窗口腦電信號(hào)聽覺注意解碼網(wǎng)絡(luò)(TSF-AADNet)，用于提高短時(shí)決策窗口(0.1～1 s)的解碼精度。該模型由兩個(gè)并行的時(shí)空、頻空特征提取分支以及特征融合和分類模塊組成，其中，時(shí)空特征提取分支由時(shí)空卷積塊和高階特征交互模塊組成，頻空特征提取分支采用基于頻空注意力的3維卷積模塊(FSA-3DCNN)，最后將雙分支網(wǎng)絡(luò)提取的時(shí)空和頻空特征進(jìn)行融合，得到最終的聽覺注意力二分類解碼結(jié)果。實(shí)驗(yàn)結(jié)果表明，TSF-AADNet模型在聽覺注意檢測(cè)數(shù)據(jù)集KULeuven(KUL)和聽覺注意檢測(cè)的腦電和音頻數(shù)據(jù)集(DTU)的0.1 s決策窗口下，解碼精度分別為91.8%和81.1%，與最新的AAD模型一種基于時(shí)頻融合的雙分支并行網(wǎng)絡(luò)(DBPNet)相比，分別提高了5.40%和7.99%。TSF-AADNet作為一種新的短時(shí)決策窗口的AAD模型，可為聽力障礙診斷以及神經(jīng)導(dǎo)向助聽器研發(fā)提供有效參考。
2025, 47(3): 825-838.
doi: 10.11999/JEIT240720
摘要:
雖然目前可以獲取海量的多時(shí)相遙感數(shù)據(jù)，但是由于建筑物變化時(shí)間周期過長，難以獲取充足的建筑物變化數(shù)據(jù)對(duì)來支撐數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)變化檢測(cè)模型構(gòu)建，呈現(xiàn)多時(shí)相遙感建筑物變化檢測(cè)處理精度差的問題。因此，為提升變化檢測(cè)算法模型處理性能，該文從建筑物變化檢測(cè)訓(xùn)練數(shù)據(jù)對(duì)生成開展研究，基于一致性對(duì)抗生成機(jī)理提出了多時(shí)相建筑物變化檢測(cè)數(shù)據(jù)對(duì)生成網(wǎng)絡(luò)(BAG-GAN)。其主要在多時(shí)相圖像生成過程中采用對(duì)抗一致性損失函數(shù)約束，在保證生成圖像和輸入圖像關(guān)聯(lián)性的同時(shí)，保證了生成模型的多模態(tài)輸出能力。此外，還通過重組原數(shù)據(jù)集中的變化標(biāo)簽和多時(shí)相遙感圖像來進(jìn)一步提升建筑物變化信息生成的多樣性，解決了訓(xùn)練數(shù)據(jù)中有效建筑物變化信息占比少的問題，為變化監(jiān)測(cè)算法模型的充分訓(xùn)練奠定了基礎(chǔ)。最后，在LEVIR-CD和WHU-CD建筑物變化檢測(cè)數(shù)據(jù)集上進(jìn)行了數(shù)據(jù)生成實(shí)驗(yàn)，并使用生成擴(kuò)充后的數(shù)據(jù)集訓(xùn)練了多種較為經(jīng)典的遙感圖像變化檢測(cè)模型，實(shí)驗(yàn)結(jié)果表明該文提出的BAG-GAN多時(shí)相建筑物變化檢測(cè)數(shù)據(jù)對(duì)生成網(wǎng)絡(luò)及相應(yīng)的生成策略可以有效提升變化檢測(cè)模型的處理精度。
雖然目前可以獲取海量的多時(shí)相遙感數(shù)據(jù)，但是由于建筑物變化時(shí)間周期過長，難以獲取充足的建筑物變化數(shù)據(jù)對(duì)來支撐數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)變化檢測(cè)模型構(gòu)建，呈現(xiàn)多時(shí)相遙感建筑物變化檢測(cè)處理精度差的問題。因此，為提升變化檢測(cè)算法模型處理性能，該文從建筑物變化檢測(cè)訓(xùn)練數(shù)據(jù)對(duì)生成開展研究，基于一致性對(duì)抗生成機(jī)理提出了多時(shí)相建筑物變化檢測(cè)數(shù)據(jù)對(duì)生成網(wǎng)絡(luò)(BAG-GAN)。其主要在多時(shí)相圖像生成過程中采用對(duì)抗一致性損失函數(shù)約束，在保證生成圖像和輸入圖像關(guān)聯(lián)性的同時(shí)，保證了生成模型的多模態(tài)輸出能力。此外，還通過重組原數(shù)據(jù)集中的變化標(biāo)簽和多時(shí)相遙感圖像來進(jìn)一步提升建筑物變化信息生成的多樣性，解決了訓(xùn)練數(shù)據(jù)中有效建筑物變化信息占比少的問題，為變化監(jiān)測(cè)算法模型的充分訓(xùn)練奠定了基礎(chǔ)。最后，在LEVIR-CD和WHU-CD建筑物變化檢測(cè)數(shù)據(jù)集上進(jìn)行了數(shù)據(jù)生成實(shí)驗(yàn)，并使用生成擴(kuò)充后的數(shù)據(jù)集訓(xùn)練了多種較為經(jīng)典的遙感圖像變化檢測(cè)模型，實(shí)驗(yàn)結(jié)果表明該文提出的BAG-GAN多時(shí)相建筑物變化檢測(cè)數(shù)據(jù)對(duì)生成網(wǎng)絡(luò)及相應(yīng)的生成策略可以有效提升變化檢測(cè)模型的處理精度。
2025, 47(3): 839-849.
doi: 10.11999/JEIT240702
摘要:
針對(duì)目前骨架行為識(shí)別方法忽視骨架關(guān)節(jié)點(diǎn)多尺度依賴關(guān)系和無法合理利用卷積核進(jìn)行時(shí)間建模的問題，該文提出了一種可選擇多尺度圖卷積網(wǎng)絡(luò)(SMS-GCN)的行為識(shí)別模型。首先，介紹了人體骨架圖的構(gòu)建原理和通道拓?fù)浼?xì)化圖卷積網(wǎng)絡(luò)的結(jié)構(gòu)；其次，構(gòu)建成對(duì)關(guān)節(jié)鄰接矩陣和多關(guān)節(jié)鄰接矩陣以生成多尺度通道拓?fù)浼?xì)化鄰接矩陣，并引入圖卷積網(wǎng)絡(luò)，進(jìn)一步提出多尺度圖卷積(MS-GC)模塊，以期實(shí)現(xiàn)對(duì)骨架關(guān)節(jié)點(diǎn)的多尺度依賴關(guān)系的建模；然后，基于多尺度時(shí)序卷積和可選擇大核網(wǎng)絡(luò)，提出可選擇多尺度時(shí)序卷積(SMS-TC)模塊，以期實(shí)現(xiàn)對(duì)有用的時(shí)間上下文特征的充分提取，同時(shí)結(jié)合MS-GC和SMS-TC模塊，進(jìn)而提出可選擇多尺度圖卷積網(wǎng)絡(luò)模型并在多支流數(shù)據(jù)輸入下進(jìn)行訓(xùn)練；最后，在NTU-RGB+D和NTU-RGB+D 120數(shù)據(jù)集上進(jìn)行大量實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，該模型能夠捕獲更多的關(guān)節(jié)特征和學(xué)習(xí)有用的時(shí)間信息，具有優(yōu)異的準(zhǔn)確率和泛化能力。
針對(duì)目前骨架行為識(shí)別方法忽視骨架關(guān)節(jié)點(diǎn)多尺度依賴關(guān)系和無法合理利用卷積核進(jìn)行時(shí)間建模的問題，該文提出了一種可選擇多尺度圖卷積網(wǎng)絡(luò)(SMS-GCN)的行為識(shí)別模型。首先，介紹了人體骨架圖的構(gòu)建原理和通道拓?fù)浼?xì)化圖卷積網(wǎng)絡(luò)的結(jié)構(gòu)；其次，構(gòu)建成對(duì)關(guān)節(jié)鄰接矩陣和多關(guān)節(jié)鄰接矩陣以生成多尺度通道拓?fù)浼?xì)化鄰接矩陣，并引入圖卷積網(wǎng)絡(luò)，進(jìn)一步提出多尺度圖卷積(MS-GC)模塊，以期實(shí)現(xiàn)對(duì)骨架關(guān)節(jié)點(diǎn)的多尺度依賴關(guān)系的建模；然后，基于多尺度時(shí)序卷積和可選擇大核網(wǎng)絡(luò)，提出可選擇多尺度時(shí)序卷積(SMS-TC)模塊，以期實(shí)現(xiàn)對(duì)有用的時(shí)間上下文特征的充分提取，同時(shí)結(jié)合MS-GC和SMS-TC模塊，進(jìn)而提出可選擇多尺度圖卷積網(wǎng)絡(luò)模型并在多支流數(shù)據(jù)輸入下進(jìn)行訓(xùn)練；最后，在NTU-RGB+D和NTU-RGB+D 120數(shù)據(jù)集上進(jìn)行大量實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，該模型能夠捕獲更多的關(guān)節(jié)特征和學(xué)習(xí)有用的時(shí)間信息，具有優(yōu)異的準(zhǔn)確率和泛化能力。
2025, 47(3): 850-858.
doi: 10.11999/JEIT240294
摘要:
隨著對(duì)太空的探索的深入，人們發(fā)現(xiàn)應(yīng)用于航天領(lǐng)域的靜態(tài)隨機(jī)存取存儲(chǔ)器(SRAM)易受到高能粒子轟擊發(fā)生電節(jié)點(diǎn)翻轉(zhuǎn)(SEU)和多節(jié)點(diǎn)翻轉(zhuǎn)(SEMNU)。該文為解決SRAM的單粒子翻轉(zhuǎn)問題提出一種16TSRAM單元可以用于SRAM的抗翻轉(zhuǎn)應(yīng)用，該單元包含3個(gè)敏感節(jié)點(diǎn)，使用金屬氧化物半導(dǎo)體(MOS)管堆疊結(jié)構(gòu)，較大提高了單元的穩(wěn)定性。在65 nm CMOS工藝下仿真證明該單元可以解決SEU和SEMNU問題。相比于SARP12T, LWS14T, SAR14T, RSP14T, EDP12T和SIS10T, MNRS16T的保持靜態(tài)噪聲容限(HSNM)分別提升了1.4%, 54.9%, 58.9%, 0.7%, 59.1%和107.4%。相比于SARP12T, RH12T, SAR14T, RSP14T, S8N8P16T, EDP12T和SIS10T, MNRS16T的讀取靜態(tài)噪聲容限(RSNM)分別提升了94.3%, 31.4%, 90.3%, 8.9%, 71.5%, 90.4%和90.3%。相較于SAR14T, RSP14T和EDP12T, MNRS16T的保持功率(Hpwr)降低了24.7%, 33.9% 和25.7%。
隨著對(duì)太空的探索的深入，人們發(fā)現(xiàn)應(yīng)用于航天領(lǐng)域的靜態(tài)隨機(jī)存取存儲(chǔ)器(SRAM)易受到高能粒子轟擊發(fā)生電節(jié)點(diǎn)翻轉(zhuǎn)(SEU)和多節(jié)點(diǎn)翻轉(zhuǎn)(SEMNU)。該文為解決SRAM的單粒子翻轉(zhuǎn)問題提出一種16TSRAM單元可以用于SRAM的抗翻轉(zhuǎn)應(yīng)用，該單元包含3個(gè)敏感節(jié)點(diǎn)，使用金屬氧化物半導(dǎo)體(MOS)管堆疊結(jié)構(gòu)，較大提高了單元的穩(wěn)定性。在65 nm CMOS工藝下仿真證明該單元可以解決SEU和SEMNU問題。相比于SARP12T, LWS14T, SAR14T, RSP14T, EDP12T和SIS10T, MNRS16T的保持靜態(tài)噪聲容限(HSNM)分別提升了1.4%, 54.9%, 58.9%, 0.7%, 59.1%和107.4%。相比于SARP12T, RH12T, SAR14T, RSP14T, S8N8P16T, EDP12T和SIS10T, MNRS16T的讀取靜態(tài)噪聲容限(RSNM)分別提升了94.3%, 31.4%, 90.3%, 8.9%, 71.5%, 90.4%和90.3%。相較于SAR14T, RSP14T和EDP12T, MNRS16T的保持功率(Hpwr)降低了24.7%, 33.9% 和25.7%。
