提出了一种在基带采样率内对任意带通信号的正交采样技术。载频位于ADC(模/数转换器)基带采样率内的任意带通信号,经1/2抽取和(-1)n调制,再由全通线性多相滤波器内插后,得到其复包络的调制输出XI(n)和XQ(n)。

在LTE (Long Term Evolution)异构网络中，由于宏基站(Macro)与微微(Pico)基站的发射功率相差较大，一些离Pico基站较近的用户因为接收到的宏基站下行信号质量好于Pico基站而选择接入宏小区。然而，因为这些用户距离Pico基站较近，因此上行通信会对Pico基站产生严重的上行干扰。小区覆盖增强(Range Expansion, RE)技术能够减少此类干扰，但同时又可能引入新的下行干扰。该文提出一种基于RE技术的上行干扰识别与协调机制(UIICRE)，能够准确识别上行干扰源及其强度，并进行相应的干扰协调处理。仿真结果表明，该文提出的方案能够解决Pico小区的上行干扰问题，提升用户的上行通信质量，并保证用户下行通信质量不受影响。

求给定偶图的所有完备匹配问题在LSI/VLSI的布图设计方面有着重要的应用。本文提出了一种求解这一问题的算法。(1)提出了许配树的概念并讨论了其性质;(2)证明了任意一棵许配树T(xi)对应于给定偶图的所有完备匹配的定理;(3)给出了求给定偶图的所有完备匹配的算法。本算法已在BST 386 CAD工作站上用C语言实现。运行结果证明了算法的正确性。算法已作为正在研充的VLSI积木块布图设计系统中的一个模块。

海量机器类终端(或MTC终端)同步入网时，其业务呈现瞬时突发性，这使得基于齐次或复合泊松假设的多信道S-ALOHA稳态性能分析办法难以直接应用。该文以第i个随机接入时隙内第j次进行随机接入的用户数Mi(j)作为状态变量，提出了一种沿Mi(j) 的j方向迭代进行多信道S-ALOHA暂态性能分析的办法及其近似形式。该迭代办法可建立第i个随机接入时隙内第j次进行随机接入的用户数与第x个随机接入时隙内新到用户数的直接关系(其中xi)，也可给出接入时延概率密度函数、概率分布函数和均值的求解办法。以3GPP MTC业务参考模型进行数值仿真，验证了所提迭代办法及其近似形式的有效性。相关研究可为承载网络的优化设计提供参考。

本文提出了一种用场效应晶体管和双极型晶体管的互补型复合跟随器构成高Q模拟电感电路和低耗电容倍增器的新方案。这种电感电路和电容倍增器与以往的相比,它们具有电路简单、只用一组电源、温度特性可以互补、适于制作低频段的高感值电感电路和低耗电容倍增器(由于复合跟随器输入阻抗高)等优点。文中分析了这种模拟电感电路和低耗电容倍增器的工作原理;找出了模拟电感电路的Q与(角频率)、Q与r(补偿电阻);电容倍增器的Q与r、(电容倍增系数)与r、Re(损耗电阻)与r的关系;同时还介绍了这种模拟电感电路和电容倍增器的设计方法;并进行了实验验证。最后,导出了这种模拟电感电路的Q值灵敏度的表达式,给出了这种模拟电感电路应用的例子。

针对现实场景中行人图像被遮挡以及行人姿态或视角变化造成的未对齐问题，该文提出一种基于多样化局部注意力网络(DLAN)的行人重识别(Re-ID)方法。首先，在骨干网络后分别设计了全局网络和多分支局部注意力网络，一方面学习全局的人体空间结构特征，另一方面自适应地获取人体不同部位的显著性局部特征；然后，构造了一致性激活惩罚函数引导各局部分支学习不同身体区域的互补特征，从而获取行人的多样化特征表示；最后，将全局特征与局部特征集成到分类识别网络中，通过联合学习形成更全面的行人描述。在Market1501, DukeMTMC-reID和CUHK03行人重识别数据集上，DLAN模型的mAP值分别达到了88.4%, 79.5%和74.3%，Rank-1值分别达到了95.1%, 88.7%和76.3%，明显优于大多数现有方法，实验结果充分验证了所提方法的鲁棒性和判别能力。

基于反馈的两级交换结构FTSA (Feedback-based Two-stage Switch Architecture)在仿真中表现出极其优异的时延性能，但该结构对调度算法的时间限制使其理论性能无法实现。针对这一问题，该文基于2-错列对称的crossbar连接模式提出一种改进的反馈制两级交换结构FTSA-2-SS (FTSA using the 2-Staggered Symmetry connection pattern)，应用该连接模式可使信元传输与调度算法并行工作，从而将算法的时域空间拓展到一个时槽。此外，该文还利用双信元缓冲模式和RB (Re-sequencing Buffer)来解决由此而带来的信元冲突和失序问题。理论分析表明FTSA-2-SS和FTSA具有相同的稳定性，仿真结果显示FTSA-2-SS的时延性能优于其他非反馈负载均衡结构。

跨模态行人重识别(Re-ID)是智能监控系统所面临的一项具有很大挑战的问题，现有的跨模态研究方法中主要基于全局或局部学习表示有区别的模态共享特征。然而，很少有研究尝试融合全局与局部的特征表示。该文提出一种新的多粒度共享特征融合(MSFF)网络，该网络结合了全局和局部特征来学习两种模态的不同粒度表示，从骨干网络中提取多尺度、多层次的特征，全局特征表示的粗粒度信息与局部特征表示的细粒度信息相互协同，形成更具有区别度的特征描述符。此外，为使网络能够提取更有效的共享特征，该文还针对网络中的两种模态的嵌入模式提出了子空间共享特征模块的改进方法，改变传统模态特征权重的特征嵌入方式。将该模块提前放入骨干网络中，使两种模态的各自特征映射到同一子空间中，经过骨干网络产生更丰富的共享权值。在两个公共数据集实验结果证明了所提方法的有效性，SYSU-MM01数据集最困难全搜索单镜头模式下平均精度mAP达到了60.62%。

联邦学习允许数据不出本地的情况下实现数据价值的有效流动，被认为是物联网(IoT)场景下兼顾数据共享与隐私保护的有效方法。然而，联邦学习系统易受拜占庭攻击和推理攻击的影响，导致系统的鲁棒性和数据的隐私性受损。物联网设备的数据异构性和资源瓶颈，也为带有隐私保护的鲁棒聚合算法设计带来巨大挑战。该文提出面向异构物联网的带有数据重采样的鲁棒聚合方法Re-Sim，通过测量方向相似性和标准化更新幅度实现模型的鲁棒聚合，并采用数据重采样技术增强数据异构环境下模型的鲁棒性。同时构建轻量安全聚合协议(LSA)，在保证数据隐私性的同时兼顾模型鲁棒性、准确性和计算开销，并从理论上对协议的隐私性进行了分析。仿真结果表明，该方案能在数据异构情况下有效抵抗拜占庭攻击和推理攻击，与基线方法相比，该文所提方案精度提高1%～3%，同时减轻客户端侧计算开销79%。

在图像的捕获、传输或者处理过程中都有可能产生噪声，当图像被大量噪声影响时，许多行人再识别(ReID)方法将很难提取具有足够表达能力的行人特征，表现出较差的鲁棒性。该文主要针对低质图像的行人再识别问题，提出双域滤波分解构建3元组，用于训练度量学习模型。所提方法主要分为两个部分，首先分析了监控视频中不同图像噪声的分布特性，通过双域滤波进行图像增强。然后基于双域滤波分解对图像噪声具有很好的分离作用，该文提出一种新的3元组构建方式。在训练阶段，将双域滤波生成的低频原始图像和高频噪声图像，与原图一起作为输入3元组，网络可以进一步抑制噪声分量。同时优化了损失函数，将3元组损失和对比损失组合使用。最后利用re-ranking扩充排序表，提高识别的准确率。在加噪Market-1501和CUHK03数据集上的平均Rank-1为78.3%和21.7%，平均准确率均值(mAP)为66.9%和20.5%。加噪前后的Rank-1精度损失只有1.9%和7.8%，表明该文模型在含噪情况表现出较强的鲁棒性。