正 一、硷金属元素(Li、Na、K、Rb、Cs)的性能 元素周期表中第一主族元素硷金属的性能有它的规律性。例如:按Li、Na、K、Rb、Cs的顺序,由于原子半径逐渐增大,原子最外层电子与核之间的吸引力逐渐减小,因此,最外层电子则按Cs、Rb、K、Na、Li的顺序比较易于脱离原子。它们表现出来的效果就是按Li、Na、K、Rb、Cs的顺序,金属性逐渐增强,化学性逐渐活泼,逸出功逐渐变小,光电发射灵敏度逐渐增大,光谱响应的峰值(峰)与阈值(阈)逐渐移向长波。硷金属元素的这些性能如表1所列

借鉴变色龙视觉的高度独立性、对称性、全局性与选择性兼顾等特点，该文提出一种基于双PTZ (Pan-Tilt-Zoom)相机的主从跟踪方法。由于两个相机的对称性和参数可变性、可控性，这种方法相对于静止加主动相机的主从跟踪系统，可以增大监控范围；相对于多静止加主动相机的系统，可减小硬件开销；相对于全向加主动相机的系统，更有利于信息融合。该文设计了基于球面坐标模型的主从控制方法，可方便实现两相机在任意pan-tilt-zoom参数下的主从模式跟踪，实现对目标的多尺度视觉关注。在室外场景中进行的多组实验验证了所提方法的有效性。

针对弹性光网络中物理损伤导致业务频谱利用率低和传输能耗高问题，该文提出一种面向业务的链路损伤感知频谱分区(LI-ASP)能效路由策略。在LI-ASP策略中，为降低不同信道间非线性损伤，基于负载均衡设计一个综合考虑链路频谱状态和传输损伤的路径权重公式，根据调制方式的频谱效率和最大传输距离构造分层辅助图，从最高调制等级开始，为高质量业务选择K条边分离的最大权重传输路径；为低质量业务选择K条边分离的最短能效路径。然后，LI-ASP策略根据业务速率比值对频谱分区，采用首次命中(FF)和尾端命中(LF)联合频谱分配方式，减少不同传输速率业务间的交叉相位调制。仿真结果表明，该文所提LI-ASP策略在有效降低带宽阻塞率的同时，减少了业务传输能耗。

本文在W.Li(1991)循环斜卷积算法和分布式算法的基础上,通过软件模拟和具体硬件设计,利用FPGA完成了可用于高清晰度电视核心解码器及其它信号与信息处理系统的88二维DCT/IDCT处理器的全部电路设计工作。它采用一根信号线控制计算DCT/IDCT,其输入、输出为12位,内部数据线及内部参数均为16位。

对Tseng-Jan(1999)的群签名方案提出了一种新的伪造攻击，任何人利用这种攻击都能伪造出有效的群签名。针对该文提出的伪造攻击和Z.C.Li等人(2000)提出的伪造攻击，对 Tseng-Jan的群签名方案进行了改进，提出了一种新的安全群签名方案。新方案不仅能抵抗各种伪造攻击，而且保留了Tseng-Jan方案的主要优点，并且增加了群成员可注销的特性。

该文提出一组基于广义局部沃尔什变换(GLWT)的纹理特征。首先给出局部沃尔什变换(LWT)的定义，并在空域中对其加以推广，用以提取图像的局部纹理信息；然后在一个宏窗口中估计12个GLWT系数的二阶矩作为图像的纹理特征。对这组纹理特征的鉴别性能进行了分析，并与Haralick(1973)，Wang Li(1990)，以及Yu Hui提出的纹理特征进行了比较。实验结果表明，该文提出的纹理特征具有更好的鉴别性能和分类能力。

不同于MAP(Maximum A Posteriori)算法，SOVA(Soft-Output Viterbi Algorithm)算法的软输出不是真正意义上的后验概率，很少有文献给出SOVA算法的完整数学解释。该文给出了一种完整的SOVA的数学表达形式，并从SOVA的数学表达出发推导出了两种等价于MAP，具有SOVA形式的译码方法，一种是Li等人(1995)给出的适用于连续传输的最佳软输出算法(Optimal Soft output Algorithm, OSA)；后一种是对OSA算法的改进，后者可以得到与前者等价的软输出，但是降低了运算复杂度。

为了弄清光学区目标散射模型GTD模型在目标谐振区散射机理分析中的适用性，该文提出了一种基于匹配追踪的GTD参数提取新算法。在此基础上，利用该算法和Li 的最小二乘拟合方法，分别使用GTD模型，Altes模型以及扩展了的Altes模型对导体球体谐振区理论散射场和实测有限长柱体的超宽带散射场进行了分析，并通过对提取的散射类型参数与拟合结果的对比分析给出了几点有意义的结论。

签密能同时实现加密与签名，并且代价小于传统的先签名再加密。该文在Li等人(2010)签名方案的基础上提出了一个动态门限的基于属性签密方案，除具有一般签密方案的保密性和认证性外，还同时具有签密者属性隐私安全性和多接收者特性。在随机预言机模型下，利用判定双线性Diffie-Hellman (DBDH)问题和计算Diffie- Hellman (CDH)问题的困难性，证明了该方案满足在适应性选择密文攻击下的不可区分性及适应性选择消息下的不可伪造性。

针对目前深度学习单阶段检测算法综合性能不平衡以及在嵌入式设备难以部署等问题，该文提出一种面向嵌入式平台的高性能目标检测算法。基于只看1次5代 (YOLOv5)网络，改进算法首先在主干网络部分采用设计的空间颈块代替原有的焦点模块，结合改进的混洗网络2代替换原有的跨级局部暗网络，减小空间金字塔池化 (SPP)的内核尺寸，实现了主干网络的轻量化。其次，颈部采用了基于路径聚合网络 (PAN)设计的增强型路径聚合网络 (EPAN)，增加了P6大目标输出层，提高了网络的特征提取能力。然后，检测头部分采用以自适应空间特征融合 (ASFF)为基础设计的自适应空洞空间特征融合 (A-ASFF)来替代原有的检测头，解决了物体尺度变化问题，在少量增加额外开销情况下大幅提升检测精度。最后，函数部分采用高效交并比 (EIoU)代替完整交并比 (CIoU)损失函数，采用S型加权线性单元 (SiLU)代替HardSwish激活函数，提升了模型的综合性能。实验结果表明，与YOLOv5-S相比，该文提出的同版本算法在mAP@.5，mAP@.5:.95上分别提高了4.6%和6.3%，参数量降低了43.5%，计算复杂度降低了12.0%，在Jetson Nano平台上使用原模型和TensorRT加速模型进行速度评估，分别减少了8.1%和9.8%的推理延迟。该文所提算法的综合指标超越了众多优秀的目标检测网络，对嵌入式平台更为友好，具有实际应用意义。