随着工业物联网(IoT)、云计算等信息技术与工业控制系统(ICS)的整合，工业数据的安全正面临着极大风险。为了能在这样一个复杂的分布式环境中保护数据的机密性和完整性，该文采用基于属性的加密(ABE)算法，设计一种集数据加密、访问控制、解密外包、数据验证为一体的通信方案，同时具有密文长度恒定的特点。最后，从正确性、安全性和性能开销3个方面对方案进行详细的分析，并通过仿真验证得出该算法具有低解密开销的优势。

针对低速率语音编码问题，该文提出基于G.723.1编码标准的信息隐藏算法。在基音预测编码过程中，通过控制闭环基音周期(自适应码本)的搜索范围，该文结合随机位置选择方法(RPS)和矩阵编码方法(MCM)，实现秘密信息的嵌入，在语音编码过程中实现了信息的隐藏。RPS方法的采用降低了载体码字之间的关联性，MCM方法的采用降低了载体的改变率。实验结果证明，该文算法下PESQ恶化率平均值最大为1.63%，隐蔽性良好。

针对现有超像素分割方法无法自动确定合适的超像素数目，以及难以有效贴合图像目标边界等问题，该文提出一种新的利用局部信息进行多层级简单线性迭代聚类的图像超像素分割方法。首先，运用基于局部信息的简单线性迭代聚类(LI-SLIC)对原始图像进行超像素初分割，然后，根据超像素的色彩标准差对其进行自适应多层级迭代分割，直至每个超像素块的色彩标准差小于预设阈值，最后，利用相邻超像素间的色彩差异对过分割的超像素进行合并。为验证方法的有效性，该文采用Berkeley, Pascal VOC和3Dircadb公共数据库作为实验数据集，并与其他多种超像素分割方法进行了比较。实验结果表明，该文提出的超像素分割方法能更精确贴合图像目标边界，有效抑制图像过分割和欠分割。

多元医学信号的典型代表有多模态睡眠图和多通道脑电图等，采用无监督深度学习表征多元医学信号是目前健康信息学领域中的一个研究热点。为了解决现有模型没有充分结合医学信号多元时序结构特点的问题，该文提出了一种无监督的多级上下文深度卷积自编码器(mCtx-CAE)。首先改进传统卷积神经网络结构，提出一种多元卷积自编码模块，以提取信号片段内的多元上下文特征；其次，提出采用语义学习技术对信号片段间的时序信息进行自编码，进一步提取时序上下文特征；最后通过共享特征表示设计目标函数，训练端到端的多级上下文自编码器。实验结果表明，该文所提模型在两种应用于不同医疗场景下的多模态和多通道数据集(UCD和CHB-MIT)上表现均优于其它无监督特征学习方法，能有效提高多元医学信号的融合特征表达能力，对提高临床时序数据的分析效率有着重要意义。

为了挖掘说话人识别领域中人脸和语音的相关性，该文设计多模态生成对抗网络(GAN)，将人脸特征和语音特征映射到联系更加紧密的公共空间，随后利用3元组损失对两个模态的联系进一步约束，拉近相同个体跨模态样本的特征距离，拉远不同个体跨模态样本的特征距离。最后通过计算公共空间特征的跨模态余弦距离判断人脸和语音是否匹配，并使用Softmax识别说话人身份。实验结果表明，该方法能有效地提升说话人识别准确率。

在极限学习机(ELM)网络结构和训练模式的基础上，该文提出了相关熵融合极限学习机(CF-ELM)。针对多数分类方法中表示级特征融合不充分的问题，该文将核映射与系数加权相结合，提出了能够有效融合表示级特征的融合极限学习机(F-ELM)。在此基础上，用相关熵损失函数替代均方误差(MSE)损失函数，推导出用于训练F-ELM各层权重矩阵的相关熵循环更新公式，以增强其分类能力与鲁棒性。为了检验方法的可行性，该文分别在数据库Caltech 101, MSRC和15 Scene上进行实验。实验结果证明，该文所提CF-ELM能够在原有基础上进一步融合表示级特征，从而提高分类正确率。

针对行人再识别中由于外观差异不显著导致特征描述不准确的问题，该文提出一种基于双向参考集矩阵度量学习(BRM²L)的行人再识别算法。首先通过互近邻算法获得每个摄像头下的互近邻参考集，为保证参考集的鲁棒性，联合考虑各摄像头下的互近邻参考集获得双向参考集。通过双向参考集挖掘出困难样本进行特征描述，从而得到准确的外观差异描述。最后利用该特征描述进行更有效的矩阵度量学习。在多个公开数据集上的实验结果证明了该算法比现有算法具有更好的行人再识别性能。

卫星健康状况监测是卫星安全保障的重要基础，而卫星遥测数据又是卫星健康状况分析的唯一数据来源。因此，卫星遥测缺失数据的准确预测是卫星健康分析的重要前瞻性手段。针对极轨卫星多组成系统、多仪器载荷以及多监测指标形成的高维数据特点，该文提出一种基于张量分解的卫星遥测缺失数据预测算法(TFP)，以解决当前数据预测方法大多面向低维数据或只能针对特定维度的不足。所提算法将遥测数据中的系统、载荷、指标以及时间等多维因素作为统一的整体进行张量建模，以完整、准确地表达数据的高维特征；其次，通过张量分解计算数据模型的成分特征，通过成分特征可对张量模型进行准确重构，并在重构过程中对缺失数据进行准确预测；最后，提出一种高效的优化算法实现相关的张量计算，并对算法中最优参数设置进行严格的理论推导。实验结果表明，所提算法的预测准确度优于当前大部分预测算法。

该文设计实现了一种全数字前馈式时间交织模数转换器(TIADC)时间误差校准算法，其中采样时间误差提取采用改进的时间误差函数求导模块的前馈式提取方法，可以提高在输入信号频率较高时误差提取的准确度；同时，为了降低误差提取单元的复杂性，采用了以减法实现的时间误差函数；最后，采用基于1阶泰勒补偿完成时间误差的实时校正。仿真验证表明，应用于4通道14位TIADC系统，当输入信号为多频信号时，系统动态性能无杂散动态范围(SFDR)从48.6 dB提高到80.7 dB。与传统基于前馈校准结构对比，可以将有效校准输入信号带宽从0.19提高到0.39，提高了校准算法的应用范围。

根据对马刺线的原理分析，该文提出一种新型马刺线结构，并在此基础上设计出一种新颖的超宽带功分器(频率范围为2.5～13.2 GHz)。该超宽带功分器尺寸较小，制作结构简单，带内传输特性好，输入与输出端口的回波损耗均小于–12 dB，带内插入损耗小于3.5 dB。在设计过程中，根据理想传输线模型，利用奇偶模分析方法，推导出设计的目标函数，并利用天牛须算法对其进行优化设计，有效提高了功分器的设计准确性和灵活性。为了验证设计的准确性，采用材料RO4003C作为基板设计超宽带功分器。实验结果表明，采用新型马刺线结构的超宽带功分器结合天牛须算法有效缩短了计算时间，提高了设计精度，可以广泛运用于超宽带功分器设计。

相比于传统高阶时域有限差分算法(FDTD)而言，该文提出了一种改进的高阶FDTD的优化方法，该算法基于安培环路定律，通过计算机技术寻找到一组最优的系数使得FDTD方法的全局色散误差达到最小，通过不同分辨率下的点源辐射模拟证明了该方法在较低分辨率的情况下仍然具有极低的相位误差，对于解决电大尺寸结构建模中的数值色散等问题提供了有效的解决方案。

为研究敌我识别(IFF)辐射源信号的细微特征，针对目前在复杂噪声环境中IFF辐射源个体识别研究不足的问题，该文提出一种基于集成固有时间尺度分解的IFF辐射源个体识别算法。该算法应用集成固有时间尺度分解(EITD)将采样信号自适应划分为若干有实际意义的信号分量并求取IFF辐射源信号在时频域的能量分布图。通过对时频能量谱的纹理分析，以图像的纹理特征表征辐射源信号的无意调制特征，送入支持向量机(SVM)中进行分类识别。实验表明，所提算法相较于基于希尔伯特-黄变换(HHT)、基于固有时间尺度分解(ITD)的辐射源个体识别方法在识别准确度上有较大提升。

提高时频分辨率对多分量非平稳信号的分析与重建具有至关重要的作用。传统的时频分析方法由于窗口固定，分析频率变化较快的信号时存在时频聚集性不高的问题，无法自适应分辨多分量信号。该文针对频率快速变化信号，利用信号的局部信息特征，提出一种自适应的时频同步压缩变换算法。该方法有效提升了已有同步压缩变换时频分辨率，特别适用于频率接近且快速变换的多分量信号。同时，利用可分性条件，该文提出利用局部瑞利熵值对自适应窗口参数进行估计。最后，通过对合成信号和实测信号分析，证明了所提方法的可行性，对分析和重建复杂非平稳信号具有重要意义。

当样本数不足时，由采样协方差矩阵特征分解得到的噪声子空间偏离其真实值，使得多重信号分类(MUSIC)算法目标角度(DOA)估计性能下降。为了解决这个问题，该文提出了一种迭代算法通过校正信号子空间来提高MUSIC算法性能。该方法首先利用采样协方差矩阵特征分解得到的噪声子空间粗略估计目标角度；其次基于信源的稀疏性和导向矢量的低秩特性，由上一步得到的目标角度以及其邻域角度对应的导向矢量构造一个新的信号子空间；最后通过解一个优化问题来校正信号子空间。仿真结果表明，该算法有效地提高了子空间估计精度。基于新的信号子空间实现MUSIC DOA估计可以使得性能得到改善，且在低样本数下改善尤为明显。

针对雷达采取间歇辐射的射频隐身管控措施，以双站测向交叉定位为例，该文研究了辐射时间比与定位性能的影响关系。首先分析了雷达间歇辐射的管控方法，然后在载机做匀速直线运动的假设下，采用克拉美罗下界(CRLB)方法，建立了辐射时间比对定位精度的影响模型。最后给出了模型的求解步骤并进行了仿真验证。仿真结果表明，不同辐射时间比对定位性能的影响不同，在初始距离为100 km，辐射时间比小于0.5时，定位收敛时间超过10 s，可以有效降低测向交叉定位的性能。

针对高超声速(HSV)平台雷达系统，该文提出一种基于高超声速平台前斜视多通道合成孔径雷达地面动目标检测(SAR-GMTI)杂波抑制方法。该方法先进行时域距离走动校正和距离压缩，并补偿距离向通道相位误差实现距离向包络对齐；然后再对方位多普勒扩展的信号进行3阶线调频傅里叶变换(CFT)压缩，并补偿方位向通道相位误差实现方位向包络对齐；接着在距离时域-方位CFT域利用数字波束形成(DBF)技术对杂波及其模糊分量置零进行空时自适应处理(STAP)，从而可以有效抑制静止杂波及其模糊分量并提取出无模糊的运动目标回波信号。

针对相控阵雷达时间资源分配问题，该文提出一种基于价值优化的任务调度算法。首先建立任务调度属性参数，对跟踪任务队列进行可行性分析和筛选操作，确定跟踪任务调度属性。其次，根据任务最大价值及其变化斜率，建立关于实际执行时刻的动态任务价值函数，并基于此构建任务调度的价值优化模型，对跟踪任务执行时刻进行分配，以更好满足及时性原则。最后，利用执行跟踪任务间的空闲时间片对搜索任务进行调度。仿真结果表明，该文算法有效减小了时间偏移量，提升了实现价值率。

双星TDOA/FDOA联合定位通过时差曲面和频差曲面进行定位，定位的精度受时差/频差测量精度的影响。针对精确测量时差/频差的需求，该文提出一种基于短合成孔径的双星干涉测量时差/频差的方法，利用一定长度的合成孔径提高测量精度。对于窄带信号，该方法有估计单星多普勒频率的能力，通过两颗卫星单独估计的结果得到频差；对于宽带信号，通过双星数据干涉可以获得频差的高精度估计。对于短期稳定的雷达信号，STK仿真数据的处理结果证实了该方法在大范围内可以实现1 km的定位精度。

针对异构网络中D2D通信复用蜂窝用户频谱时存在的频谱分配问题，该文提出一种基于改进离散鸽群优化(PIO)算法的D2D通信资源分配机制。通过设置信干噪比(SINR)门限值来保证用户的通信服务质量(QoS)，采用功率控制算法为用户设置发射功率，使用基于运动权值的二进制离散鸽群优化(MWBPIO)算法为D2D用户进行资源分配，并将D2D通信技术与中继技术进行有效结合，为边缘用户建立D2D中继链路，保证边缘用户的通信质量，最大化系统性能目标。仿真结果表明，该方案有效抑制了异构通信系统中引入D2D用户后导致的干扰问题，提高了边缘用户的通信质量和系统的频谱利用率以及系统的能效。

针对现有脑机接口(BCI)分类器与大脑认知过程结合不够紧密的问题，该文提出一种基于Chernoff加权的分类器集成框架方法，并用于同步运动想象脑机接口中。通过对训练数据进行统计分析，获得各时刻脑电信号(EEG)的统计特性，并建立基于大脑认知过程的高斯概率模型。然后利用Chernoff边界特性得到该概率模型的最小误差，并以此确定该时刻分类器的权重，通过对各时刻分类器的加权，实现同步脑机接口的信号分类。以脑机接口竞赛数据作为测试，并与线性判决分析、支持向量机和极限学习方法分别结合构成新的集成方法。由实验结果可知，加权集成框架方法的分类性能比原独立分类方法有显著提高。

超密集网络(UDNs)拉近了终端与节点间的距离，使得网络频谱效率大幅度提高，扩展了系统容量，但是小区边缘用户的性能严重下降。合理规划的虚拟小区(VC)只能降低中等规模UDNs的干扰，而重叠基站下的用户的干扰需要协作用户簇的方法来解决。该文提出了一种干扰增量降低(IIR)的用户分簇算法，通过在簇间不断交换带来最大干扰的用户，最小化簇内的干扰和，最终最大化系统和速率。该算法在不提高K均值算法的复杂度的同时，不需要指定簇首，避免陷入局部最优。仿真结果表明，网络密集部署时，有效提高系统和速率，尤其是边缘用户的吞吐量。

网络编码由于其传输效率高的特性，近年来在无线多播网络中得到广泛的应用。针对无线多播网络中丢包自动重传效率低的问题，该文提出一种新的基于虚拟队列中数据包到达时间的编码调度策略(CSAT)。在CSAT策略中，为了提高编码效率，采用虚拟队列来存放初始以及未被所有接收者接收到的数据包。考虑到队列的稳定性，CSAT策略按照一定的比率从主次队列选择发送；在次队列发送数据包时，结合了编码和非编码两种方式，根据数据包到达队列的先后，选取能够使较多数据包参与编码的方式发送。仿真结果表明，该文所提的CSAT编码调度策略在有效提高了数据包传输效率的同时，提高了网络的吞吐量并降低了平均等待时延。

在LTE-V2X系统中，针对车载用户切换过程中蜂窝链路及SideLink(SL)链路质量不高以及SL辅助切换过程中SL链路易中断的问题，该文提出一种基于SL的联合切换方案，主要包含：联合切换流程设计、联合切换信令流程设计以及联合切换判决算法设计。首先，在联合切换流程中利用SL技术实现联合切换，并对执行联合切换的SL链路质量进行筛选，以保证联合切换的可靠性；其次，对联合切换信令流程进行了完善，以优化SL辅助切换过程中SL链路易中断问题；最后，在联合切换判决算法中将车载用户的移动方向纳入切换判决条件，从而减少不必要的切换。仿真结果显示，该文所提方案能有效提升切换成功率，与此同时还能有效减少执行LTE切换的次数。

针对大规模多入多出(MIMO)系统上行链路非平稳空间相关信道的估计问题，该文利用信道的时间-空间2维稀疏结构信息，应用狄利克雷过程(DP)和变分贝叶斯推理(VBI)，设计了一种低导频开销和计算复杂度的信道估计迭代算法，提高了信道估计精度。由于平稳空间相关信道难以适用于大规模MIMO系统，该文借助于狄利克雷过程构建了非平稳空间相关信道先验模型，可将具有空间关联的多个物理信道映射为具有相同时延结构的概率信道，并应用变分贝叶斯推理设计了低导频开销和计算复杂度的信道估计迭代算法。实验结果验证了所提算法的有效性，且具有对系统关键参数鲁棒性的优点。

在支持车与车直接通信(V2V)的非正交多址接入(NOMA)蜂窝网络场景下，针对V2V用户与蜂窝用户的干扰以及NOMA准则下的功率分配问题，该文提出一种基于能效的动态资源分配算法。该算法首先为了保证V2V用户的时延及可靠性同时满足蜂窝用户的速率需求，联合考虑子信道调度、功率分配和拥塞控制，建立了最大化系统能效的随机优化模型。其次，利用李雅普诺夫随机优化方法，通过控制可接入数据量保证队列稳定性以避免网络拥塞，并根据实时网络负载状态动态地进行资源调度，设计一种次优化子信道匹配算法获得用户调度方案，进一步，利用凸优化理论和拉格朗日对偶分解方法得到功率分配策略。最后，仿真结果表明，该文算法可以满足不同用户的服务质量(QoS)需求，并在保证网络稳定性前提下提高系统能效。

正交频分复用(OFDM)系统中，由于频率发生选择性衰落会导致信道在数据传输中产生符号间干扰，因此接收机往往需要知道信道状态信息。而在海上通信的情况下，信道传输会受到多种外界因素的干扰，往往需要预先进行信道探测估计。为了提高估计性能，该文提出一种基于奇异值分解优化观测矩阵的快速贝叶斯匹配追踪稀疏信道估计优化算法(FBMPO)，该算法不仅能够充分考虑海上通信的信道稀疏性，也能够降低信道的不确定性带来的影响。计算机仿真实验表明，与传统的信道估计算法相比，该算法能够提高信道估计的精确度。