立方攻击的预处理阶段复杂度随输出比特代数次数的增长呈指数级增长，寻找有效立方集合的难度也随之增加。该文对立方攻击中预处理阶段的算法做了改进，在立方集合搜索时，由随机搜索变为带目标的搜索，设计了一个新的目标搜索优化算法，优化了预处理阶段的计算复杂度，进而使离线阶段时间复杂度显著降低。将改进的立方攻击结合旁路方法应用在MIBS分组密码算法上，从旁路攻击的角度分析MIBS的算法特点，在第3轮选择了泄露位置，建立关于初始密钥和输出比特的超定的线性方程组，可以直接恢复33 bit密钥，利用二次检测恢复6 bit密钥。所需选择明文量2^21.64，时间复杂度2²⁵。该结果较现有结果有较大改进，恢复的密钥数增多，在线阶段的时间复杂度降低。

可搜索加密技术的提出使用户能够将数据加密后存储在云端，而且可以直接对密文数据进行检索。但现有的大部分可搜索加密方案都是单用户对单用户的模式，部分多用户环境下的可搜索加密方案是基于传统公钥密码或基于身份公钥密码系统，因此这类方案存在证书管理和密钥托管问题，且容易遭受内部关键词猜测攻击。该文结合公钥认证加密和代理重加密技术，提出一个高效的多用户环境下无证书认证可搜索加密方案。方案使用代理重加密技术对部分密文进行重加密处理，使得授权用户可以利用关键字生成陷门查询对应密文。在随机预言模型下，证明方案具有抵抗无证书公钥密码环境下两类攻击者的内部关键词猜测攻击的能力，且该方案的计算和通信效率优于同类方案。

为了更快速且精确地诊断出大规模多处理器系统中的故障单元，该文首次将改进的烟花算法和反向传播(BP)神经网络相结合，提出一种新的系统级故障诊断算法—烟花-反向传播神经网络故障诊断算法(FWA-BPFD)。首先，在烟花算法中引入双种群策略、协作算子以及最优算子，设计新的适应度函数，优化变异算子、映射规则和选择策略。然后，利用烟花算法全局搜索能力和局部搜索能力的自调节机制，优化BP神经网络中的权值和阈值的寻优过程。仿真实验结果表明，该文算法相较于其他算法不仅有效地降低了迭代次数和训练时间，而且还进一步提高了诊断精度。

针对软件定义网络(SDN)中OpenFlow协议匹配字段固定且数量有限，数据流转发缺少有效的转发验证机制等问题，该文提出一种基于数据平面可编程的软件定义网络报文转发验证机制。通过为数据报文添加自定义密码标识，将P4转发设备加入基于OpenFlow的软件定义网络，在不影响数据流正常转发的基础上，对网络业务流精确控制和采样。控制器验证采样业务报文完整性，并针对异常报文下发流规则至OpenFlow转发设备，对恶意篡改、伪造等异常数据流进行转发控制。最后，构建基于开源BMv2的P4转发设备和基于OpenFlow的Open vSwitch转发设备的转发验证原型，并构建仿真网络进行实验。实验结果表明，该机制能够有效检测业务报文篡改、伪造等转发异常行为，与同类验证机制相比，在安全验证处理开销保持不变的情况下，能够实现更细粒度的业务流精确控制采样和更低的转发时延。

由于无线传感网络(WSN)存在能量和带宽的限制，在网络中直接传送模拟信号受到了极大地制约，因此对模拟信号量化是节省网络能量和保证有效带宽的重要手段。为此，该文以融合中心的重构绝对均值误差最小为原则，设计一种网络量化及能量优化方法。首先，针对单传感器，在能量固定的情况下推导了最优量化位数及在量化位数固定的情况下推导了最优能量分配。其次，在单传感器的基础上，进一步推导多传感器情况下最优量化位数及最优能量分配。以上两种情况都考虑了传感器测量噪声及信道衰落损耗。最后，通过数值仿真方法验证了文中所提方法的正确性，并将其与等能量分配进行了比较，获得了较好的效果。

车联网(VANETs)是组织车－X(X：车、路、行人及互联网等)之间的无线通信和信息交换的大型网络，是智慧城市重要组成部分。其消息认证算法的安全与效率对车联网至关重要。该文分析王大星等人的VANETs消息认证方案的安全不足，并提出一种改进的可证安全的无证书聚合签名方案。该文方案利用椭圆曲线密码构建了一个改进的安全无证书聚合认证方案。该方案降低了密码运算过程中的复杂性，同时实现条件隐私保护功能。严格安全分析证明该文方案满足VANETs的安全需求。性能分析表明该文方案相比王大星等人方案，较大幅度地降低了消息签名、单一验证以及聚合验证算法的计算开销，同时也减少了通信开销。

为解决传感器网络在空间目标分布式跟踪过程中的异步采样及通信延迟问题，该文提出一种异步分布式信息滤波算法(ADIF)。首先，局部传感器与相邻节点之间以一定的拓扑结构传递带采样时标的局部状态信息和量测信息，然后将收到的异步信息按时间排序，使用ADIF算法进行计算，分别对目标状态进行估计。该方法实现简单，传感器间通信的次数少，支持网络拓扑的实时变化，适用于空间目标监测中的多目标跟踪问题。该文分别对空间单目标、多目标跟踪进行了仿真，结果表明算法可以有效解决异步传感器滤波问题，分布式滤波精度一致逼近于集中式结果。

已有的节点影响力度量方法均存在一定的局限性。该文基于三度影响力原则，综合考虑局部度量的适宜层次及大规模网络的可扩展性，提出一种基于3级邻居的节点影响力度量方法(TIM)。该方法将节点2, 3级具有传播衰减特性的邻居视为整体，用于度量节点的影响能力。利用传染病模型及独立级联模型，在3个真实数据集验证了该方法的有效性。实验结果表明，基于3级邻居的节点影响力度量方法在影响力一致性、区分度、排序性等指标中表现优越，且能够有效求解影响力最大化问题。

无线局域网(WLAN)室内入侵检测技术是目前智能检测领域的研究热点之一，而传统基于数据库构建的入侵检测技术没有考虑复杂室内环境中WLAN信号的时变性，从而导致WLAN室内入侵检测系统的鲁棒性较差。为了解决这一问题，该文提出一种基于多核最大均值差异(MKMMD)迁移学习的WLAN室内入侵检测方法。该方法首先利用离线有标记和在线伪标记的接收信号强度(RSS)特征来分别构建源域和目标域；其次，通过构造最优迁移矩阵以最小化源域和目标域RSS特征混合分布之间的MKMMD；再次，利用迁移后的源域RSS特征与对应标签来训练分类器，并将其用于对迁移后的目标域RSS特征进行分类以得到目标域标签集；最后，迭代更新目标域标签集直至算法收敛，进而实现对目标环境的入侵检测。实验结果表明，该文所提方法在保证较高检测精度的同时，能够有效克服信号时变性对检测性能的影响。

由于多径和非同源等因素的影响，传统基于蓝牙信号强度的室内定位方法的性能精度和稳定性都不高。针对基于蓝牙信号的复杂室内环境定位问题，该文提出基于低成本阵列天线的室内定位方法，该方法利用单通道轮采极化敏感阵列天线对蓝牙信号进行采样，然后结合暗室测量获得的准确阵列流形和极化快收敛稀疏贝叶斯学习(P-FCSBL)算法实现信源的角度估计，最后通过角度实现定位。该方法充分利用极化信息和角度信息来实现目标和多径信号的分离，同时对单信源的同时采样保证了估计的稳定性。最后通过实测数据处理验证了该方法的有效性。

基于信道状态信息(CSI)的室内定位技术近几年备受关注。已提出的室内定位方案主要在适用性和定位精度等方面进行不断地创新和改进。该文提出一种被动式的1发2收指纹室内定位系统。用两个固定接收端采集CSI数据，信号预处理阶段对CSI幅值进行奇异值去除与低通滤波，用线性拟合的方法对CSI相位进行校正，将两个接收端采集处理得到的CSI幅值和相位信息共同作为指纹，最终通过全连接神经网络对指纹样本进行训练，并与采集到的实时数据进行匹配识别。实验表明，采用两个接收端以及幅值和相位结合定位的方法，匹配识别率达到了98%，定位精度达到0.69 m。证明该系统能精确有效地实现室内定位。

该文使用极坐标正弦变换(PST)特征对图像进行Copy-move篡改检测，将待检测图像转换成灰度图并进行PST特征提取，并采用改进的快速近似最近邻搜索算法PatchMatch对特征描述符进行匹配，以克服匹配全局描述符带来的处理时间较长的缺点。实验分析表明，该文所提方法不仅对图像的线性Copy-move篡改和旋转干扰篡改有很好的效果，而且对噪声和JPEG压缩干扰篡改也具有一定的鲁棒性。最后对综合干扰篡改实验测试发现，在综合篡改幅度较小的情况下，准确率可以达到98.0%。

类属属性学习避免相同属性预测全部标记，是一种提取各标记独有属性进行分类的一种框架，在多标记学习中得到广泛的应用。而针对标记维度较大、标记分布密度不平衡等问题，已有的基于类属属性的多标记学习算法普遍时间消耗大、分类精度低。为提高多标记分类性能，该文提出一种基于标记密度分类间隔面的组类属属性学习(GLSFL-LDCM)方法。首先，使用余弦相似度构建标记相关性矩阵，通过谱聚类将标记分组以提取各标记组的类属属性，减少计算全部标记类属属性的时间消耗。然后，计算各标记密度以更新标记空间矩阵，将标记密度信息加入原标记中，扩大正负标记的间隔，通过标记密度分类间隔面的方法有效解决标记分布密度不平衡问题。最后，通过将组类属属性和标记密度矩阵输入极限学习机以得到最终分类模型。对比实验充分验证了该文所提算法的可行性与稳定性。

深度学习在人工智能领域已经取得了非常优秀的成就，在有监督识别任务中，使用深度学习算法训练海量的带标签数据，可以达到前所未有的识别精确度。但是，由于对海量数据的标注工作成本昂贵，对罕见类别获取海量数据难度较大，所以如何识别在训练过程中少见或从未见过的未知类仍然是一个严峻的问题。针对这个问题，该文回顾近年来的零样本图像识别技术研究，从研究背景、模型分析、数据集介绍、实验分析等方面全面阐释零样本图像识别技术。此外，该文还分析了当前研究存在的技术难题，并针对主流问题提出一些解决方案以及对未来研究的展望，为零样本学习的初学者或研究者提供一些参考。

当前的显著性目标检测算法在准确性和高效性两方面不能实现良好的平衡，针对这一问题，该文提出了一种新的平衡准确性以及高效性的显著性目标检测深度卷积网络模型。首先，通过将传统的卷积替换为可分解卷积，大幅减少计算量，提高检测效率。其次，为了更好地利用不同尺度的特征，采用了稀疏跨层连接结构及多尺度融合结构来提高模型检测精度。广泛的评价表明，与现有方法相比，所提的算法在效率和精度上都取得了领先的性能。

该文提出一种基于虚拟光学的视觉显著目标高分辨率可控放大重建方法。原始图像放置于虚拟光路物平面，首先通过衍射逆计算获得原始图像在虚拟衍射面的光波信号，再对虚拟衍射面光波用球面波照射后作正向衍射计算，通过改变观测平面位置可重建出不同放大率的原始图像。仿真测试结果表明，与一般的插值放大方法相比，所获得的放大后的图像特别是在显著性区域表示出良好的视觉感知效果。将包含人脸的低分辨率降质图像作为待重建信号，所重建人脸的显著性区域如眼睛、鼻子等比一般重建方法更清晰。用水平集方法结合显著图分割出原始图像中的局部显著区域并作放大重建和轮廓提取，轮廓表现出良好的光滑性。

图像间的风格迁移是一类将图片在不同领域进行转换的方法。随着生成式对抗网络在深度学习中的快速发展，其在图像风格迁移领域中的应用被日益关注。但经典算法存在配对训练数据较难获取，生成图片效果差的缺点。该文提出一种改进循环生成式对抗网络(CycleGAN++)，取消了环形网络，并在图像生成阶段将目标域与源域的先验信息与相应图片进行纵深级联；优化了损失函数，采用分类损失代替循环一致损失，实现了不依赖训练数据映射的图像风格迁移。采用CelebA和Cityscapes数据集进行实验评测，结果表明在亚马逊劳务平台感知研究(AMT perceptual studies)与全卷积网络得分(FCN score)两个经典测试指标中，该文算法比CycleGAN, IcGAN, CoGAN, DIAT等经典算法取得了更高的精度。

特征子空间学习是图像识别及分类任务的关键技术之一，传统的特征子空间学习模型面临两个主要的问题。一方面是如何使样本在投影到特征空间后有效地保持其局部结构和判别性。另一方面是当样本含噪时传统学习模型所发生的失效问题。针对上述两个问题，该文提出一种基于低秩表示(LRR)的判别特征子空间学习模型，该模型的主要贡献包括：通过低秩表示探究样本的局部结构，并利用表示系数作为样本在投影空间的相似性约束，使投影子空间能够更好地保持样本的局部近邻关系；为提高模型的抗噪能力，构造了一种利用低秩重构样本的判别特征学习约束项，同时增强模型的判别性和鲁棒性；设计了一种基于交替优化技术的迭代数值求解方案来保证算法的收敛性。该文在多个视觉数据集上进行分类任务的对比实验，实验结果表明所提算法在分类准确度和鲁棒性方面均优于传统特征学习方法。

为提高信号采样值之间的相关性和降低噪声对感知性能的影响，该文提出基于信号包络自相关矩阵的频谱感知算法。首先对采样信号等间隔时长截取，以相邻间隔的采样值计算信号自相关性，并构造出近似自相关矩阵。其次依据矩阵次对角线元素性质构造了统计量。分别计算了该统计量的检测概率分布函数与虚警概率分布函数，分析了频谱感知算法的检测性能，算法优化了信号相关性的计算，降低了噪声对感知性能的影响。最后通过仿真验证了不同参数对检测概率和虚警概率的影响，并提出了进一步提高检测性能的措施。

该文针对双层非正交多址系统(NOMA)中基于能量效率的资源优化问题，该文提出基于双边匹配的子信道匹配方法和基于斯坦科尔伯格(Stackelberg)博弈的功率分配算法。首先将资源优化问题分解成子信道匹配与功率分配两个子问题，在功率分配问题中，将宏基站与小型基站层视作斯坦科尔伯格博弈中的领导者与追随者。然后将非凸优化问题转换成易于求解的方式，分别得到宏基站和小型基站层的功率分配。最后通过斯坦科尔伯格博弈，得到系统的全局功率分配方案。仿真结果表明，该资源优化算法能有效地提升双层NOMA系统的能量效率。

针对异构云无线接入网络(H-CRAN)网络下基于网络切片的在线无线资源动态优化问题，该文通过综合考虑业务接入控制、拥塞控制、资源分配和复用，建立一个以最大化网络平均和吞吐量为目标，受限于基站(BS)发射功率、系统稳定性、不同切片的服务质量(QoS)需求和资源分配等约束的随机优化模型，并进而提出了一种联合拥塞控制和资源分配的网络切片动态资源调度算法。该算法会在每个资源调度时隙内动态地为性能需求各异的网络切片中的用户分配资源。仿真结果表明，该文算法能在满足各切片用户QoS需求和维持网络稳定的基础上，提升网络整体吞吐量，并且还可通过调整控制参量的取值实现时延和吞吐量间的动态平衡。

利用无线信道的特征通过物理层技术实现信息的安全传输是保密通信的一种方式。时间反转传输特有的时空聚焦特性使其具有天然的抗干扰和抗窃听能力，在单发射天线条件下也能获得较好的保密传输性能。该文研究两用户时间反转下行多址安全传输系统中，发送滤波器脉冲响应的优化问题。根据互惠原则将两个发送滤波器的联合优化问题转换为各滤波器的独立优化问题，进一步将其转换为寻找最大特征值及其对应的特征向量的问题，并通过迭代算法进行求解。仿真结果表明，针对保密和速率优化预处理滤波器后，系统的可达保密速率明显优于采用常规时间反转预处理滤波器时的系统和直接传输系统。

循环冗余校验(CRC)与信道编码的级联使用，可以有效改善译码的收敛特性。在新一代无线通信系统，如5G中，码长和码率都具有多样性。为了提高编译码分段长度可变的级联系统的译码效率，该文提出一种可变计算位宽的CRC并行算法。该算法在现有固定位宽并行算法的基础上，合并公式递推法中反馈数据与输入数据的并行计算，实现了一种高并行度的CRC校验架构，并且支持可变位宽的CRC计算。与现有的并行算法相比，合并算法节省了电路资源的开销，在位宽固定时，资源节约效果明显，同时在反馈时延上也有将近50%的优化；在位宽可变时，电路资源的使用情况也有相应的优化。

欺骗式干扰通过发射与真实卫星信号相似的信号误导接收机产生错误的定位结果，具有极大的危害。该文针对转发式欺骗干扰，提出一种基于信号重构的单天线欺骗干扰抑制方法。该方法首先通过参数估计方法估计出欺骗信号载波频率和码相位，然后构建欺骗信号子空间正交投影矩阵以抑制干扰。仿真实验结果表明该方法对欺骗干扰具有良好的抑制效果，能够保障接收机在干扰环境中实现有效定位，并具有较低的运算复杂度。

为了解决行波管(TWT)宽带数字预失真(DPD)中反馈回路ADC采样率过高的问题，该文利用信号的循环平稳特性证实可通过欠采样下的输出信号估计功放的非线性模型参数，然后由功放非线性模型参数和输入信号可恢复出与高采样率下效果相似的功放输出信号，最后通过传统的间接学习结构对功放进行数字预失真以实现行波管的线性化。为了验证该方法，利用20 MHz LTE信号驱动一只55 W的X波段行波管放大器(TWTA)。数字预失真反馈回路的ADC采样率从61.44 Msps降低至6.144 Msps和3.072 Msps，但线性化效果变化不大，表明欠采样方法是有效的。

针对多约束条件下稀布矩形平面阵列天线的优化问题，该文提出一种基于动态参数差分进化(DPDE)算法的方向图综合方法。首先，对差分进化(DE)算法中的缩放因子和交叉概率引入动态变化控制策略，提高搜索效率和搜索精度。其次，改进矩阵映射方法，重新定义映射法则，改善现有方法随机性强和搜索精度低的不足。最后，为检验所提方法的有效性进行仿真实验，实验数据表明，该方法可以提高天线优化性能，有效降低天线的峰值旁瓣电平。

针对基于长期演进(LTE)信号的无源雷达存在同频基站干扰的问题，该文提出一种基于2阶统计量的盲源分离算法，该算法是在卷积混合模型下，通过多通道最小均方(LMS)算法实现分离信号之间的相关性最小。由于各发射基站信号之间统计不相关，当分离信号之间的相关性达到最小时，完成观测信号的分离。在此基础上，改进了传统无源雷达信号处理的流程，增加了分离同频干扰基站直达波和多径杂波的步骤，实现了对同频干扰基站杂波的抑制。通过仿真分析，验证了算法的有效性，为基于LTE信号的无源雷达数据处理提供了参考。

针对米波(VHF)雷达的复杂多径信号中散射分量的非高斯性严重影响测高的稳定性，该文提出了稳健的空域符号变换最大似然测高算法。该算法先对多维阵列快拍矢量进行空域符号变换处理，以抑制散射分量野值点对阵列协方差矩阵及其测高算法的影响，再计算符号协方差矩阵(SCM)，然后根据符号协方差矩阵的映射等效性和特征空间不变性，将符号协方差矩阵应用到最大似然(SCM-ML)测高算法中，实现了稳健的米波雷达低角测高。该算法有效抑制了多径信号中散射分量和波束打地形成的强杂波的非高斯性，提高了米波雷达低角测高的稳健性。仿真结果和实测数据验证了算法的稳健性与有效性。