邮件订阅
2026年 第48卷 第6期
显示方式:
2026, 48(6): 2317-2326.
doi: 10.11999/JEIT251381
摘要:
该文针对可重构智能表面(RIS)辅助的多输入单输出-正交频分多址(MISO-OFDMA)系统，围绕提升频谱效率这一核心需求，开展子载波分配、基站主动波束赋形与RIS被动波束赋形的联合优化研究。为解决传统优化方法在多变量耦合场景下计算复杂、易陷入局部最优的问题，提出一种模型驱动的图神经网络(GNN)方案。该方案将通信物理模型嵌入网络架构设计，实现从信道特征到多优化变量的端到端映射，无需依赖复杂迭代求解。仿真结果表明：与传统基准算法相比，所提方案不仅提高了系统的频谱效率，还显著降低了系统的计算复杂度。同时，在用户组数动态变化和基站传输功率调整等场景下仍保持良好鲁棒性，具备实际部署潜力。
该文针对可重构智能表面(RIS)辅助的多输入单输出-正交频分多址(MISO-OFDMA)系统，围绕提升频谱效率这一核心需求，开展子载波分配、基站主动波束赋形与RIS被动波束赋形的联合优化研究。为解决传统优化方法在多变量耦合场景下计算复杂、易陷入局部最优的问题，提出一种模型驱动的图神经网络(GNN)方案。该方案将通信物理模型嵌入网络架构设计，实现从信道特征到多优化变量的端到端映射，无需依赖复杂迭代求解。仿真结果表明：与传统基准算法相比，所提方案不仅提高了系统的频谱效率，还显著降低了系统的计算复杂度。同时，在用户组数动态变化和基站传输功率调整等场景下仍保持良好鲁棒性，具备实际部署潜力。
2026, 48(6): 2327-2340.
doi: 10.11999/JEIT250884
摘要:
针对阵列误差影响下圆和非圆信号混合入射的波达方向(DOA)估计问题，该文提出一种基于改进视觉转换器(ViT)模型的鲁棒测向算法。该算法通过构建6通道类图像输入架构，融合接收信号的协方差矩阵实部、虚部、相位、幅值及非圆扩展特性，利用梯度掩码机制实现核心特征与辅助特征的自适应融合，充分提取并挖掘了非圆信号伪协方差矩阵中蕴含的额外信息；同时改进传统ViT模型结构，增加特征融合及卷积模块，并设计前后双分类标记注意力机制，增强模型对信号的学习能力和适应性。实验结果表明，该算法在低信噪比、圆与非圆信号混合及多种阵列误差共存等复杂场景下，相比于现有方法展现出了更好的鲁棒性和测向精度。此外，该算法对快拍数变化及未知调制类型的信号亦表现出良好的适应性与稳定性，为复杂环境中的波达方向估计提供了一种新的有效方法。
针对阵列误差影响下圆和非圆信号混合入射的波达方向(DOA)估计问题，该文提出一种基于改进视觉转换器(ViT)模型的鲁棒测向算法。该算法通过构建6通道类图像输入架构，融合接收信号的协方差矩阵实部、虚部、相位、幅值及非圆扩展特性，利用梯度掩码机制实现核心特征与辅助特征的自适应融合，充分提取并挖掘了非圆信号伪协方差矩阵中蕴含的额外信息；同时改进传统ViT模型结构，增加特征融合及卷积模块，并设计前后双分类标记注意力机制，增强模型对信号的学习能力和适应性。实验结果表明，该算法在低信噪比、圆与非圆信号混合及多种阵列误差共存等复杂场景下，相比于现有方法展现出了更好的鲁棒性和测向精度。此外，该算法对快拍数变化及未知调制类型的信号亦表现出良好的适应性与稳定性，为复杂环境中的波达方向估计提供了一种新的有效方法。
2026, 48(6): 2341-2351.
doi: 10.11999/JEIT251355
摘要:
针对多站雷达信号分选面临的传输受限、数据安全以及站间非独立同分布导致的泛化能力差等问题，该文提出一种基于联邦学习的多站协同分选方法。首先，构建了中心化联邦分选架构，设计了本地时序模型，通过双向长短时记忆网络与残差连接的结合，有效捕捉了脉冲序列的时序信息，在核心集上实现了超过96%的分选性能。其次，针对站间数据异构性问题，提出参数解耦与近端正则的站间聚合策略，有效缓解模型漂移。仿真表明，所提方法在扩展集上的F1-Score达到83.75%，较FedAvg算法提升了3.86%。在70%高脉冲丢失率或杂散干扰等极端场景下F1-Score保持在75%以上，表现出优异的鲁棒性。同时该方法将全周期通信总量降低了92.60%，实现了高效、鲁棒的多站分选处理。
针对多站雷达信号分选面临的传输受限、数据安全以及站间非独立同分布导致的泛化能力差等问题，该文提出一种基于联邦学习的多站协同分选方法。首先，构建了中心化联邦分选架构，设计了本地时序模型，通过双向长短时记忆网络与残差连接的结合，有效捕捉了脉冲序列的时序信息，在核心集上实现了超过96%的分选性能。其次，针对站间数据异构性问题，提出参数解耦与近端正则的站间聚合策略，有效缓解模型漂移。仿真表明，所提方法在扩展集上的F1-Score达到83.75%，较FedAvg算法提升了3.86%。在70%高脉冲丢失率或杂散干扰等极端场景下F1-Score保持在75%以上，表现出优异的鲁棒性。同时该方法将全周期通信总量降低了92.60%，实现了高效、鲁棒的多站分选处理。
2026, 48(6): 2352-2363.
doi: 10.11999/JEIT250697
摘要:
高海况海杂波数据在雷达目标检测性能验证中需求迫切，直接生成具有良好时频特征的高海况海杂波数据难度大。针对这一问题，该文提出融合复数变分自编码对抗网络(Complex Variational AutoEncoder Wasserstein Generative Adversarial Network, CVAE-WGAN)与迁移学习的创新框架。该文首先通过构建复数域深度架构，依托复数卷积核保留信号正交特性，同时结合幅度-相位注意力模块(Amplitude-Phase Attention, APA)增强时频特征提取，并引入复数残差块优化梯度传播。其次，该文设计物理约束导向的损失函数体系，利用时频脊损失捕捉非平稳能量演化轨迹，通过多普勒频带损失强化雷达相干处理特性；提出基于Kullback-Leibler散度(Kullback-Leibler Divergence, KLD)的自适应迁移机制——在源域预训练后，对目标域动态解冻高分布差异层，从而实现跨场景知识迁移。实验验证生成数据在四级海况幅度统计特性、时间相关性和时频特征上均高度逼近实测数据；迁移至五级海况(20%目标域样本)后，仍保持优异的幅度分布与自相关特性，时频物理特征还原能力接近源域水平。消融研究证实APA对相位-幅度联合建模起决定性作用，样本量敏感性测试表明方法在15%目标数据量下性能稳定。该框架通过复数域物理约束与自适应迁移的协同创新，显著提升小样本海杂波生成质量，为雷达抗干扰算法提供可靠数据基础，极端稀缺样本场景的适应性优化将是后续重点。
高海况海杂波数据在雷达目标检测性能验证中需求迫切，直接生成具有良好时频特征的高海况海杂波数据难度大。针对这一问题，该文提出融合复数变分自编码对抗网络(Complex Variational AutoEncoder Wasserstein Generative Adversarial Network, CVAE-WGAN)与迁移学习的创新框架。该文首先通过构建复数域深度架构，依托复数卷积核保留信号正交特性，同时结合幅度-相位注意力模块(Amplitude-Phase Attention, APA)增强时频特征提取，并引入复数残差块优化梯度传播。其次，该文设计物理约束导向的损失函数体系，利用时频脊损失捕捉非平稳能量演化轨迹，通过多普勒频带损失强化雷达相干处理特性；提出基于Kullback-Leibler散度(Kullback-Leibler Divergence, KLD)的自适应迁移机制——在源域预训练后，对目标域动态解冻高分布差异层，从而实现跨场景知识迁移。实验验证生成数据在四级海况幅度统计特性、时间相关性和时频特征上均高度逼近实测数据；迁移至五级海况(20%目标域样本)后，仍保持优异的幅度分布与自相关特性，时频物理特征还原能力接近源域水平。消融研究证实APA对相位-幅度联合建模起决定性作用，样本量敏感性测试表明方法在15%目标数据量下性能稳定。该框架通过复数域物理约束与自适应迁移的协同创新，显著提升小样本海杂波生成质量，为雷达抗干扰算法提供可靠数据基础，极端稀缺样本场景的适应性优化将是后续重点。
2026, 48(6): 2364-2373.
doi: 10.11999/JEIT251017
摘要:
现有基于监督学习范式的短波信号调制识别方法通常假设训练数据(源域)与测试数据(目标域)服从同一分布。然而，短波信道易受电离层变化影响，导致域间分布差异显著，进而引发模型性能退化。此外，无人平台边缘侧部署还面临设备资源受限、标注样本稀缺以及数据隐私保护等多重挑战。针对上述问题，该文提出一种基于源模型迁移的轻量化识别方法，能够在不访问源域数据的条件下实现隐私安全的模型迁移。该方法的优势主要体现在3个方面：首先，具备良好的轻量化特性，仅需在无标签目标域上进行单轮训练即可快速收敛，显著降低了计算开销；其次，具备优异的小样本适应能力，在目标域样本极少的场景下仍能保持较高的识别精度；最后，通过融合涵盖同相/正交分量、幅度/相位信息及频谱特征的多模态信号特征，充分利用特征互补性增强了模型鲁棒性。仿真实验结果表明，该方法在大幅降低资源消耗的同时，在小样本条件下仍能保持稳定的识别性能，验证了其兼具快速收敛、低资源需求和良好泛化能力的特性。
现有基于监督学习范式的短波信号调制识别方法通常假设训练数据(源域)与测试数据(目标域)服从同一分布。然而，短波信道易受电离层变化影响，导致域间分布差异显著，进而引发模型性能退化。此外，无人平台边缘侧部署还面临设备资源受限、标注样本稀缺以及数据隐私保护等多重挑战。针对上述问题，该文提出一种基于源模型迁移的轻量化识别方法，能够在不访问源域数据的条件下实现隐私安全的模型迁移。该方法的优势主要体现在3个方面：首先，具备良好的轻量化特性，仅需在无标签目标域上进行单轮训练即可快速收敛，显著降低了计算开销；其次，具备优异的小样本适应能力，在目标域样本极少的场景下仍能保持较高的识别精度；最后，通过融合涵盖同相/正交分量、幅度/相位信息及频谱特征的多模态信号特征，充分利用特征互补性增强了模型鲁棒性。仿真实验结果表明，该方法在大幅降低资源消耗的同时，在小样本条件下仍能保持稳定的识别性能，验证了其兼具快速收敛、低资源需求和良好泛化能力的特性。
2026, 48(6): 2374-2383.
doi: 10.11999/JEIT251023
摘要:
在障碍物密集、结构复杂的城市场景中，无人机编队进行辐射源定位常受到信号衰减、多径效应和建筑物遮挡等因素的影响，导致现有方法定位精度不高。针对这一问题，该文提出了一种基于动态队形调整的无人机编队辐射源定位方法。该方法通过优化无人机编队的几何构型，有效降低路径损耗与干扰，从而提升定位性能。具体而言，系统利用接收信号强度实时评估信号质量，并在编队运动过程中根据环境变化自适应调整队形，以优化信号传播路径。同时，结合几何定位精度因子、均方根误差等指标，对编队结构进行动态优化，从而提高距离估计与定位解算的可靠性。实验结果表明，相比传统方法，该方法在复杂城市环境中能够更快收敛并显著提升定位精度，定位误差降低了80%以上。同时，所提方法能够有效适应动态环境变化，展现出较强的鲁棒性与实用价值。
在障碍物密集、结构复杂的城市场景中，无人机编队进行辐射源定位常受到信号衰减、多径效应和建筑物遮挡等因素的影响，导致现有方法定位精度不高。针对这一问题，该文提出了一种基于动态队形调整的无人机编队辐射源定位方法。该方法通过优化无人机编队的几何构型，有效降低路径损耗与干扰，从而提升定位性能。具体而言，系统利用接收信号强度实时评估信号质量，并在编队运动过程中根据环境变化自适应调整队形，以优化信号传播路径。同时，结合几何定位精度因子、均方根误差等指标，对编队结构进行动态优化，从而提高距离估计与定位解算的可靠性。实验结果表明，相比传统方法，该方法在复杂城市环境中能够更快收敛并显著提升定位精度，定位误差降低了80%以上。同时，所提方法能够有效适应动态环境变化，展现出较强的鲁棒性与实用价值。
2026, 48(6): 2384-2395.
doi: 10.11999/JEIT251144
摘要:
针对单通道场景下通信信号盲源分离长序列建模能力不足，计算效率亟待提升；具有频偏的同频混叠通信信号分离有待进一步研究的问题，该文提出一种面向单通道同频混叠通信信号的盲源分离方法S4-UNET。该方法构建了融合U-NET与结构化状态空间序列模型(S4)的S4-UNET架构，以时序状态增强模块(TSEM)作为编码器和解码器的主干模块初步提取混合信号特征，并在编码器奇数阶段引入S4实现高效序列建模，达成长序列的近似线性复杂度处理。通过编码器-解码器结构结合跳跃连接进行特征融合，利用上采样恢复特征分辨率。在含微小频偏的同频混叠场景中，对相同调制方式、不同调制方式及不同带宽的信号混合情况实现了分离。在仿真与实测数据集上的实验表明，与深度学习模型(ConvTasNet, CTDCRN)和经典算法(TDE-ICA)相比，所提方法的分离准确率显著提升，不仅对长序列实现了高效建模，对短序列同样有效，且在不同数据域中展现出良好的适应能力与鲁棒性。
针对单通道场景下通信信号盲源分离长序列建模能力不足，计算效率亟待提升；具有频偏的同频混叠通信信号分离有待进一步研究的问题，该文提出一种面向单通道同频混叠通信信号的盲源分离方法S4-UNET。该方法构建了融合U-NET与结构化状态空间序列模型(S4)的S4-UNET架构，以时序状态增强模块(TSEM)作为编码器和解码器的主干模块初步提取混合信号特征，并在编码器奇数阶段引入S4实现高效序列建模，达成长序列的近似线性复杂度处理。通过编码器-解码器结构结合跳跃连接进行特征融合，利用上采样恢复特征分辨率。在含微小频偏的同频混叠场景中，对相同调制方式、不同调制方式及不同带宽的信号混合情况实现了分离。在仿真与实测数据集上的实验表明，与深度学习模型(ConvTasNet, CTDCRN)和经典算法(TDE-ICA)相比，所提方法的分离准确率显著提升，不仅对长序列实现了高效建模，对短序列同样有效，且在不同数据域中展现出良好的适应能力与鲁棒性。
2026, 48(6): 2396-2404.
doi: 10.11999/JEIT251134
摘要:
由于人类活动产生的电磁干扰与真实的雷电电磁脉冲信号在时域和频域上高度混叠，如何高效、准确地区分雷电电磁信号与非雷电电磁信号，已成为雷电监测预警及灾害防御领域的关键问题。针对雷电电磁信号与人为干扰信号在波形形态上高度相似、对其诊断识别难度大的问题，该文提出一种基于多尺度残差卷积与不同网络层特征融合相结合的深度神经网络模型CNN-LSTM，用于雷电与非雷电电磁信号的二分类任务。通过多尺度残差网络模型逐层提取探测设备接收到的电磁波的多维度特征，将各卷积层输出的时域特征按照网络层深度的次序，构建为一个跨网络层的时域特征序列，并输入长短期记忆网络(LSTM)中进行自适应加权融合，该机制利用LSTM对序列信息的建模能力，学习不同层级特征的相对重要性，而非建模原始波形的时间动态。实验结果表明，所提诊断识别方法在真实雷电观测数据集上表现出优异的分类性能：其对雷电电磁信号的识别精确率达到100%，召回率为99.82%，F1得分为99.91%，整体准确率达99.89%。与多种经典基线模型相比，所提CNN-LSTM模型不仅能高效地识别出雷电样本，还能显著降低对非雷电干扰信号的误报率。此外，消融实验进一步验证了CNN网络在局部特征提取以及LSTM在跨层特征融合中的关键作用，证明了所提架构的合理性与有效性。
由于人类活动产生的电磁干扰与真实的雷电电磁脉冲信号在时域和频域上高度混叠，如何高效、准确地区分雷电电磁信号与非雷电电磁信号，已成为雷电监测预警及灾害防御领域的关键问题。针对雷电电磁信号与人为干扰信号在波形形态上高度相似、对其诊断识别难度大的问题，该文提出一种基于多尺度残差卷积与不同网络层特征融合相结合的深度神经网络模型CNN-LSTM，用于雷电与非雷电电磁信号的二分类任务。通过多尺度残差网络模型逐层提取探测设备接收到的电磁波的多维度特征，将各卷积层输出的时域特征按照网络层深度的次序，构建为一个跨网络层的时域特征序列，并输入长短期记忆网络(LSTM)中进行自适应加权融合，该机制利用LSTM对序列信息的建模能力，学习不同层级特征的相对重要性，而非建模原始波形的时间动态。实验结果表明，所提诊断识别方法在真实雷电观测数据集上表现出优异的分类性能：其对雷电电磁信号的识别精确率达到100%，召回率为99.82%，F1得分为99.91%，整体准确率达99.89%。与多种经典基线模型相比，所提CNN-LSTM模型不仅能高效地识别出雷电样本，还能显著降低对非雷电干扰信号的误报率。此外，消融实验进一步验证了CNN网络在局部特征提取以及LSTM在跨层特征融合中的关键作用，证明了所提架构的合理性与有效性。
2026, 48(6): 2405-2417.
doi: 10.11999/JEIT250935
摘要:
针对非零均值杂波中的目标检测问题，该文基于广义似然比(GLRT)、Rao和Wald准则，设计出3种自适应检测器。在统计性能分析阶段，考虑了一种更加广泛的情形，即存在信号失配，该情形指的是待检测数据中的信号分量与系统假定值不一致，得到3种检测器在信号失配时解析的检测概率和虚警概率计算表达式。性能分析表明，这些检测器均具备恒虚警(CFAR)特性，非零均值的幅度特性不会对检测器的检测性能产生影响，而是通过两个物理量产生作用，即输出信杂比(SCR)的损失因子和检测器统计分布的自由度。仿真实验、理论解析结果和实测数据不仅验证了所提方法的有效性，还体现出其相较于常规检测器的优越性。
针对非零均值杂波中的目标检测问题，该文基于广义似然比(GLRT)、Rao和Wald准则，设计出3种自适应检测器。在统计性能分析阶段，考虑了一种更加广泛的情形，即存在信号失配，该情形指的是待检测数据中的信号分量与系统假定值不一致，得到3种检测器在信号失配时解析的检测概率和虚警概率计算表达式。性能分析表明，这些检测器均具备恒虚警(CFAR)特性，非零均值的幅度特性不会对检测器的检测性能产生影响，而是通过两个物理量产生作用，即输出信杂比(SCR)的损失因子和检测器统计分布的自由度。仿真实验、理论解析结果和实测数据不仅验证了所提方法的有效性，还体现出其相较于常规检测器的优越性。
2026, 48(6): 2418-2428.
doi: 10.11999/JEIT251247
摘要:
针对传统圆信号频谱感知方案无法精确识别非圆信号的问题，该文提出一种皮尔逊相关系数驱动的融合感知方法。该方法通过实值复合表示形式捕捉非圆信号的2阶统计信息，并据此构建实值相干矩阵以获取接收天线间的皮尔逊相关强度。随后采用线性数据融合方法对不同天线间的皮尔逊相关系数进行加权叠加，并以偏因径系数为性能测度建立理论最优权重及其样本估计值，最终设计出无需依赖信道先验参数的非参量感知技术。通过分析平方皮尔逊相关系数和检验统计量的2阶特性及统计分布，建立虚警概率、感知阈值等关键指标的理论计算解析式。实验结果表明，所提方案相较于其他对比算法，在接收机工作特性(ROC)曲线、感知概率、偏因径系数和曲线下面积(AUC)等性能测度下均表现更优，尤其是在低信噪比环境中，其性能优势更为显著。
针对传统圆信号频谱感知方案无法精确识别非圆信号的问题，该文提出一种皮尔逊相关系数驱动的融合感知方法。该方法通过实值复合表示形式捕捉非圆信号的2阶统计信息，并据此构建实值相干矩阵以获取接收天线间的皮尔逊相关强度。随后采用线性数据融合方法对不同天线间的皮尔逊相关系数进行加权叠加，并以偏因径系数为性能测度建立理论最优权重及其样本估计值，最终设计出无需依赖信道先验参数的非参量感知技术。通过分析平方皮尔逊相关系数和检验统计量的2阶特性及统计分布，建立虚警概率、感知阈值等关键指标的理论计算解析式。实验结果表明，所提方案相较于其他对比算法，在接收机工作特性(ROC)曲线、感知概率、偏因径系数和曲线下面积(AUC)等性能测度下均表现更优，尤其是在低信噪比环境中，其性能优势更为显著。
2026, 48(6): 2429-2437.
doi: 10.11999/JEIT251383
摘要:
波达方向(DOA)估计是阵列信号处理的基础问题。针对混合非高斯噪声造成传统子空间类算法性能失效、深度网络在统计特性失配场景下抗脉冲干扰能力薄弱，以及相干信源引发协方差矩阵秩亏等多重难题，本文引入前后向空间平滑(FBSS)算法构建秩恢复预处理机制，并提出一种基于最大相关熵准则(MCC)的多通道特征融合网络(MCFCF)。该框架设计了多尺度特征提取(MSFE)与空频注意力融合(SFAF)模块，通过空频域联合建模实现特征的物理校准与增强；采用MCC替代均方误差损失，构建抗脉冲离群值的鲁棒优化目标。实验表明，MCFCF在低信噪比与相干信源环境下的估计精度显著优于MUSIC、ESPRIT及TSPCNN、IQResNet等模型。该研究为噪声环境中的目标定位与智能信号处理提供了新思路。
波达方向(DOA)估计是阵列信号处理的基础问题。针对混合非高斯噪声造成传统子空间类算法性能失效、深度网络在统计特性失配场景下抗脉冲干扰能力薄弱，以及相干信源引发协方差矩阵秩亏等多重难题，本文引入前后向空间平滑(FBSS)算法构建秩恢复预处理机制，并提出一种基于最大相关熵准则(MCC)的多通道特征融合网络(MCFCF)。该框架设计了多尺度特征提取(MSFE)与空频注意力融合(SFAF)模块，通过空频域联合建模实现特征的物理校准与增强；采用MCC替代均方误差损失，构建抗脉冲离群值的鲁棒优化目标。实验表明，MCFCF在低信噪比与相干信源环境下的估计精度显著优于MUSIC、ESPRIT及TSPCNN、IQResNet等模型。该研究为噪声环境中的目标定位与智能信号处理提供了新思路。
2026, 48(6): 2438-2447.
doi: 10.11999/JEIT251371
摘要:
通信感知一体化(ISAC)能够通过共享频谱与硬件资源实现通信与感知功能的协同，其关键难题之一在于信道与感知目标参数的估计与定位，且二者的信息融合也是提升系统性能的重要环节。为此，该文研究了ISAC系统中基于信息融合的信道/感知目标参数估计与定位问题。首先，利用毫米波多输入多输出ISAC信道与感知目标参数的内在关联，构建统一张量框架，将上行信道与感知目标参数估计分别表述为两个结构化张量分解问题。然后，提出一种迭代与闭式分解相结合的张量算法，实现离开角、到达角、时延、多普勒频移和系数等参数的估计，进而完成移动发射端、散射点及感知目标的定位。通过匹配散射点与感知目标，融合其多普勒频移与位置信息来提高散射点估计精度。此外，该文还推导了克拉美罗界作为性能基准。仿真表明，所提算法在相对低的计算复杂度下实现了高精度的信道估计与目标定位，且信息融合进一步提升了散射点多普勒频移与位置估计性能。
通信感知一体化(ISAC)能够通过共享频谱与硬件资源实现通信与感知功能的协同，其关键难题之一在于信道与感知目标参数的估计与定位，且二者的信息融合也是提升系统性能的重要环节。为此，该文研究了ISAC系统中基于信息融合的信道/感知目标参数估计与定位问题。首先，利用毫米波多输入多输出ISAC信道与感知目标参数的内在关联，构建统一张量框架，将上行信道与感知目标参数估计分别表述为两个结构化张量分解问题。然后，提出一种迭代与闭式分解相结合的张量算法，实现离开角、到达角、时延、多普勒频移和系数等参数的估计，进而完成移动发射端、散射点及感知目标的定位。通过匹配散射点与感知目标，融合其多普勒频移与位置信息来提高散射点估计精度。此外，该文还推导了克拉美罗界作为性能基准。仿真表明，所提算法在相对低的计算复杂度下实现了高精度的信道估计与目标定位，且信息融合进一步提升了散射点多普勒频移与位置估计性能。
2026, 48(6): 2448-2458.
doi: 10.11999/JEIT251325
摘要:
有源电路与天线的无缝集成能有效改善链路性能与集成度。当前，有源集成天线主要是在保证天线辐射性能的前提下调控天线阻抗特性使其与有源晶体管实现直接匹配。天线复阻抗特性对有源通道的相位响应影响，及其在有源集成相控阵列中的应用还未进行充分分析。有源电路与天线的无缝集成能有效改善链路整体性能与集成度。该文提出一种用于有源集成阵列的通道相位自补偿方法。每个有源通道中的有源晶体管与辐射阵元需直接集成，即晶体管漏极输出端的负载阻抗与辐射阵元的输入阻抗匹配。通过在恒定有源增益下对该负载阻抗(复阻抗)求解，可以得到有源通道相位响应与负载阻抗的具体映射关系。进而针对各通道间对于移相范围的具体要求，选择合适的负载阻抗作为相应辐射阵元的输入阻抗，便可以在不采用外部移相结构的情况下，对每个通道施加一组相位分布，用以控制初始波束指向或者共形阵列中阵元之间波程差补偿等应用。该文设计、加工和测试了一个具有初始波束指向的有源集成相控阵天线设计实例，验证了该方法的有效性。
有源电路与天线的无缝集成能有效改善链路性能与集成度。当前，有源集成天线主要是在保证天线辐射性能的前提下调控天线阻抗特性使其与有源晶体管实现直接匹配。天线复阻抗特性对有源通道的相位响应影响，及其在有源集成相控阵列中的应用还未进行充分分析。有源电路与天线的无缝集成能有效改善链路整体性能与集成度。该文提出一种用于有源集成阵列的通道相位自补偿方法。每个有源通道中的有源晶体管与辐射阵元需直接集成，即晶体管漏极输出端的负载阻抗与辐射阵元的输入阻抗匹配。通过在恒定有源增益下对该负载阻抗(复阻抗)求解，可以得到有源通道相位响应与负载阻抗的具体映射关系。进而针对各通道间对于移相范围的具体要求，选择合适的负载阻抗作为相应辐射阵元的输入阻抗，便可以在不采用外部移相结构的情况下，对每个通道施加一组相位分布，用以控制初始波束指向或者共形阵列中阵元之间波程差补偿等应用。该文设计、加工和测试了一个具有初始波束指向的有源集成相控阵天线设计实例，验证了该方法的有效性。
2026, 48(6): 2459-2475.
doi: 10.11999/JEIT250715
摘要:
面对日益增长的高带宽、低时延需求，6G网络技术正迅速发展， ISAC系统逐渐成为热门研究方向。环境重构作为该系统的核心环节，在实际应用中仍面临诸多挑战。该文针对以下3个问题进行了研究：(1) 在6G系统中，基站的密集部署使得建筑目标处于成像系统的近场区域，从而导致距离、方位和高度3个维度严重耦合；(2)由于终端的定位误差远大于信号波长，SAR成像中的自聚焦算法失效；(3)传统层析合成孔径雷达中各通道补偿的平动相位补偿不一致，在高度域聚焦过程中产生虚假目标。该文首先将逆合成孔径雷达成像中的非参数平动补偿方法用于单视复数图像生成，并基于双基SAR的成像场景推导出层析成像结果与目标真实空间坐标之间的数学映射关系，将坐标重构问题建模为非线性方程组，采用粒子群优化算法进行求解，实现对目标真实几何形状的精确恢复；其次，为了解决传统分通道处理中平动补偿不一致的问题，提出了一种联合相位校正的层析成像框架，可有效消除通道间的差异，显著提升了高度维聚焦效果和整体成像质量。仿真实验结果证明了该文算法的有效性。
面对日益增长的高带宽、低时延需求，6G网络技术正迅速发展， ISAC系统逐渐成为热门研究方向。环境重构作为该系统的核心环节，在实际应用中仍面临诸多挑战。该文针对以下3个问题进行了研究：(1) 在6G系统中，基站的密集部署使得建筑目标处于成像系统的近场区域，从而导致距离、方位和高度3个维度严重耦合；(2)由于终端的定位误差远大于信号波长，SAR成像中的自聚焦算法失效；(3)传统层析合成孔径雷达中各通道补偿的平动相位补偿不一致，在高度域聚焦过程中产生虚假目标。该文首先将逆合成孔径雷达成像中的非参数平动补偿方法用于单视复数图像生成，并基于双基SAR的成像场景推导出层析成像结果与目标真实空间坐标之间的数学映射关系，将坐标重构问题建模为非线性方程组，采用粒子群优化算法进行求解，实现对目标真实几何形状的精确恢复；其次，为了解决传统分通道处理中平动补偿不一致的问题，提出了一种联合相位校正的层析成像框架，可有效消除通道间的差异，显著提升了高度维聚焦效果和整体成像质量。仿真实验结果证明了该文算法的有效性。
2026, 48(6): 2476-2492.
doi: 10.11999/JEIT250662
摘要:
精确的电离层建模对于空间天气监测和全球导航卫星系统(GNSS)定位至关重要，特别是在太阳活动导致地磁暴并引发电离层剧烈扰动的时段。该文提出一种基于深度算子网络的电离层建模框架——DeepION模型，用于预测电离层关键参数，包括斜向总电子含量(STEC)、垂直总电子含量(VTEC)以及由STEC推导的总电子含量变化率指数(ROTI)。模型以卷积神经网络作为分支网络，从GNSS观测数据中提取射线特征，同时主干网络结合周期时间编码与时空坐标实现电离层参数的连续推理与预测。利用覆盖2024年5月一次典型地磁暴事件的连续28天全球GNSS数据集对模型进行训练与评估后，DeepION模型在STEC预报、高分辨率VTEC重构以及基于ROTI的电离层不规则扰动预测方面表现出了较强的鲁棒性。与传统的CODE, NeQuick和Klobuchar模型相比，DeepION在电离层状态重构及GNSS单点定位(SPP)中均表现出更高的精度，并在扰动条件下显著降低了均方根误差(RMSE)，其中中纬度区域的定位误差较现有模型降低约10%～50%。上述结果表明，所提DeepION模型在地磁暴扰动条件下能够有效提升电离层建模精度，并在单频GNSS定位改正中展现出良好的应用前景，为其在实际导航系统中的进一步应用奠定了基础。
精确的电离层建模对于空间天气监测和全球导航卫星系统(GNSS)定位至关重要，特别是在太阳活动导致地磁暴并引发电离层剧烈扰动的时段。该文提出一种基于深度算子网络的电离层建模框架——DeepION模型，用于预测电离层关键参数，包括斜向总电子含量(STEC)、垂直总电子含量(VTEC)以及由STEC推导的总电子含量变化率指数(ROTI)。模型以卷积神经网络作为分支网络，从GNSS观测数据中提取射线特征，同时主干网络结合周期时间编码与时空坐标实现电离层参数的连续推理与预测。利用覆盖2024年5月一次典型地磁暴事件的连续28天全球GNSS数据集对模型进行训练与评估后，DeepION模型在STEC预报、高分辨率VTEC重构以及基于ROTI的电离层不规则扰动预测方面表现出了较强的鲁棒性。与传统的CODE, NeQuick和Klobuchar模型相比，DeepION在电离层状态重构及GNSS单点定位(SPP)中均表现出更高的精度，并在扰动条件下显著降低了均方根误差(RMSE)，其中中纬度区域的定位误差较现有模型降低约10%～50%。上述结果表明，所提DeepION模型在地磁暴扰动条件下能够有效提升电离层建模精度，并在单频GNSS定位改正中展现出良好的应用前景，为其在实际导航系统中的进一步应用奠定了基础。
2026, 48(6): 2493-2503.
doi: 10.11999/JEIT251085
摘要:
浅海地声参数对水声传播特性的分析具有重要作用，然而，传统的反演方法在实际应用中面临计算复杂度和成本较高以及对模型准确性依赖性较强等问题。为此，该文提出一种基于矢量声场Stokes极化参数与注意力增强多任务U-Net的地声参数反演方法。针对单矢量水听器各通道所接收的信号实施warping变换处理，把将提取到的各阶简正波信号经计算和归一化后所得的Stokes参数作为网络输入特征；构建多任务U-Net神经网络模型，采用共享编码器与多分支独立预测纵波声速等地声参数，同时引入通道和空间注意力机制，增强关键特征提取能力并抑制无关特征；此外，采用多任务不确定性加权损失函数实现各地声参数反演任务的自适应平衡，使得反演结果更准确。200组测试集数据的仿真结果表明，引入注意力机制后模型预测波动范围降低，整体反演精度与稳定性均有所提升，该反演方法受模型参数失配影响较小，展现出较强的鲁棒性。进一步的海事实验数据验证表明，所提方法在实际浅海环境下的地声参数反演中具有高效性和可靠性。
浅海地声参数对水声传播特性的分析具有重要作用，然而，传统的反演方法在实际应用中面临计算复杂度和成本较高以及对模型准确性依赖性较强等问题。为此，该文提出一种基于矢量声场Stokes极化参数与注意力增强多任务U-Net的地声参数反演方法。针对单矢量水听器各通道所接收的信号实施warping变换处理，把将提取到的各阶简正波信号经计算和归一化后所得的Stokes参数作为网络输入特征；构建多任务U-Net神经网络模型，采用共享编码器与多分支独立预测纵波声速等地声参数，同时引入通道和空间注意力机制，增强关键特征提取能力并抑制无关特征；此外，采用多任务不确定性加权损失函数实现各地声参数反演任务的自适应平衡，使得反演结果更准确。200组测试集数据的仿真结果表明，引入注意力机制后模型预测波动范围降低，整体反演精度与稳定性均有所提升，该反演方法受模型参数失配影响较小，展现出较强的鲁棒性。进一步的海事实验数据验证表明，所提方法在实际浅海环境下的地声参数反演中具有高效性和可靠性。
2026, 48(6): 2504-2515.
doi: 10.11999/JEIT251195
摘要:
主瓣压制干扰严重削弱雷达探测性能。干扰对消可抑制其影响，但易使主瓣畸变并引入测角误差。该文以未设差差通道的单脉冲体制相控阵雷达为对象，采用正态分布描述接收通道幅相误差波动特性，建立“干扰对消-和差测角”联合模型，通过蒙特卡罗仿真分析幅相误差在干扰对消前后对雷达测角误差的影响规律。结果表明：通道幅相差异不改变对消前后目标角度变化趋势；无干扰时，通道幅相误差引入的目标测角误差在波束法向附近最小；存在干扰并实施对消时，对消后通道幅相误差引入的目标测角误差在波束法向附近达到峰值，在远离法向后误差快速下降。该研究为主瓣压制干扰条件下、采用对消且未设差差通道的单脉冲相控阵雷达测角误差评估与工程应用提供了参考。
主瓣压制干扰严重削弱雷达探测性能。干扰对消可抑制其影响，但易使主瓣畸变并引入测角误差。该文以未设差差通道的单脉冲体制相控阵雷达为对象，采用正态分布描述接收通道幅相误差波动特性，建立“干扰对消-和差测角”联合模型，通过蒙特卡罗仿真分析幅相误差在干扰对消前后对雷达测角误差的影响规律。结果表明：通道幅相差异不改变对消前后目标角度变化趋势；无干扰时，通道幅相误差引入的目标测角误差在波束法向附近最小；存在干扰并实施对消时，对消后通道幅相误差引入的目标测角误差在波束法向附近达到峰值，在远离法向后误差快速下降。该研究为主瓣压制干扰条件下、采用对消且未设差差通道的单脉冲相控阵雷达测角误差评估与工程应用提供了参考。
2026, 48(6): 2516-2528.
doi: 10.11999/JEIT250727
摘要:
针对现有浅地层层界提取方法在在线应用中难以兼顾提取质量、虚警抑制与处理延迟的问题，该文提出了联合最大相关峭度解卷积与连续性约束的浅地层层界实时提取方法，并构建预处理、粗提取与精细提取的逐ping处理流程。预处理阶段采用带通滤波级联匹配滤波对回波信号增强，并对匹配滤波输出进行固定时延校正；粗提取阶段在多个切片步长下构造合成周期信号并应用最大相关峭度解卷积方法获得潜在层界序列，随后基于跨步长一致性对潜在层界进行筛选融合以抑制虚警；精细提取阶段引入层界连续性约束，对粗提取结果进行有效层界点的筛选、层界划分与曲线拟合修正，进一步抑制残余虚警并提高层界连续性。仿真结果表明，当回波信噪比高于–10 dB时，层界检测概率超过99.000%，虚警概率低于0.100%，层界定位误差约为1个样本点；实测数据处理结果显示，对不同层界的平均检测概率为91.833%，平均虚警概率为0.004%，平均定位误差约为10个样本点。仿真和实测数据处理均实现了海底表面和沉积层界的有效提取，验证了方法的有效性和实用价值。
针对现有浅地层层界提取方法在在线应用中难以兼顾提取质量、虚警抑制与处理延迟的问题，该文提出了联合最大相关峭度解卷积与连续性约束的浅地层层界实时提取方法，并构建预处理、粗提取与精细提取的逐ping处理流程。预处理阶段采用带通滤波级联匹配滤波对回波信号增强，并对匹配滤波输出进行固定时延校正；粗提取阶段在多个切片步长下构造合成周期信号并应用最大相关峭度解卷积方法获得潜在层界序列，随后基于跨步长一致性对潜在层界进行筛选融合以抑制虚警；精细提取阶段引入层界连续性约束，对粗提取结果进行有效层界点的筛选、层界划分与曲线拟合修正，进一步抑制残余虚警并提高层界连续性。仿真结果表明，当回波信噪比高于–10 dB时，层界检测概率超过99.000%，虚警概率低于0.100%，层界定位误差约为1个样本点；实测数据处理结果显示，对不同层界的平均检测概率为91.833%，平均虚警概率为0.004%，平均定位误差约为10个样本点。仿真和实测数据处理均实现了海底表面和沉积层界的有效提取，验证了方法的有效性和实用价值。
2026, 48(6): 2529-2540.
doi: 10.11999/JEIT251340
摘要:
针对现有基于注意力机制的单声道语音分离模型在多尺度特征交互与时频信息融合方面的不足，该文提出一种融合时频域信息的多尺度注意力模型(MSA-TF)。该模型通过构建时频融合模块与多尺度交互分离器，引入频带分裂、动态门控与交叉注意力机制，实现时域与频域特征的高效互补；并借助跨尺度残差连接与自适应池化策略，促进全局语义与局部细节之间的双向流动，从而增强对语音信号中长短时依赖的联合建模能力。利用信号失真比(SDR)、尺度不变信噪比(SI-SNR)评价指标，在WSJ0-2mix和Libri-2mix数据集进行实验测试。研究表明，MSA-TF在WSJ0-2mix数据集上，测试结果相较于Conv-Tasnet基线模型在SI-SNR上平均提升2.3 dB，在未训练的Libri-2mix测试集上，泛化性能与在该集上训练的基线性能相当。由此可见，该文方法能通过提取不同尺度下的时域信息与频域信息进行互补与融合，促进全局语义与局部细节建模，获得更好更具泛化性的分离结果。
针对现有基于注意力机制的单声道语音分离模型在多尺度特征交互与时频信息融合方面的不足，该文提出一种融合时频域信息的多尺度注意力模型(MSA-TF)。该模型通过构建时频融合模块与多尺度交互分离器，引入频带分裂、动态门控与交叉注意力机制，实现时域与频域特征的高效互补；并借助跨尺度残差连接与自适应池化策略，促进全局语义与局部细节之间的双向流动，从而增强对语音信号中长短时依赖的联合建模能力。利用信号失真比(SDR)、尺度不变信噪比(SI-SNR)评价指标，在WSJ0-2mix和Libri-2mix数据集进行实验测试。研究表明，MSA-TF在WSJ0-2mix数据集上，测试结果相较于Conv-Tasnet基线模型在SI-SNR上平均提升2.3 dB，在未训练的Libri-2mix测试集上，泛化性能与在该集上训练的基线性能相当。由此可见，该文方法能通过提取不同尺度下的时域信息与频域信息进行互补与融合，促进全局语义与局部细节建模，获得更好更具泛化性的分离结果。
2026, 48(6): 2541-2550.
doi: 10.11999/JEIT251028
摘要:
地月地(Earth-Moon-Earth, EME)通信长期以来是业余无线电爱好者开展远程通信实验的重要方式。传统EME通信系统多以低速率、窄带体制为主，主要用于摩尔斯电码、单边带语音或窄带数字通信模式(如JT65、FT8等)。这类系统在频谱利用率和数据传输速率方面存在明显限制，难以满足更高传输速率和宽带通信的需求。该文面向更高速率的宽带场景，从大尺度衰落与小尺度衰落两个层面提出了一种较为完整的宽带EME信道模型。大尺度衰落方面，基于双站雷达理论，建立了适用于不同波束宽度和高增益天线条件下的雷达散射截面分布(RCS)，并提出路径损耗的统一积分模型；同时，结合月球表面不规则地形特征分析了阴影效应的形成机制，并由此提出EME信道的阴影衰落模型。小尺度衰落方面，针对宽带系统中显著的时延扩展问题，结合月面散射特性，提出了融合准镜面反射与漫散射效应的分段式多径模型；同时进一步考虑地月轨道运动，系统构建了多普勒频移与扩展模型。数值分析表明，相比于传统路径损耗建模，所提路径损耗统一积分模型能够更加准确刻画窄波束引起的对月照射面积缩减及月表地形分布对链路损失的影响。仿真结果显示，宽带场景下存在的严重多径扩展导致现有均衡方案几乎失效，严重制约通信性能。相比之下，多普勒效应变化缓慢、扩展较小，现有校正算法能够有效补偿其影响，对通信性能的制约相对较弱。
地月地(Earth-Moon-Earth, EME)通信长期以来是业余无线电爱好者开展远程通信实验的重要方式。传统EME通信系统多以低速率、窄带体制为主，主要用于摩尔斯电码、单边带语音或窄带数字通信模式(如JT65、FT8等)。这类系统在频谱利用率和数据传输速率方面存在明显限制，难以满足更高传输速率和宽带通信的需求。该文面向更高速率的宽带场景，从大尺度衰落与小尺度衰落两个层面提出了一种较为完整的宽带EME信道模型。大尺度衰落方面，基于双站雷达理论，建立了适用于不同波束宽度和高增益天线条件下的雷达散射截面分布(RCS)，并提出路径损耗的统一积分模型；同时，结合月球表面不规则地形特征分析了阴影效应的形成机制，并由此提出EME信道的阴影衰落模型。小尺度衰落方面，针对宽带系统中显著的时延扩展问题，结合月面散射特性，提出了融合准镜面反射与漫散射效应的分段式多径模型；同时进一步考虑地月轨道运动，系统构建了多普勒频移与扩展模型。数值分析表明，相比于传统路径损耗建模，所提路径损耗统一积分模型能够更加准确刻画窄波束引起的对月照射面积缩减及月表地形分布对链路损失的影响。仿真结果显示，宽带场景下存在的严重多径扩展导致现有均衡方案几乎失效，严重制约通信性能。相比之下，多普勒效应变化缓慢、扩展较小，现有校正算法能够有效补偿其影响，对通信性能的制约相对较弱。
2026, 48(6): 2551-2559.
doi: 10.11999/JEIT250853
摘要:
低密度奇偶校验码(Low-Density Parity-Check, LDPC)译码器以接收信号转换得到的对数似然比作为输入，其译码性能对输入高度敏感。在实际无线通信系统中，由于环境的变化，信道容易受到突发干扰，这些干扰会打乱译码器的输入分布从而导致性能损失。为了解决上述问题，该文提出了一种面向5G URLLC场景的LDPC码限幅归一化最小和列表译码算法。该算法通过复用空闲处理单元来生成多条译码路径，并根据输入分布，为每条路径配备独立的限幅器，以此平滑突发干扰，在不增加硬件开销的情况下提升了译码器在干扰信道上的性能。实验表明，相较于单限幅分层NMS算法，该算法实现了0.5 dB左右的增益，并且处理单元的利用率平均提高了69%。
低密度奇偶校验码(Low-Density Parity-Check, LDPC)译码器以接收信号转换得到的对数似然比作为输入，其译码性能对输入高度敏感。在实际无线通信系统中，由于环境的变化，信道容易受到突发干扰，这些干扰会打乱译码器的输入分布从而导致性能损失。为了解决上述问题，该文提出了一种面向5G URLLC场景的LDPC码限幅归一化最小和列表译码算法。该算法通过复用空闲处理单元来生成多条译码路径，并根据输入分布，为每条路径配备独立的限幅器，以此平滑突发干扰，在不增加硬件开销的情况下提升了译码器在干扰信道上的性能。实验表明，相较于单限幅分层NMS算法，该算法实现了0.5 dB左右的增益，并且处理单元的利用率平均提高了69%。
2026, 48(6): 2560-2570.
doi: 10.11999/JEIT251377
摘要:
自动调制识别是无线通信频谱监测与安全保障的关键技术。针对当前基于深度学习的自动调制识别模型难以兼顾高识别准确率与低模型复杂度的问题，该文提出一种基于视觉目标检测的轻量化识别方法。首先利用短时傅里叶变换将IQ信号转化为时频图，并采用拼图形式进行预处理，将调制识别任务转化为视觉目标检测问题。随后以YOLOv10n为基座，构建了精度与轻量化结构YOLO(PLS-YOLO)模型。该模型通过重构网络核心模块、优化主干网络通道降维策略、设计新型下采样结构以及改进注意力模块的前馈网络，有效实现了识别性能与轻量化结构的平衡。在RadioML2016.10a和RadioML2016.10b数据集上的实验结果表明，PLS-YOLO的平均精度分别达到68.4%和73.30%。与YOLOv10n相比，其参数量减少了47.33%，浮点运算次数降低了34.15%，且帧率提升了5 帧/s。研究结果证实，PLS-YOLO模型在显著降低计算成本的同时，依然保持了优异的识别精度。
自动调制识别是无线通信频谱监测与安全保障的关键技术。针对当前基于深度学习的自动调制识别模型难以兼顾高识别准确率与低模型复杂度的问题，该文提出一种基于视觉目标检测的轻量化识别方法。首先利用短时傅里叶变换将IQ信号转化为时频图，并采用拼图形式进行预处理，将调制识别任务转化为视觉目标检测问题。随后以YOLOv10n为基座，构建了精度与轻量化结构YOLO(PLS-YOLO)模型。该模型通过重构网络核心模块、优化主干网络通道降维策略、设计新型下采样结构以及改进注意力模块的前馈网络，有效实现了识别性能与轻量化结构的平衡。在RadioML2016.10a和RadioML2016.10b数据集上的实验结果表明，PLS-YOLO的平均精度分别达到68.4%和73.30%。与YOLOv10n相比，其参数量减少了47.33%，浮点运算次数降低了34.15%，且帧率提升了5 帧/s。研究结果证实，PLS-YOLO模型在显著降低计算成本的同时，依然保持了优异的识别精度。
2026, 48(6): 2571-2580.
doi: 10.11999/JEIT251251
摘要:
量子通信作为未来信息安全传输的核心技术，在实际应用中高度依赖高效可靠的量子纠错编码方案。纠缠辅助量子纠错码(EAQECCs)通过引入预共享纠缠态，突破了传统量子纠错码对经典纠错码自正交性的条件限制，显著提升了编码设计的灵活性与性能。该文基于有限域上的扭曲Reed–Solomon(TRS)码，系统构造了几类新参数的极大距离可分(MDS)EAQECCs。通过分析TRS码关联的陪集和矩阵的秩，确定EAQECCs所需预共享纠缠态数量的精确条件，借助群的代数结构与陪集和严格证明了构造的EAQECCs具备最优的纠错性能。该文所构造的MDS EAQECCs码长突破了部分文献中所构造MDS EAQECCs码长选择的局限性，拓展了MDS EAQECCs的码长范围。该研究结果不仅深化了人们对MDS EAQECCs代数结构的认知，而且为面向量子通信系统高性能量子纠错码的设计提供了新的理论工具。
量子通信作为未来信息安全传输的核心技术，在实际应用中高度依赖高效可靠的量子纠错编码方案。纠缠辅助量子纠错码(EAQECCs)通过引入预共享纠缠态，突破了传统量子纠错码对经典纠错码自正交性的条件限制，显著提升了编码设计的灵活性与性能。该文基于有限域上的扭曲Reed–Solomon(TRS)码，系统构造了几类新参数的极大距离可分(MDS)EAQECCs。通过分析TRS码关联的陪集和矩阵的秩，确定EAQECCs所需预共享纠缠态数量的精确条件，借助群的代数结构与陪集和严格证明了构造的EAQECCs具备最优的纠错性能。该文所构造的MDS EAQECCs码长突破了部分文献中所构造MDS EAQECCs码长选择的局限性，拓展了MDS EAQECCs的码长范围。该研究结果不仅深化了人们对MDS EAQECCs代数结构的认知，而且为面向量子通信系统高性能量子纠错码的设计提供了新的理论工具。
2026, 48(6): 2581-2590.
doi: 10.11999/JEIT251219
摘要:
随着车辆业务需求的多样性和波动性，车辆网络切片应用面临异构资源分配复杂、QoS保障难度高等挑战。针对上述问题，该文提出一种基于车辆QoS服务需求的双层切片定价机制，其核心创新在于突破现有研究单一资源优化或独立定价的局限。在第1阶段设计切片生成机制，通过联合调度通信、计算与缓存三维资源，解决传统仅优化频谱或计算资源的不足；第2阶段构建基于Stackelberg博弈的切片定价机制，实现“资源预分配-动态定价-切片接入”的双层耦合控制。仿真结果表明了所提出方案在提升系统利润方面的优势。
随着车辆业务需求的多样性和波动性，车辆网络切片应用面临异构资源分配复杂、QoS保障难度高等挑战。针对上述问题，该文提出一种基于车辆QoS服务需求的双层切片定价机制，其核心创新在于突破现有研究单一资源优化或独立定价的局限。在第1阶段设计切片生成机制，通过联合调度通信、计算与缓存三维资源，解决传统仅优化频谱或计算资源的不足；第2阶段构建基于Stackelberg博弈的切片定价机制，实现“资源预分配-动态定价-切片接入”的双层耦合控制。仿真结果表明了所提出方案在提升系统利润方面的优势。
2026, 48(6): 2591-2601.
doi: 10.11999/JEIT250749
摘要:
随着车联网和深度学习技术的发展，智能网联汽车(Connected Autonomous Vehicles, CAV)能够收集驾驶场景中的图像数据，并借助卷积神经网络进行特征提取和处理，以实现对驾驶环境的高效感知。然而，由于驾驶场景的复杂性，单任务模型难以处理多样化的感知需求。此外，深度学习模型的优异表现依赖于海量数据，而单车收集的数据不足以训练出具有泛化性的模型。联邦学习技术打破了车辆间的信息孤岛，使车辆在不上传本地数据的情况下共享模型，通过上传本地模型至中心服务器进行模型聚合，从而获得性能更优的全局模型。因此，该文提出一种安全多任务全景感知算法。首先，构建了一个全景感知模型，使车辆能够并行执行驾驶场景中的多个感知任务，实现全景感知。其次，设计了一种基于混合评分的CAV选择算法，以筛选高质量的本地模型，最后，提出一种基于Shamir秘密共享的全局模型聚合算法，在聚合过程中采用秘密共享方法，避免因服务器遭受攻击或宕机导致的数据泄露。仿真结果验证了所提算法的有效性。
随着车联网和深度学习技术的发展，智能网联汽车(Connected Autonomous Vehicles, CAV)能够收集驾驶场景中的图像数据，并借助卷积神经网络进行特征提取和处理，以实现对驾驶环境的高效感知。然而，由于驾驶场景的复杂性，单任务模型难以处理多样化的感知需求。此外，深度学习模型的优异表现依赖于海量数据，而单车收集的数据不足以训练出具有泛化性的模型。联邦学习技术打破了车辆间的信息孤岛，使车辆在不上传本地数据的情况下共享模型，通过上传本地模型至中心服务器进行模型聚合，从而获得性能更优的全局模型。因此，该文提出一种安全多任务全景感知算法。首先，构建了一个全景感知模型，使车辆能够并行执行驾驶场景中的多个感知任务，实现全景感知。其次，设计了一种基于混合评分的CAV选择算法，以筛选高质量的本地模型，最后，提出一种基于Shamir秘密共享的全局模型聚合算法，在聚合过程中采用秘密共享方法，避免因服务器遭受攻击或宕机导致的数据泄露。仿真结果验证了所提算法的有效性。
2026, 48(6): 2602-2610.
doi: 10.11999/JEIT251269
摘要:
物理层安全博弈理论分析终端和攻击者之间的交互机理，基于博弈均衡给出无线抗干扰和物理层认证等算法的性能界。在终端将海域图像等信息发给搭载大模型的岸边控制中心以支撑海域监测等业务场景下，现有博弈模型未考虑受到蒸导效应和海面反射影响的海域无线信道，难以准确分析大模型推断性能的变化。为此，该文构建面向大模型推断的海域抗干扰通信博弈，攻击者选择干扰功率和信道，以较低的干扰开销降低信干噪比，终端选择发射功率、传输信道、大模型稀疏率和岸边控制中心等策略以提高推断精度并降低时延。接着，构建面向大模型推断的海域认证博弈，攻击者选择虚假数据包数量，以较低攻击开销降低认证精度，岸边控制中心选择认证模式和阈值以提高认证精度并降低认证开销。基于包含70亿参数的大模型给出斯塔克伯格均衡，分析智能海域抗干扰推断和物理层认证算法性能极限，指导最大发射功率等系统参数选择，辅助快速设计物理层安全算法。仿真结果表明，基于强化学习的海域抗干扰推断和物理层认证算法分别在2500和1000时隙收敛，与性能界的差异小于1.6%，验证了理论分析的准确性。
物理层安全博弈理论分析终端和攻击者之间的交互机理，基于博弈均衡给出无线抗干扰和物理层认证等算法的性能界。在终端将海域图像等信息发给搭载大模型的岸边控制中心以支撑海域监测等业务场景下，现有博弈模型未考虑受到蒸导效应和海面反射影响的海域无线信道，难以准确分析大模型推断性能的变化。为此，该文构建面向大模型推断的海域抗干扰通信博弈，攻击者选择干扰功率和信道，以较低的干扰开销降低信干噪比，终端选择发射功率、传输信道、大模型稀疏率和岸边控制中心等策略以提高推断精度并降低时延。接着，构建面向大模型推断的海域认证博弈，攻击者选择虚假数据包数量，以较低攻击开销降低认证精度，岸边控制中心选择认证模式和阈值以提高认证精度并降低认证开销。基于包含70亿参数的大模型给出斯塔克伯格均衡，分析智能海域抗干扰推断和物理层认证算法性能极限，指导最大发射功率等系统参数选择，辅助快速设计物理层安全算法。仿真结果表明，基于强化学习的海域抗干扰推断和物理层认证算法分别在2500和1000时隙收敛，与性能界的差异小于1.6%，验证了理论分析的准确性。
2026, 48(6): 2611-2621.
doi: 10.11999/JEIT251145
摘要:
后门攻击严重威胁深度神经网络(DNN)的安全。植入后门后，模型在遇到带有特定触发器的输入时会输出预设错误，而对干净样本仍保持正常性能。现有研究已在空间域与频域触发器设计方面展开探索，但多数方法为确保攻击成功率(ASR)，而牺牲了触发器的不可感知性。该文提出一种基于相位偏移的频域后门攻击(FDPS)方法。该方法通过离散傅里叶变换(DFT)将图像映射至频域，并在选定的频率分量上施加相位扰动以嵌入触发器。具体而言，FDPS优先针对中高频相位分量进行精细调控，以最小化幅度谱变化并避免引入可察觉的伪影。鉴于相位信息主导正弦波的相对位移，此类扰动可自然协调视觉语义，从而显著提升隐蔽性。相较于传统幅度扰动策略，相位偏移在保留图像全局结构的同时，更有效地规避了基于图像的防御检测机制。实验表明，与BadNets, Blend, WaNet及Ftrojan等基准后门攻击相比，FDPS在攻击成功率、干净样本准确率以及结构相似性指数(SSIM)等指标上均表现优越。此外，在GTSRB数据集上，仅需毒化2%的训练样本即可实现99%的攻击成功率，显著降低了攻击的样本需求与技术门槛，展现出对不同攻击场景更强的鲁棒性与适应性。
后门攻击严重威胁深度神经网络(DNN)的安全。植入后门后，模型在遇到带有特定触发器的输入时会输出预设错误，而对干净样本仍保持正常性能。现有研究已在空间域与频域触发器设计方面展开探索，但多数方法为确保攻击成功率(ASR)，而牺牲了触发器的不可感知性。该文提出一种基于相位偏移的频域后门攻击(FDPS)方法。该方法通过离散傅里叶变换(DFT)将图像映射至频域，并在选定的频率分量上施加相位扰动以嵌入触发器。具体而言，FDPS优先针对中高频相位分量进行精细调控，以最小化幅度谱变化并避免引入可察觉的伪影。鉴于相位信息主导正弦波的相对位移，此类扰动可自然协调视觉语义，从而显著提升隐蔽性。相较于传统幅度扰动策略，相位偏移在保留图像全局结构的同时，更有效地规避了基于图像的防御检测机制。实验表明，与BadNets, Blend, WaNet及Ftrojan等基准后门攻击相比，FDPS在攻击成功率、干净样本准确率以及结构相似性指数(SSIM)等指标上均表现优越。此外，在GTSRB数据集上，仅需毒化2%的训练样本即可实现99%的攻击成功率，显著降低了攻击的样本需求与技术门槛，展现出对不同攻击场景更强的鲁棒性与适应性。
2026, 48(6): 2622-2630.
doi: 10.11999/JEIT251360
摘要:
二维(2D)格雷-零相关区(Golay-ZCZ)阵列集在多输入多输出(MIMO)全向传输系统中具有潜在的应用前景，例如用于预编码矩阵、相控阵天线和声源阵列。然而，针对其构造研究的现有文献仍较为有限。该文分别基于2D多变量函数和级联法提出了3种2D Golay-ZCZ阵列集的构造方法，构造的阵列集具有灵活阵列尺寸和大的零相关区。与已有文献相比，该文所构造的阵列集在阵列尺寸和零相关区宽度方面不再局限于2的幂次形式，因此能够获得现有文献中没有的新参数，阵列集参数更加灵活，同时可将已有结果作为特例包含在内。
二维(2D)格雷-零相关区(Golay-ZCZ)阵列集在多输入多输出(MIMO)全向传输系统中具有潜在的应用前景，例如用于预编码矩阵、相控阵天线和声源阵列。然而，针对其构造研究的现有文献仍较为有限。该文分别基于2D多变量函数和级联法提出了3种2D Golay-ZCZ阵列集的构造方法，构造的阵列集具有灵活阵列尺寸和大的零相关区。与已有文献相比，该文所构造的阵列集在阵列尺寸和零相关区宽度方面不再局限于2的幂次形式，因此能够获得现有文献中没有的新参数，阵列集参数更加灵活，同时可将已有结果作为特例包含在内。
2026, 48(6): 2631-2640.
doi: 10.11999/JEIT250850
摘要:
针对网络化微电网在高渗透可再生能源和开放通信环境下易受虚假数据注入攻击(FDIA)影响、导致频率失稳与通信拥塞的问题，该文提出一种“事件触发通信-攻击观测-深度强化学习补偿”的多层级一体化韧性控制方法。该方法设计了基于频率-积分误差的自适应事件触发机制以削减冗余数据传输，并构建径向基函数未知输入观测器(RBF-UIO)实现对FDIA的高精度检测与状态估计。在此基础上，引入双重回放Q学习(DRQL)开展在线补偿优化，实现攻击抑制与性能恢复。进一步，在典型4节点分布式微电网平台上开展仿真验证，结果表明：所提方法在显著降低通信事件数的同时，有效提升了频率恢复速度与稳态精度，保证了虚假数据攻击下的安全稳定运行。
针对网络化微电网在高渗透可再生能源和开放通信环境下易受虚假数据注入攻击(FDIA)影响、导致频率失稳与通信拥塞的问题，该文提出一种“事件触发通信-攻击观测-深度强化学习补偿”的多层级一体化韧性控制方法。该方法设计了基于频率-积分误差的自适应事件触发机制以削减冗余数据传输，并构建径向基函数未知输入观测器(RBF-UIO)实现对FDIA的高精度检测与状态估计。在此基础上，引入双重回放Q学习(DRQL)开展在线补偿优化，实现攻击抑制与性能恢复。进一步，在典型4节点分布式微电网平台上开展仿真验证，结果表明：所提方法在显著降低通信事件数的同时，有效提升了频率恢复速度与稳态精度，保证了虚假数据攻击下的安全稳定运行。
2026, 48(6): 2641-2654.
doi: 10.11999/JEIT251243
摘要:
该文针对抗量子格基密码算法Kyber实现中潜在的能量侧信道泄露风险，研究了Kyber各核心模块的脆弱点与泄露原理，并对其嵌入式平台实现中各模块的能量侧信道泄露风险进行了评估。评估结果表明Kyber算法实现中多个模块可能存在侧信道安全脆弱性。针对泄露相对最严重的解码函数，该文提出一种高效的选择密文能量侧信道攻击方法。该方法通过构造特定密文输入，结合简单能量分析，实现了私钥的高效恢复。实验结果显示，攻击Kyber512仅需6次选择密文输入，攻击Kyber768仅需9次，与现有工作相比，所需密文条数均降低了25.0%。该研究揭示了Kyber算法在实现层面潜在的安全脆弱性，可为其侧信道防护设计提供评估依据和手段。
该文针对抗量子格基密码算法Kyber实现中潜在的能量侧信道泄露风险，研究了Kyber各核心模块的脆弱点与泄露原理，并对其嵌入式平台实现中各模块的能量侧信道泄露风险进行了评估。评估结果表明Kyber算法实现中多个模块可能存在侧信道安全脆弱性。针对泄露相对最严重的解码函数，该文提出一种高效的选择密文能量侧信道攻击方法。该方法通过构造特定密文输入，结合简单能量分析，实现了私钥的高效恢复。实验结果显示，攻击Kyber512仅需6次选择密文输入，攻击Kyber768仅需9次，与现有工作相比，所需密文条数均降低了25.0%。该研究揭示了Kyber算法在实现层面潜在的安全脆弱性，可为其侧信道防护设计提供评估依据和手段。
2026, 48(6): 2655-2665.
doi: 10.11999/JEIT251198
摘要:
准确的交通流预测是智能交通系统中的关键任务，其核心挑战在于如何有效捕捉城市路网中动态演化的空间结构以及复杂的时空相关关系。针对现有方法在建模交通路网的动态关联时难以自适应捕捉路网空间依赖特征，对空间特征表征能力有限且计算效率低等问题，该文提出一种融合动态图递归与状态空间的时空交通流预测模型(DGGRU-Mamba)。该模型构建了时空嵌入生成器，将节点的空间位置信息与周期性时间特征联合编码，以增强图结构对交通流时间特征的感知能力；设计了动态图递归建模(DGRM)，通过多层动态图门控递归单元(DGGRU)动态构建邻接关系，捕捉路网交通状态演变引发的空间依赖性；建立了基于结构化状态转移机制的时空Mamba(ST-Mamba)，实现交通流的全局时序建模，在提升建模能力的同时降低计算开销。相较主流自注意力模型STAEformer，所提模型在PEMS04数据集上的MAE, RMSE和MAPE分别降低约2.5%, 1.2%和2.1%，同时推理时间缩短约4.84 s，在提升预测精度的同时提高了计算效率。
准确的交通流预测是智能交通系统中的关键任务，其核心挑战在于如何有效捕捉城市路网中动态演化的空间结构以及复杂的时空相关关系。针对现有方法在建模交通路网的动态关联时难以自适应捕捉路网空间依赖特征，对空间特征表征能力有限且计算效率低等问题，该文提出一种融合动态图递归与状态空间的时空交通流预测模型(DGGRU-Mamba)。该模型构建了时空嵌入生成器，将节点的空间位置信息与周期性时间特征联合编码，以增强图结构对交通流时间特征的感知能力；设计了动态图递归建模(DGRM)，通过多层动态图门控递归单元(DGGRU)动态构建邻接关系，捕捉路网交通状态演变引发的空间依赖性；建立了基于结构化状态转移机制的时空Mamba(ST-Mamba)，实现交通流的全局时序建模，在提升建模能力的同时降低计算开销。相较主流自注意力模型STAEformer，所提模型在PEMS04数据集上的MAE, RMSE和MAPE分别降低约2.5%, 1.2%和2.1%，同时推理时间缩短约4.84 s，在提升预测精度的同时提高了计算效率。
2026, 48(6): 2666-2677.
doi: 10.11999/JEIT260044
摘要:
农业害虫图像普遍存在复杂背景干扰、不同虫态时期外观差异显著、拍摄角度多样和尺度变化大等问题，导致现有细粒度图像分类模型在特征提取和虫态变化适应性方面仍存在不足。针对上述问题，该文构建了一个涵盖多虫态时期、多角度和多尺度的农业害虫多维数据集(APMD)，并提出一种基于动态聚焦与语义提示的细粒度害虫分类网络(DFS-PestNet)。该文构建主特征流与提示增强流相结合的解耦并行架构，通过空间形变建模模块(SDP)动态聚焦害虫斑点、翅脉等关键判别区域，以增强复杂背景下的局部细微特征提取能力；引入提示引导机制模块(AHVP)，在浅中层特征中融合类别语义与空间位置信息，提升对不同虫态形态变化的适应性；同时采用显著性双分支采样(DSS)，通过可学习原型部件和双分支显著性融合自适应聚合害虫关键部位特征，增强对微小害虫和早期幼虫等小目标的识别能力。实验结果表明，在IP102和APMD两个数据集上本文模型均取得了优于基线模型和现有主流方法的分类性能，验证了其在复杂场景下细粒度害虫分类任务中的有效性与应用潜力，为智慧农业中的虫害监测与精准防治提供技术参考。
农业害虫图像普遍存在复杂背景干扰、不同虫态时期外观差异显著、拍摄角度多样和尺度变化大等问题，导致现有细粒度图像分类模型在特征提取和虫态变化适应性方面仍存在不足。针对上述问题，该文构建了一个涵盖多虫态时期、多角度和多尺度的农业害虫多维数据集(APMD)，并提出一种基于动态聚焦与语义提示的细粒度害虫分类网络(DFS-PestNet)。该文构建主特征流与提示增强流相结合的解耦并行架构，通过空间形变建模模块(SDP)动态聚焦害虫斑点、翅脉等关键判别区域，以增强复杂背景下的局部细微特征提取能力；引入提示引导机制模块(AHVP)，在浅中层特征中融合类别语义与空间位置信息，提升对不同虫态形态变化的适应性；同时采用显著性双分支采样(DSS)，通过可学习原型部件和双分支显著性融合自适应聚合害虫关键部位特征，增强对微小害虫和早期幼虫等小目标的识别能力。实验结果表明，在IP102和APMD两个数据集上本文模型均取得了优于基线模型和现有主流方法的分类性能，验证了其在复杂场景下细粒度害虫分类任务中的有效性与应用潜力，为智慧农业中的虫害监测与精准防治提供技术参考。
2026, 48(6): 2678-2689.
doi: 10.11999/JEIT251303
摘要:
遥感成像技术的迅速发展为遥感地物分类带来了海量且多元的数据，如何利用多模态数据的互补性提升分类性能成为研究热点。近年来Mamba模型凭借其独特的架构与强大的全局建模能力在图像处理领域得到成功应用，其中多尺度视觉Mamba模型善于应对复杂的空间分布，契合遥感地物尺度差异大、朝向复杂等特点。为充分发挥Mamba模型提取与融合遥感数据特征的优势，该文提出基于Mamba的多模态多尺度融合模型用于遥感地物分类(M3RS)。首先，该模型采用多尺度空间编码器提取光探测与测距(LiDAR)图像和合成孔径雷达(SAR)图像的特征，并基于高光谱图像(HSI)独特的数据结构，提出多尺度空谱编码器提取其复杂的空间光谱特征。然后提出由交叉Mamba和通道拼接Mamba相结合得到的多模态特征融合模块，其中交叉Mamba通过交互状态空间参数高效融合多模态空间特征，通道拼接Mamba通过构造四种通道扫描方式充分融合多模态特征。最后该模型采用改进的多尺度特征融合模块逐层融合多尺度特征并提取具有高判别性的分类依据，可有效提升遥感地物分类的准确率。该文通过在Muufl, Houston2013和Augsburg 3个数据集上展开的分类实验验证了该分类模型M3RS的有效性。
遥感成像技术的迅速发展为遥感地物分类带来了海量且多元的数据，如何利用多模态数据的互补性提升分类性能成为研究热点。近年来Mamba模型凭借其独特的架构与强大的全局建模能力在图像处理领域得到成功应用，其中多尺度视觉Mamba模型善于应对复杂的空间分布，契合遥感地物尺度差异大、朝向复杂等特点。为充分发挥Mamba模型提取与融合遥感数据特征的优势，该文提出基于Mamba的多模态多尺度融合模型用于遥感地物分类(M3RS)。首先，该模型采用多尺度空间编码器提取光探测与测距(LiDAR)图像和合成孔径雷达(SAR)图像的特征，并基于高光谱图像(HSI)独特的数据结构，提出多尺度空谱编码器提取其复杂的空间光谱特征。然后提出由交叉Mamba和通道拼接Mamba相结合得到的多模态特征融合模块，其中交叉Mamba通过交互状态空间参数高效融合多模态空间特征，通道拼接Mamba通过构造四种通道扫描方式充分融合多模态特征。最后该模型采用改进的多尺度特征融合模块逐层融合多尺度特征并提取具有高判别性的分类依据，可有效提升遥感地物分类的准确率。该文通过在Muufl, Houston2013和Augsburg 3个数据集上展开的分类实验验证了该分类模型M3RS的有效性。
2026, 48(6): 2690-2700.
doi: 10.11999/JEIT251271
摘要:
图像篡改检测技术在新闻审查和司法鉴定等领域具有重要应用价值。针对现有方法在逐像素分类问题定义下存在的标签冲突问题，以及篡改线索挖掘多集中于空间域而忽略其他视角特征的问题，该文提出一种基于图像内不一致性的图像篡改检测改进模型，及其基于多视角特征提取和双边缘对比学习的图像篡改检测算法。算法基于模型的思路实现。所提模型针对局限性，能够有效避免标签冲突问题，增强对于篡改线索的挖掘力度，提升了泛化能力，克服了现有方法存在的问题。实验结果表明，该文方法在置换F1分数(pF1)与置换交并比(pIoU)指标上相比现有主流方法平均提升了26.0%和10.1%。
图像篡改检测技术在新闻审查和司法鉴定等领域具有重要应用价值。针对现有方法在逐像素分类问题定义下存在的标签冲突问题，以及篡改线索挖掘多集中于空间域而忽略其他视角特征的问题，该文提出一种基于图像内不一致性的图像篡改检测改进模型，及其基于多视角特征提取和双边缘对比学习的图像篡改检测算法。算法基于模型的思路实现。所提模型针对局限性，能够有效避免标签冲突问题，增强对于篡改线索的挖掘力度，提升了泛化能力，克服了现有方法存在的问题。实验结果表明，该文方法在置换F1分数(pF1)与置换交并比(pIoU)指标上相比现有主流方法平均提升了26.0%和10.1%。
2026, 48(6): 2701-2711.
doi: 10.11999/JEIT251252
摘要:
现有的基于深度学习的遥感图像融合方法通常依赖于特定数据集进行训练，导致其泛化能力不足，难以适应多卫星场景的实际应用。为此，该文提出一种语义引导的一体化多尺度深度展开网络(SUM-DUN)。该网络基于传统融合问题的优化求解进行设计，采用3D架构以兼容不同波段数量的多光谱(MS)图像输入。通过引入多尺度特征分层处理机制，SUM-DUN能够有效提取并融合不同层级的特征。更重要的是，为实现一体化融合，该文创新性地引入多模态大语言模型，从输入的低分辨率多光谱(LRMS)图像与全色(PAN)图像中生成通用语义文本提示，以动态引导网络自适应地选择最优特征传递策略。多卫星实验结果表明，所提方法在多个数据集上的主观视觉效果和客观评价指标均得到显著提升。
现有的基于深度学习的遥感图像融合方法通常依赖于特定数据集进行训练，导致其泛化能力不足，难以适应多卫星场景的实际应用。为此，该文提出一种语义引导的一体化多尺度深度展开网络(SUM-DUN)。该网络基于传统融合问题的优化求解进行设计，采用3D架构以兼容不同波段数量的多光谱(MS)图像输入。通过引入多尺度特征分层处理机制，SUM-DUN能够有效提取并融合不同层级的特征。更重要的是，为实现一体化融合，该文创新性地引入多模态大语言模型，从输入的低分辨率多光谱(LRMS)图像与全色(PAN)图像中生成通用语义文本提示，以动态引导网络自适应地选择最优特征传递策略。多卫星实验结果表明，所提方法在多个数据集上的主观视觉效果和客观评价指标均得到显著提升。
2026, 48(6): 2712-2721.
doi: 10.11999/JEIT250868
摘要:
在大数据时代，图像质量参差不齐，对低质量图像进行高分辨率重建具有重要的研究与应用价值。基于 Transformer的单图像超分辨率方法通常将自注意力机制限制在局部非重叠窗口中，导致感受野受限、窗口边界失真以及高频细节重构能力不足等问题。为此，该文提出一种基于Swin IR的异质窗口注意力网络(Heterogeneous Window Transformer Network for image Super-Resolution, HWT-SRNet)。首先，设计异质窗口注意力机制，充分融合多尺度特征，以缓解窗口边界失真问题并有效扩大感受野。其次，针对Transformer在高频信息重构能力上的不足，提出一种高频先验特征提取网络，增强网络对边缘与纹理细节的恢复能力。实验结果表明，HWT-SRNet在Set5, Set14, BSD100, Urban100, Manga109 5个基准测试集上，PSNR指标相比基线模型Swin IR提升0.10～0.37 dB，同时，与其他具有代表性的超分模型CAT, ACT, ART等相比，在图像细节和纹理方面也取得了更优的视觉效果。
在大数据时代，图像质量参差不齐，对低质量图像进行高分辨率重建具有重要的研究与应用价值。基于 Transformer的单图像超分辨率方法通常将自注意力机制限制在局部非重叠窗口中，导致感受野受限、窗口边界失真以及高频细节重构能力不足等问题。为此，该文提出一种基于Swin IR的异质窗口注意力网络(Heterogeneous Window Transformer Network for image Super-Resolution, HWT-SRNet)。首先，设计异质窗口注意力机制，充分融合多尺度特征，以缓解窗口边界失真问题并有效扩大感受野。其次，针对Transformer在高频信息重构能力上的不足，提出一种高频先验特征提取网络，增强网络对边缘与纹理细节的恢复能力。实验结果表明，HWT-SRNet在Set5, Set14, BSD100, Urban100, Manga109 5个基准测试集上，PSNR指标相比基线模型Swin IR提升0.10～0.37 dB，同时，与其他具有代表性的超分模型CAT, ACT, ART等相比，在图像细节和纹理方面也取得了更优的视觉效果。
2026, 48(6): 2722-2732.
doi: 10.11999/JEIT251379
摘要:
针对功率MOSFET传统固定阈值预警法与物理失效机理脱节的问题，该文提出一种融合可解释人工智能(XAI)的寿命预测框架。首先，设计一种自适应双阈值划分策略，融合K-means聚类与近端策略优化(PPO)算法；该策略以聚类获得的初始解为搜索起点，构建兼顾区间比例、状态转移灵敏度激励及阈值间距惩罚的多目标奖励函数，引导智能体优化阈值，实现退化阶段的精准划分。其次，为增强对黑盒决策过程的理解，引入SHAP可解释性分析，从特征与机理关联层面验证阈值决策的合理性。分析表明，低阈值由健康期稳态特征主导，满足安全基线要求；高阈值则由后期加速退化动力学特征主导，精准定位临界点，该分析证实了阈值决策的可信性与透明性。在此基础上，当退化数据超越可信低阈值时触发预警机制，并采用结合残差连接的堆叠门控循环单元(R-SGRU)进行剩余寿命预测。在NASA数据集上的实验表明，该模型预测性能显著优于长短期记忆网络(LSTM)和时间卷积网络(TCN)等多种模型，测试集MSE低于0.001 5 ，R2高于0.98。该研究不仅为MOSFET早期预警提供了精确可靠的决策支持，更通过可解释技术建立了数据特征与物理机理的关联，推动了人工智能在器件预测领域向可信、可靠方向发展。
针对功率MOSFET传统固定阈值预警法与物理失效机理脱节的问题，该文提出一种融合可解释人工智能(XAI)的寿命预测框架。首先，设计一种自适应双阈值划分策略，融合K-means聚类与近端策略优化(PPO)算法；该策略以聚类获得的初始解为搜索起点，构建兼顾区间比例、状态转移灵敏度激励及阈值间距惩罚的多目标奖励函数，引导智能体优化阈值，实现退化阶段的精准划分。其次，为增强对黑盒决策过程的理解，引入SHAP可解释性分析，从特征与机理关联层面验证阈值决策的合理性。分析表明，低阈值由健康期稳态特征主导，满足安全基线要求；高阈值则由后期加速退化动力学特征主导，精准定位临界点，该分析证实了阈值决策的可信性与透明性。在此基础上，当退化数据超越可信低阈值时触发预警机制，并采用结合残差连接的堆叠门控循环单元(R-SGRU)进行剩余寿命预测。在NASA数据集上的实验表明，该模型预测性能显著优于长短期记忆网络(LSTM)和时间卷积网络(TCN)等多种模型，测试集MSE低于
2026, 48(6): 2733-2742.
doi: 10.11999/JEIT251084
摘要:
针对点云视频流在带宽受限网络下面临的用户体验质量(QoE)保障难题，该文提出一种融合视区预测与动态质量分配的QoE优化框架。为提升预测精度，设计一种基于图表示学习的视区预测方案，通过显式建模用户在三维场景中的空间上下文与移动模式，并将学习到的空间先验知识与用户历史轨迹相融合，以提升六自由度(6DoF)视区预测的长期准确性。为实现智能分配，该文提出一种基于上下文赌博机的动态质量分配方案。该方案根据实时上下文信息，在带宽约束下为各空间切块自适应地分配质量等级，旨在提升长期累积QoE，保障用户体验。在公开数据集上的仿真实验结果表明，该文方案在视区预测精度和综合QoE上均显著优于多种基线方案，展现了优异的适应性与稳定性。
针对点云视频流在带宽受限网络下面临的用户体验质量(QoE)保障难题，该文提出一种融合视区预测与动态质量分配的QoE优化框架。为提升预测精度，设计一种基于图表示学习的视区预测方案，通过显式建模用户在三维场景中的空间上下文与移动模式，并将学习到的空间先验知识与用户历史轨迹相融合，以提升六自由度(6DoF)视区预测的长期准确性。为实现智能分配，该文提出一种基于上下文赌博机的动态质量分配方案。该方案根据实时上下文信息，在带宽约束下为各空间切块自适应地分配质量等级，旨在提升长期累积QoE，保障用户体验。在公开数据集上的仿真实验结果表明，该文方案在视区预测精度和综合QoE上均显著优于多种基线方案，展现了优异的适应性与稳定性。
2026, 48(6): 2743-2753.
doi: 10.11999/JEIT251290
摘要:
针对跨域深度伪造检测中存在依赖静态伪影与固定频段、局限单一分析域、全局关联能力不足的问题，该文提出一种融合动态伪影追踪与空频交互分析的金字塔式交互双流网络(PIDSNet)。首先，通过多分支特征提取模块与频谱卷积模块实现伪影特征的动态挖掘，降低针对固定参数和频段的依赖，显著提高伪影特征的自适应捕捉能力。其次，通过融合金字塔挤压注意力模块和多头自注意力机制，实现全局特征与局部特征提取的平衡。最后，在空域和频域分别构建高斯金字塔与拉普拉斯金字塔，多层次提取高频信息和低频信息并实现跨域特征融合，构建新型空频特征动态交互机制。实验结果表明，在包含25种生成对抗网络和扩散模型的伪造数据集中平均准确度提升7.4%，为深度伪造检测的跨域泛化性研究提供了新的方案。
针对跨域深度伪造检测中存在依赖静态伪影与固定频段、局限单一分析域、全局关联能力不足的问题，该文提出一种融合动态伪影追踪与空频交互分析的金字塔式交互双流网络(PIDSNet)。首先，通过多分支特征提取模块与频谱卷积模块实现伪影特征的动态挖掘，降低针对固定参数和频段的依赖，显著提高伪影特征的自适应捕捉能力。其次，通过融合金字塔挤压注意力模块和多头自注意力机制，实现全局特征与局部特征提取的平衡。最后，在空域和频域分别构建高斯金字塔与拉普拉斯金字塔，多层次提取高频信息和低频信息并实现跨域特征融合，构建新型空频特征动态交互机制。实验结果表明，在包含25种生成对抗网络和扩散模型的伪造数据集中平均准确度提升7.4%，为深度伪造检测的跨域泛化性研究提供了新的方案。
2026, 48(6): 2754-2764.
doi: 10.11999/JEIT251375
摘要:
在单片三维集成电路中，单片层间通孔(MIV)是实现垂直互连的关键结构，其制造缺陷会严重影响芯片可靠性。然而，面对MIV数量庞大、电气参数微小、故障类型多样的特点，实现高精度、低开销的测试是一个重要挑战。该文提出一种基于时间数字转换器(TDC)的MIV并行测试方法。通过行列分组将待测MIV构建成行或列的测试链，并通过数控延迟线(DCDL)来生成具有特定相位关系的测试激励信号。利用TDC测量电路的响应，并通过分析响应序列的规律性偏差，可以实现MIV硬故障和小延迟故障的测试。仿真结果表明，该方法在45 nm工艺下可检测阻值高于8.4 kΩ的开路故障，低于67 kΩ的泄漏故障以及低于32 kΩ的短路故障，而且测试结果在不同工艺-电压-温度(PVT)条件下保持稳定。与现有方案相比，该方法在检测精度、条件鲁棒性及硬件开销方面展现出更好的综合性能，为高密度M3D IC的MIV测试提供了一种有效解决方案。
在单片三维集成电路中，单片层间通孔(MIV)是实现垂直互连的关键结构，其制造缺陷会严重影响芯片可靠性。然而，面对MIV数量庞大、电气参数微小、故障类型多样的特点，实现高精度、低开销的测试是一个重要挑战。该文提出一种基于时间数字转换器(TDC)的MIV并行测试方法。通过行列分组将待测MIV构建成行或列的测试链，并通过数控延迟线(DCDL)来生成具有特定相位关系的测试激励信号。利用TDC测量电路的响应，并通过分析响应序列的规律性偏差，可以实现MIV硬故障和小延迟故障的测试。仿真结果表明，该方法在45 nm工艺下可检测阻值高于8.4 kΩ的开路故障，低于67 kΩ的泄漏故障以及低于32 kΩ的短路故障，而且测试结果在不同工艺-电压-温度(PVT)条件下保持稳定。与现有方案相比，该方法在检测精度、条件鲁棒性及硬件开销方面展现出更好的综合性能，为高密度M3D IC的MIV测试提供了一种有效解决方案。
