邮件订阅
当期目录
2025年 第47卷 第6期
2025,
47(6):
1609-1622. doi: 10.11999/JEIT240957
摘要:
随着低轨卫星网络的快速发展，其应用领域日益广泛，与人工智能等技术融合程度日益趋深，但随之而来的安全问题也更加凸显。该文旨在综述低轨卫星网络面临的主要安全问题，并探讨相应的防御技术。该文首先概述低轨卫星网络的发展情况，不同于现有综述侧重于物理层安全的现状，该文针对低轨卫星网络安全问题，特别是网络层安全进行了系统性研究。该文详细介绍了低轨卫星网络的体系架构、独有的网络特征和脆弱性，并分析了其脆弱性机理，系统地介绍了低轨卫星网络面临的不同威胁手段的安全问题。在此基础上，对基于虚拟仿真、人工智能等先进技术的防御技术进行研究与分析，并对未来低轨卫星网络的安全发展方向提出了建议。
随着低轨卫星网络的快速发展，其应用领域日益广泛，与人工智能等技术融合程度日益趋深，但随之而来的安全问题也更加凸显。该文旨在综述低轨卫星网络面临的主要安全问题，并探讨相应的防御技术。该文首先概述低轨卫星网络的发展情况，不同于现有综述侧重于物理层安全的现状，该文针对低轨卫星网络安全问题，特别是网络层安全进行了系统性研究。该文详细介绍了低轨卫星网络的体系架构、独有的网络特征和脆弱性，并分析了其脆弱性机理，系统地介绍了低轨卫星网络面临的不同威胁手段的安全问题。在此基础上，对基于虚拟仿真、人工智能等先进技术的防御技术进行研究与分析，并对未来低轨卫星网络的安全发展方向提出了建议。
2025,
47(6):
1623-1632. doi: 10.11999/JEIT240891
摘要:
当前面向跟踪器的对抗样本生成研究主要集中于可见光谱段，无法在多谱段条件下实现对跟踪器的有效攻击。为了填补这一空缺，该文提出一种基于多谱段的目标跟踪补丁式对抗样本生成网络，有效提升了对抗样本在多谱段条件下的攻击有效性。具体来说，该网络包含对抗纹理生成模块与对抗形状优化策略，对可见光谱段下跟踪器对目标纹理的理解进行语义干扰，并显著破坏对热显著目标相关特征的提取。此外，根据不同跟踪器的特点设计误回归损失和掩膜干扰损失对多谱段跟踪模型补丁式对抗样本生成提供指引，实现跟踪预测框扩大或者脱离目标的效果，引入最大特征差异损失削弱特征空间中模版帧和搜索帧间的相关性，进而实现对跟踪器的有效攻击。定性和定量实验证明该文对抗样本可以有效提升多谱段环境下对跟踪器的攻击成功率。
当前面向跟踪器的对抗样本生成研究主要集中于可见光谱段，无法在多谱段条件下实现对跟踪器的有效攻击。为了填补这一空缺，该文提出一种基于多谱段的目标跟踪补丁式对抗样本生成网络，有效提升了对抗样本在多谱段条件下的攻击有效性。具体来说，该网络包含对抗纹理生成模块与对抗形状优化策略，对可见光谱段下跟踪器对目标纹理的理解进行语义干扰，并显著破坏对热显著目标相关特征的提取。此外，根据不同跟踪器的特点设计误回归损失和掩膜干扰损失对多谱段跟踪模型补丁式对抗样本生成提供指引，实现跟踪预测框扩大或者脱离目标的效果，引入最大特征差异损失削弱特征空间中模版帧和搜索帧间的相关性，进而实现对跟踪器的有效攻击。定性和定量实验证明该文对抗样本可以有效提升多谱段环境下对跟踪器的攻击成功率。
2025,
47(6):
1633-1644. doi: 10.11999/JEIT241157
摘要:
现有对抗防御策略大多针对特定攻击方式进行对抗样本判别，计算复杂度高、迁移性差，且无法实现噪声的像素级检测。对于大尺寸遥感图像，对抗噪声往往集中于局部关键地物区域。为此，该文结合对抗噪声高不确定性特征，面向遥感图像提出一种不确定性驱动的像素级对抗噪声检测方法。首先设计带蒙特卡罗批归一化的特征提取网络，通过多次前向传播生成蒙特卡罗样本，并将样本的均值和标准差分别作为输出图像和不确定性图。依据输出图像的均方误差判断其是否属于对抗样本，若属于则进一步结合不确定性图实现多种类型对抗噪声的像素级检测。在遥感数据集上的实验结果表明，该方法能够准确检测出对抗噪声，并在不同攻击方式下展现出强鲁棒性与良好的泛化性能。
现有对抗防御策略大多针对特定攻击方式进行对抗样本判别，计算复杂度高、迁移性差，且无法实现噪声的像素级检测。对于大尺寸遥感图像，对抗噪声往往集中于局部关键地物区域。为此，该文结合对抗噪声高不确定性特征，面向遥感图像提出一种不确定性驱动的像素级对抗噪声检测方法。首先设计带蒙特卡罗批归一化的特征提取网络，通过多次前向传播生成蒙特卡罗样本，并将样本的均值和标准差分别作为输出图像和不确定性图。依据输出图像的均方误差判断其是否属于对抗样本，若属于则进一步结合不确定性图实现多种类型对抗噪声的像素级检测。在遥感数据集上的实验结果表明，该方法能够准确检测出对抗噪声，并在不同攻击方式下展现出强鲁棒性与良好的泛化性能。
2025,
47(6):
1645-1657. doi: 10.11999/JEIT240974
摘要:
自21世纪以来，我国航天事业快速发展，遥感卫星已成为国土资源普查以及防灾减灾的关键资源。然而，点群、多频和大区域等复杂目标需求的涌现、卫星资源的差异化以及多类复杂目标一体化调度，对现有卫星任务规划技术提出了挑战。针对该问题，该文设计了一种可演进星群智能任务规划引擎架构，以解决异构星群多元目标的一体化调度问题。通过深入研究模型与算法，实现了“约束-决策-收益”模型的解耦，开发了“全局演化+局部搜索+数据驱动”的优化算法模块。在模型层面，通过目标分解来生成标准任务，并构建了多元复杂目标调度模型。在算法层面，提出了一种基于双模型演化的学习型模因算法(LMA)，包括初始解生成策略、全局优化策略及通用化邻域搜索算子模板，增强了解的多样性和全局探索能力。此外，通过数据驱动优化策略和动态多阶段快速插入策略满足了动态调度需求。实验结果表明，该算法在求解质量和速度上均优于经典算法和先进算法，并具有良好的鲁棒性。消融实验验证了初始解生成策略、双模型演进及数据驱动策略的有效性。在不同难度的场景中，该算法能够快速提供高质量的调度方案，展示了其在航天任务调度中的应用潜力。
自21世纪以来，我国航天事业快速发展，遥感卫星已成为国土资源普查以及防灾减灾的关键资源。然而，点群、多频和大区域等复杂目标需求的涌现、卫星资源的差异化以及多类复杂目标一体化调度，对现有卫星任务规划技术提出了挑战。针对该问题，该文设计了一种可演进星群智能任务规划引擎架构，以解决异构星群多元目标的一体化调度问题。通过深入研究模型与算法，实现了“约束-决策-收益”模型的解耦，开发了“全局演化+局部搜索+数据驱动”的优化算法模块。在模型层面，通过目标分解来生成标准任务，并构建了多元复杂目标调度模型。在算法层面，提出了一种基于双模型演化的学习型模因算法(LMA)，包括初始解生成策略、全局优化策略及通用化邻域搜索算子模板，增强了解的多样性和全局探索能力。此外，通过数据驱动优化策略和动态多阶段快速插入策略满足了动态调度需求。实验结果表明，该算法在求解质量和速度上均优于经典算法和先进算法，并具有良好的鲁棒性。消融实验验证了初始解生成策略、双模型演进及数据驱动策略的有效性。在不同难度的场景中，该算法能够快速提供高质量的调度方案，展示了其在航天任务调度中的应用潜力。
2025,
47(6):
1658-1668. doi: 10.11999/JEIT241016
摘要:
随着遥感领域以及大模型技术的发展，自监督学习能够通过掩码-重建的方式实现基于未标注遥感数据的模型训练。然而，现有的掩码策略更多基于空间特征建模，而忽略了光谱特征建模，导致光谱数据不能充分挖掘其光谱维度信息问题。为了充分挖掘不同模态遥感数据信息，该文通过探索遥感成像机理和数据特性，构建了支持合成孔径雷达(SAR)、激光探测雷达(LiDAR)数据和高光谱(HSI)数据输入的基于掩码自编码器(MAE)自监督学习的预训练基础模型，通过空间分支随机掩码像素块重建缺失像素以及光谱分支随机掩码频谱通道重建通道，使模型能够有效表征多模态遥感图像数据的空间特征以及光谱特征，进而提升了像素级地物分类的精度。该文为了验证提出模型的有效性，对模型针对两个公开的数据集进行了分类实验，均证明了该模型训练方法的优越效果。
随着遥感领域以及大模型技术的发展，自监督学习能够通过掩码-重建的方式实现基于未标注遥感数据的模型训练。然而，现有的掩码策略更多基于空间特征建模，而忽略了光谱特征建模，导致光谱数据不能充分挖掘其光谱维度信息问题。为了充分挖掘不同模态遥感数据信息，该文通过探索遥感成像机理和数据特性，构建了支持合成孔径雷达(SAR)、激光探测雷达(LiDAR)数据和高光谱(HSI)数据输入的基于掩码自编码器(MAE)自监督学习的预训练基础模型，通过空间分支随机掩码像素块重建缺失像素以及光谱分支随机掩码频谱通道重建通道，使模型能够有效表征多模态遥感图像数据的空间特征以及光谱特征，进而提升了像素级地物分类的精度。该文为了验证提出模型的有效性，对模型针对两个公开的数据集进行了分类实验，均证明了该模型训练方法的优越效果。
2025,
47(6):
1669-1678. doi: 10.11999/JEIT240882
摘要:
地表异常检测是遥感图像处理领域颇具挑战的前沿问题。一方面，地表异常样本搜集困难，可训练样本稀缺。另一方面，地表异常场景类内差异大，类间相似性高，分类混淆问题突出。因此，该文提出一种融合遥感指数协同推理的地表异常检测方法(DeepIndex)。DeepIndex在大规模预训练视觉语言模型基础上，设计轻量级自适应微调模块，实现少样本高效学习。同时，DeepIndex引入具有物理机理的遥感指数先验辅助模型推理，改善分类混淆问题。为了验证方法有效性，该文构建了一个多光谱地表异常检测数据集(MS-ESAD)，包含2 768张多光谱遥感图像，红、绿、蓝、红外等6个波段以及野火、绿潮、蓝藻3种地表异常类型。DeepIndex在MS-ESAD和NWPU45数据集上均表现优异，在少量样本训练(20%)条件下，分别取得92.36%和94.39%的分类精度。同时，消融实验表明，融合遥感指数协同推理能够显著改善模型分类混淆问题。
地表异常检测是遥感图像处理领域颇具挑战的前沿问题。一方面，地表异常样本搜集困难，可训练样本稀缺。另一方面，地表异常场景类内差异大，类间相似性高，分类混淆问题突出。因此，该文提出一种融合遥感指数协同推理的地表异常检测方法(DeepIndex)。DeepIndex在大规模预训练视觉语言模型基础上，设计轻量级自适应微调模块，实现少样本高效学习。同时，DeepIndex引入具有物理机理的遥感指数先验辅助模型推理，改善分类混淆问题。为了验证方法有效性，该文构建了一个多光谱地表异常检测数据集(MS-ESAD)，包含2 768张多光谱遥感图像，红、绿、蓝、红外等6个波段以及野火、绿潮、蓝藻3种地表异常类型。DeepIndex在MS-ESAD和NWPU45数据集上均表现优异，在少量样本训练(20%)条件下，分别取得92.36%和94.39%的分类精度。同时，消融实验表明，融合遥感指数协同推理能够显著改善模型分类混淆问题。
2025,
47(6):
1679-1689. doi: 10.11999/JEIT240898
摘要:
卫星遥感提供了全球、连续、多尺度的地表观测能力。近年来，神经辐射场(NeRF)因其连续渲染和隐式重建特性，在自动驾驶与大场景重建等领域表现出良好鲁棒性，受到广泛关注。然而，NeRF在卫星对地观测中的应用效果有限，主要因其训练需大量多视角图像，而卫星影像获取受限。在视角稀疏时，模型易对训练视角过拟合，导致新视角下性能下降。针对上述问题，该文提出一种新的方法，通过在NeRF的训练过程中引入场景深度与表面法线的几何约束，旨在提升在稀疏视角条件下的渲染与数字表面模型(DSM)生成能力。通过在DFC2019数据集上进行广泛实验，验证了所提出方法的有效性。实验结果表明，采用几何约束的NeRF模型在稀疏视角条件下的新视角合成和DSM生成任务上均取得了领先的结果，显示出其在稀疏视角条件下卫星观测场景中的应用潜力。
卫星遥感提供了全球、连续、多尺度的地表观测能力。近年来，神经辐射场(NeRF)因其连续渲染和隐式重建特性，在自动驾驶与大场景重建等领域表现出良好鲁棒性，受到广泛关注。然而，NeRF在卫星对地观测中的应用效果有限，主要因其训练需大量多视角图像，而卫星影像获取受限。在视角稀疏时，模型易对训练视角过拟合，导致新视角下性能下降。针对上述问题，该文提出一种新的方法，通过在NeRF的训练过程中引入场景深度与表面法线的几何约束，旨在提升在稀疏视角条件下的渲染与数字表面模型(DSM)生成能力。通过在DFC2019数据集上进行广泛实验，验证了所提出方法的有效性。实验结果表明，采用几何约束的NeRF模型在稀疏视角条件下的新视角合成和DSM生成任务上均取得了领先的结果，显示出其在稀疏视角条件下卫星观测场景中的应用潜力。
2025,
47(6):
1690-1703. doi: 10.11999/JEIT240883
摘要:
遥感地物间的语义关系可以表征地物间的相互影响与结构信息，对地表的灾害检测与应急响应具有重要意义。然而，现有的遥感地物关系提取方法多依赖于目标检测，定位精度有限，且关系预测网络主要局限于注意力机制、卷积网络，难以有效建模复杂拓扑关系。此外，公开规范的遥感地物关系数据集的缺乏也进一步制约了该领域的发展。为了解决上述问题，该文建立了遥感地物语义关系数据集，并采用了一种基于图神经网络的关系预测模型，准确提取遥感场景中蕴含的地物关系。具体而言，首先针对地物实例定义了遥感地物关系描述体系，结合地物类别和拓扑信息标注地物间的语义关系，构建了遥感地物语义关系数据集。其次，引入先进的图神经网络模型进行关系预测，通过子图采样和超参数优化，有效提升了模型在遥感场景下的性能。通过上述方法，该文建立了一个小型的遥感地物语义关系数据集，探索了图神经网络在遥感地表异常场景中地物关系提取的应用。在遥感地物关系描述数据集上进行的实验结果表明，模型不仅在验证集的评估指标中表现出较强的竞争力，还在灾害异常场景中的实验中检测到灾害前后地物关系的显著变化，加强了对灾害场景地表异常的理解能力。
遥感地物间的语义关系可以表征地物间的相互影响与结构信息，对地表的灾害检测与应急响应具有重要意义。然而，现有的遥感地物关系提取方法多依赖于目标检测，定位精度有限，且关系预测网络主要局限于注意力机制、卷积网络，难以有效建模复杂拓扑关系。此外，公开规范的遥感地物关系数据集的缺乏也进一步制约了该领域的发展。为了解决上述问题，该文建立了遥感地物语义关系数据集，并采用了一种基于图神经网络的关系预测模型，准确提取遥感场景中蕴含的地物关系。具体而言，首先针对地物实例定义了遥感地物关系描述体系，结合地物类别和拓扑信息标注地物间的语义关系，构建了遥感地物语义关系数据集。其次，引入先进的图神经网络模型进行关系预测，通过子图采样和超参数优化，有效提升了模型在遥感场景下的性能。通过上述方法，该文建立了一个小型的遥感地物语义关系数据集，探索了图神经网络在遥感地表异常场景中地物关系提取的应用。在遥感地物关系描述数据集上进行的实验结果表明，模型不仅在验证集的评估指标中表现出较强的竞争力，还在灾害异常场景中的实验中检测到灾害前后地物关系的显著变化，加强了对灾害场景地表异常的理解能力。
2025,
47(6):
1704-1711. doi: 10.11999/JEIT241018
摘要:
在外辐射源雷达系统中，不仅存在很强的直达波和零频多路径杂波，同时还存在非零频的杂波干扰。这些非零频杂波的多普勒频率具有很强的随机性，利用常规的杂波对消算法很难抑制掉。针对回波通道中的非零频杂波抑制问题，该文提出一种新的外辐射源雷达杂波抑制方法，在构建零频和非零频两种杂波子空间的基础上，建立新的代价函数并求解最优的杂波对消权值，实现零频和非零频杂波抑制。计算机仿真和实测数据分析表明，该方法在保持与现有方法相同杂波抑制性能的同时降低了杂波对消算法的运算量。
在外辐射源雷达系统中，不仅存在很强的直达波和零频多路径杂波，同时还存在非零频的杂波干扰。这些非零频杂波的多普勒频率具有很强的随机性，利用常规的杂波对消算法很难抑制掉。针对回波通道中的非零频杂波抑制问题，该文提出一种新的外辐射源雷达杂波抑制方法，在构建零频和非零频两种杂波子空间的基础上，建立新的代价函数并求解最优的杂波对消权值，实现零频和非零频杂波抑制。计算机仿真和实测数据分析表明，该方法在保持与现有方法相同杂波抑制性能的同时降低了杂波对消算法的运算量。
2025,
47(6):
1712-1722. doi: 10.11999/JEIT250025
摘要:
为解决执行器故障、外部干扰和内部参数不确定性导致的航天器姿态控制精度不足的问题，该文提出了一种新型的航天器姿态系统有限时间容错控制方法。通过对航天器姿态故障模型的分析，将执行器故障、惯性矩阵不确定性和外部环境干扰建模为集中干扰，并设计了有限时间观测器来补偿这些集中干扰。在此基础上，设计了一种新型的分数阶滑模容错控制器，以确保航天器的姿态角和角速度在有限时间内实现跟踪。最后，该文给出了一个仿真实例，并通过与现有算法对比，验证了所提出控制框架的有效性。
为解决执行器故障、外部干扰和内部参数不确定性导致的航天器姿态控制精度不足的问题，该文提出了一种新型的航天器姿态系统有限时间容错控制方法。通过对航天器姿态故障模型的分析，将执行器故障、惯性矩阵不确定性和外部环境干扰建模为集中干扰，并设计了有限时间观测器来补偿这些集中干扰。在此基础上，设计了一种新型的分数阶滑模容错控制器，以确保航天器的姿态角和角速度在有限时间内实现跟踪。最后，该文给出了一个仿真实例，并通过与现有算法对比，验证了所提出控制框架的有效性。
2025,
47(6):
1723-1733. doi: 10.11999/JEIT240906
摘要:
地球同步轨道合成孔径雷达(GEO SAR)具有宽覆盖、高重访、近凝视等成像优势，具备对广域海场景运动目标的长时间监测能力。然而，运动目标在图像中严重偏移且剧烈散焦，对GEO SAR海上区域运动目标检测造成困难，主要包括2个关键问题：(1) 超长的合成孔径时间、超慢的星地相对速度会导致运动目标严重散焦；(2) 超大幅宽图像、陆海目标混淆增加了运动目标检测难度。为了解决这些问题，该文分析了GEO SAR动目标的位置偏移以及相位误差等影响，根据影响特点提出一种面向GEO SAR图像的海面运动目标检测方法。该检测方法通过图像预处理步骤对整幅图像进行分块处理和降采样滤波，以提高计算效率、增强信杂比，使运动目标的特征更加突出、在复杂背景中更加显著。该检测方法通过条件扩散检测网络，将预处理后的GEO SAR图像作为条件编码输入，约束检测结果的生成，得到运动目标分割掩码；通过设计密集交互模块，实现分割图与原始数据在潜在空间中的多尺度特征耦合。实验结果表明，所提出的预处理能够有效减少数据处理的计算复杂度，同时提高图像的信杂比。基于仿真数据，在广域海场景中，所提的动目标检测方法能够准确检测出GEO SAR图像中海面区域的动目标。
地球同步轨道合成孔径雷达(GEO SAR)具有宽覆盖、高重访、近凝视等成像优势，具备对广域海场景运动目标的长时间监测能力。然而，运动目标在图像中严重偏移且剧烈散焦，对GEO SAR海上区域运动目标检测造成困难，主要包括2个关键问题：(1) 超长的合成孔径时间、超慢的星地相对速度会导致运动目标严重散焦；(2) 超大幅宽图像、陆海目标混淆增加了运动目标检测难度。为了解决这些问题，该文分析了GEO SAR动目标的位置偏移以及相位误差等影响，根据影响特点提出一种面向GEO SAR图像的海面运动目标检测方法。该检测方法通过图像预处理步骤对整幅图像进行分块处理和降采样滤波，以提高计算效率、增强信杂比，使运动目标的特征更加突出、在复杂背景中更加显著。该检测方法通过条件扩散检测网络，将预处理后的GEO SAR图像作为条件编码输入，约束检测结果的生成，得到运动目标分割掩码；通过设计密集交互模块，实现分割图与原始数据在潜在空间中的多尺度特征耦合。实验结果表明，所提出的预处理能够有效减少数据处理的计算复杂度，同时提高图像的信杂比。基于仿真数据，在广域海场景中，所提的动目标检测方法能够准确检测出GEO SAR图像中海面区域的动目标。
2025,
47(6):
1734-1746. doi: 10.11999/JEIT240946
摘要:
高分辨率遥感图像场景复杂、语义信息丰富多样且目标尺度多变，容易引起特征空间中不同类别目标的图像特征分布混淆，导致模型难以高效捕获遥感目标文本语义与图像特征的潜在关联，进而影响遥感图像文本检索的精度。针对这一问题，该文提出基于目标语义提示与双注意力感知的遥感图像文本检索方法。该方法首先引入空间-通道协同注意力，利用空间-通道维度注意权重交互捕捉图像全局上下文特征。同时，为了实现遥感图像显著目标信息的多粒度精准表征，模型通过所构建的基于自适应显著性区域目标感知注意力机制，通过动态多尺度目标特征加权聚合，提升对目标局部区域显著性特征聚焦响应。此外，该文设计了目标类别概率先验引导策略，对文本描述进行目标类别语义词频统计，以获取高概率先验目标语义信息，进而指导在跨模态共性嵌入空间中的图像特征聚类，最终实现高效准确的图像-文本特征对齐。该方法在RSICD与RSITMD两组遥感图像文本检索基准数据集上开展实验评估。结果表明，所设计的方法在检索精度指标上展现出了卓越的性能优势。
高分辨率遥感图像场景复杂、语义信息丰富多样且目标尺度多变，容易引起特征空间中不同类别目标的图像特征分布混淆，导致模型难以高效捕获遥感目标文本语义与图像特征的潜在关联，进而影响遥感图像文本检索的精度。针对这一问题，该文提出基于目标语义提示与双注意力感知的遥感图像文本检索方法。该方法首先引入空间-通道协同注意力，利用空间-通道维度注意权重交互捕捉图像全局上下文特征。同时，为了实现遥感图像显著目标信息的多粒度精准表征，模型通过所构建的基于自适应显著性区域目标感知注意力机制，通过动态多尺度目标特征加权聚合，提升对目标局部区域显著性特征聚焦响应。此外，该文设计了目标类别概率先验引导策略，对文本描述进行目标类别语义词频统计，以获取高概率先验目标语义信息，进而指导在跨模态共性嵌入空间中的图像特征聚类，最终实现高效准确的图像-文本特征对齐。该方法在RSICD与RSITMD两组遥感图像文本检索基准数据集上开展实验评估。结果表明，所设计的方法在检索精度指标上展现出了卓越的性能优势。
2025,
47(6):
1747-1761. doi: 10.11999/JEIT241057
摘要:
针对遥感影像覆盖范围大、标注困难、类别融合适配度弱的问题，该文提出一种基于图像-文本多模态融合的小样本语义分割网络模型(FSSNet)，采用编解码结构，编码器提取、语义对齐图像-文本多模态特征，并引入类别信息融合模块、实例信息提取模块。其中利用相关性原理设计基于对比语言-图像预训练(CLIP)模型的类别信息融合模块以增强查询图像与支持图像、文本间类别的适配；利用支持图像的实例目标区域作为先验提示，设计基于改进金字塔特征网络(IFPN)的实例信息提取模块，以提高查询图像目标区域分割的完整性。解码器引入多尺度特征融合的语义聚合模块，聚合类别信息、多尺度实例位置信息和查询图像特征，准确识别地物语义类别。在小样本语义分割数据集PASCAL-5i，公共遥感影像地物分类数据集LoveDA, Postdam和Vaihingen进行实验，该文FSSNet模型在PASCAL-5i数据集上的1-shot, 5-shot的平均交并比(mIoU)精度超越多信息聚合网络(MIANet)，优于最佳水平(SOTA)模型分别为2.29%, 1.96%；在数据集LoveDA, Postdam和Vaihingen上的mIoU精度，优于SOTA模型分别为2.1%, 1.4%, 1.9%。在水利工程实际场景构建数据集HERSD，并进行实验，该文FSSNet模型的mIoU精度高于SOTA模型1.89%。结果表明该文FSSNet模型在遥感影像小样本地物分类、水利实际场景具有更高的分类识别精度。
针对遥感影像覆盖范围大、标注困难、类别融合适配度弱的问题，该文提出一种基于图像-文本多模态融合的小样本语义分割网络模型(FSSNet)，采用编解码结构，编码器提取、语义对齐图像-文本多模态特征，并引入类别信息融合模块、实例信息提取模块。其中利用相关性原理设计基于对比语言-图像预训练(CLIP)模型的类别信息融合模块以增强查询图像与支持图像、文本间类别的适配；利用支持图像的实例目标区域作为先验提示，设计基于改进金字塔特征网络(IFPN)的实例信息提取模块，以提高查询图像目标区域分割的完整性。解码器引入多尺度特征融合的语义聚合模块，聚合类别信息、多尺度实例位置信息和查询图像特征，准确识别地物语义类别。在小样本语义分割数据集PASCAL-5i，公共遥感影像地物分类数据集LoveDA, Postdam和Vaihingen进行实验，该文FSSNet模型在PASCAL-5i数据集上的1-shot, 5-shot的平均交并比(mIoU)精度超越多信息聚合网络(MIANet)，优于最佳水平(SOTA)模型分别为2.29%, 1.96%；在数据集LoveDA, Postdam和Vaihingen上的mIoU精度，优于SOTA模型分别为2.1%, 1.4%, 1.9%。在水利工程实际场景构建数据集HERSD，并进行实验，该文FSSNet模型的mIoU精度高于SOTA模型1.89%。结果表明该文FSSNet模型在遥感影像小样本地物分类、水利实际场景具有更高的分类识别精度。
2025,
47(6):
1762-1771. doi: 10.11999/JEIT240774
摘要:
无意调相是雷达辐射源个体识别中的关键信息，能够提供细微的相位变化信息，捕捉到不同辐射源的微小差异，在区分具有相似硬件结构的雷达辐射源时具有显著优势。针对同一厂家生产的同型号辐射源无意调相特性区分性不明显的问题，该文提出一种基于无意调相边带信息与深度学习相结合的个体识别方法。通过深入挖掘无意调相特性中的边带信息，增强不同辐射源个体间的差异性，并引入双路循环膨胀卷积网络增加神经网络感受野。实验实测数据显示，该方法在信噪比为5 dB的条件下，仍能对10台同型号的辐射源实现87.58%的平均识别准确率，对比1维残差网络，识别精度提高了21.41%。
无意调相是雷达辐射源个体识别中的关键信息，能够提供细微的相位变化信息，捕捉到不同辐射源的微小差异，在区分具有相似硬件结构的雷达辐射源时具有显著优势。针对同一厂家生产的同型号辐射源无意调相特性区分性不明显的问题，该文提出一种基于无意调相边带信息与深度学习相结合的个体识别方法。通过深入挖掘无意调相特性中的边带信息，增强不同辐射源个体间的差异性，并引入双路循环膨胀卷积网络增加神经网络感受野。实验实测数据显示，该方法在信噪比为5 dB的条件下，仍能对10台同型号的辐射源实现87.58%的平均识别准确率，对比1维残差网络，识别精度提高了21.41%。
2025,
47(6):
1772-1781. doi: 10.11999/JEIT240664
摘要:
针对发射站位置与速度未知时的运动目标定位问题，该文提出一种低复杂度的两阶段定位算法。首先，利用直接路径时间迟延和多普勒频移量测构建一个基于约束加权最小二乘(CWLS)模型获得发射站的位置和速度。然后，将发射站位置和速度估计值代入直接路径和间接路径联合模型，建立基于CWLS的目标位置和速度估计模型，利用拟牛顿法求解目标的位置和速度。理论分析和仿真结果显示所提算法定位性能达到克拉美罗下界(CRLB)。
针对发射站位置与速度未知时的运动目标定位问题，该文提出一种低复杂度的两阶段定位算法。首先，利用直接路径时间迟延和多普勒频移量测构建一个基于约束加权最小二乘(CWLS)模型获得发射站的位置和速度。然后，将发射站位置和速度估计值代入直接路径和间接路径联合模型，建立基于CWLS的目标位置和速度估计模型，利用拟牛顿法求解目标的位置和速度。理论分析和仿真结果显示所提算法定位性能达到克拉美罗下界(CRLB)。
2025,
47(6):
1782-1791. doi: 10.11999/JEIT240848
摘要:
针对低信噪比(SNRs)下低截获概率(LPI)雷达脉内波形识别准确率低的问题，该文提出一种基于时频分析(TFA)、混合扩张卷积(HDC)、卷积块注意力模块(CBAM)和GhostNet网络的LPI雷达辐射源信号识别方法，旨在提升LPI雷达信号的识别性能。该方法先从信号预处理角度给出一种适合LPI雷达信号的时频图像增强处理方法，并基于双时频特征融合技术，有效提升了后续网络对LPI雷达信号脉内调制的识别准确率。接着改造了一种高效轻量级网络，用于对LPI雷达脉内调制信号识别，该网络在GhostNet基础上，结合HDC和CBAM，形成了改进型GhostNet，扩大了特征图的感受野并增强了网络获取通道和位置信息的能力。仿真结果表明，在–8 dB信噪比下，该方法的雷达信号识别准确率依然能够达到98.98%，并在参数数量上也优于对比网络。该文所提方法在低信噪比环境下显著提高了LPI雷达脉内波形识别的准确率，为LPI雷达信号识别领域提供了新的技术途径。
针对低信噪比(SNRs)下低截获概率(LPI)雷达脉内波形识别准确率低的问题，该文提出一种基于时频分析(TFA)、混合扩张卷积(HDC)、卷积块注意力模块(CBAM)和GhostNet网络的LPI雷达辐射源信号识别方法，旨在提升LPI雷达信号的识别性能。该方法先从信号预处理角度给出一种适合LPI雷达信号的时频图像增强处理方法，并基于双时频特征融合技术，有效提升了后续网络对LPI雷达信号脉内调制的识别准确率。接着改造了一种高效轻量级网络，用于对LPI雷达脉内调制信号识别，该网络在GhostNet基础上，结合HDC和CBAM，形成了改进型GhostNet，扩大了特征图的感受野并增强了网络获取通道和位置信息的能力。仿真结果表明，在–8 dB信噪比下，该方法的雷达信号识别准确率依然能够达到98.98%，并在参数数量上也优于对比网络。该文所提方法在低信噪比环境下显著提高了LPI雷达脉内波形识别的准确率，为LPI雷达信号识别领域提供了新的技术途径。
2025,
47(6):
1792-1802. doi: 10.11999/JEIT250126
摘要:
针对卫星通信信号调制识别难题以及忽略不同频率和时间尺度特征的融合问题，该文提出多尺度特征注意力网络模型。该模型融合去噪卷积模块和多尺度全局感知模块，利用多尺度膨胀卷积和空间金字塔池化，结合高效通道注意力机制，有效捕捉不同频率和时间尺度特征。实验表明，在典型莱斯信道及数字视频广播卫星第2代标准信号制式下，该模型在[0, 5] dB区间内，对QPSK等卫星典型调制信号的类间识别率达到96.8%，性能优于传统模型的同时，参数量以及单周期训练时间显著减少，并且在低信噪比下仍保持高识别精度，充分验证了模型算法的有效性。
针对卫星通信信号调制识别难题以及忽略不同频率和时间尺度特征的融合问题，该文提出多尺度特征注意力网络模型。该模型融合去噪卷积模块和多尺度全局感知模块，利用多尺度膨胀卷积和空间金字塔池化，结合高效通道注意力机制，有效捕捉不同频率和时间尺度特征。实验表明，在典型莱斯信道及数字视频广播卫星第2代标准信号制式下，该模型在[0, 5] dB区间内，对QPSK等卫星典型调制信号的类间识别率达到96.8%，性能优于传统模型的同时，参数量以及单周期训练时间显著减少，并且在低信噪比下仍保持高识别精度，充分验证了模型算法的有效性。
2025,
47(6):
1803-1815. doi: 10.11999/JEIT241131
摘要:
组网雷达已成为对抗电子干扰的重要手段，然而随着干扰机集群化智能化发展，组网雷达在突防对抗中只能观测到部分信息，严重影响了对突防目标的检测性能。针对上述问题，该文提出一种基于扩展式博弈的组网雷达功率分配方法。该方法首先构造了组网雷达功率分配和对抗信息缺失模型，并结合扩展式博弈原理，建立了面向功率分配的扩展式博弈模型，在该博弈中，组网雷达可以通过信息集聚合对抗中不可观测的干扰机信息。在求解该文所构建博弈模型时，采用深度虚拟遗憾最小化算法(Deep CFR)，其通过结合深度学习与虚拟遗憾最小化，有效解决了传统方法在求解扩展式博弈中的存储与计算瓶颈。仿真结果表明，所提方法在部分观测信息约束条件下能有效对组网雷达进行功率分配，提高其对突防目标的检测概率。
组网雷达已成为对抗电子干扰的重要手段，然而随着干扰机集群化智能化发展，组网雷达在突防对抗中只能观测到部分信息，严重影响了对突防目标的检测性能。针对上述问题，该文提出一种基于扩展式博弈的组网雷达功率分配方法。该方法首先构造了组网雷达功率分配和对抗信息缺失模型，并结合扩展式博弈原理，建立了面向功率分配的扩展式博弈模型，在该博弈中，组网雷达可以通过信息集聚合对抗中不可观测的干扰机信息。在求解该文所构建博弈模型时，采用深度虚拟遗憾最小化算法(Deep CFR)，其通过结合深度学习与虚拟遗憾最小化，有效解决了传统方法在求解扩展式博弈中的存储与计算瓶颈。仿真结果表明，所提方法在部分观测信息约束条件下能有效对组网雷达进行功率分配，提高其对突防目标的检测概率。
2025,
47(6):
1816-1825. doi: 10.11999/JEIT250076
摘要:
近年来，基于时域或子载波域数据的稀疏表示理论为正交频分复用(OFDM)波形外源雷达目标探测提供了新的方法，可以提高目标参数的分辨率。然而该应用还面临着一些难题，一方面较高分辨率要求下构建稀疏字典时，不仅需具有较长相干积累时间的参考信号样本，稀疏字典的矩阵维度也随之变高进而导致稀疏重建的计算成本很高；另一方面现有的稀疏模型大都未考虑直达波或强多径等杂波对弱目标回波的掩盖问题，对于杂波中的较低信噪比目标重建结果不稳定。在此基础上，该文利用OFDM波形外源雷达的信道多普勒信息，提出了一种不仅字典矩阵具有较低稀疏字典维度、可离线生成，且可实现杂波抑制的稀疏表示模型，利用该模型不仅可一次稀疏优化求解生成距离多普勒图实现目标探测，还能降低稀疏重建的迭代次数要求。最后基于仿真和实测结果验证了本文所提方法相较于时域或有效子载波域数据稀疏模型的目标探测性能优势。
近年来，基于时域或子载波域数据的稀疏表示理论为正交频分复用(OFDM)波形外源雷达目标探测提供了新的方法，可以提高目标参数的分辨率。然而该应用还面临着一些难题，一方面较高分辨率要求下构建稀疏字典时，不仅需具有较长相干积累时间的参考信号样本，稀疏字典的矩阵维度也随之变高进而导致稀疏重建的计算成本很高；另一方面现有的稀疏模型大都未考虑直达波或强多径等杂波对弱目标回波的掩盖问题，对于杂波中的较低信噪比目标重建结果不稳定。在此基础上，该文利用OFDM波形外源雷达的信道多普勒信息，提出了一种不仅字典矩阵具有较低稀疏字典维度、可离线生成，且可实现杂波抑制的稀疏表示模型，利用该模型不仅可一次稀疏优化求解生成距离多普勒图实现目标探测，还能降低稀疏重建的迭代次数要求。最后基于仿真和实测结果验证了本文所提方法相较于时域或有效子载波域数据稀疏模型的目标探测性能优势。
2025,
47(6):
1826-1836. doi: 10.11999/JEIT250121
摘要:
为满足空间引力波探测中时延干涉算法(TDI)对米级精度星间距数据的需求，基于激光链路建立星间绝对距离测量系统。该文以空间引力波探测太极计划为背景，通过分析空间引力波探测中星间测距的实现原理，设计了基于伪随机码(PRN)低深度相位调制的星间测距模型，分析了测距精度的主要影响因素，并基于直接数字合成器(DDS)模拟外差干涉信号，进行了伪码测距系统的FPGA仿真验证。仿真结果表明，采用该模型可获得的理论测距精度可达厘米量级，达到了空间引力波探测的米级精度需求。该激光测距方案对卫星导航和天基引力波探测的工程应用具有参考价值。
为满足空间引力波探测中时延干涉算法(TDI)对米级精度星间距数据的需求，基于激光链路建立星间绝对距离测量系统。该文以空间引力波探测太极计划为背景，通过分析空间引力波探测中星间测距的实现原理，设计了基于伪随机码(PRN)低深度相位调制的星间测距模型，分析了测距精度的主要影响因素，并基于直接数字合成器(DDS)模拟外差干涉信号，进行了伪码测距系统的FPGA仿真验证。仿真结果表明，采用该模型可获得的理论测距精度可达厘米量级，达到了空间引力波探测的米级精度需求。该激光测距方案对卫星导航和天基引力波探测的工程应用具有参考价值。
2025,
47(6):
1837-1849. doi: 10.11999/JEIT240797
摘要:
针对目前雷达有源干扰识别方法在低干噪比下识别精度低和训练样本难以高效获取的问题，该文提出一种孪生网络辅助下多域特征融合的雷达有源干扰识别方法。首先，为了实现低干噪比下干扰特征的有效提取，构建了一种多域特征融合子网络；具体地，结合半软阈值函数和注意力机制，提出半软阈值收缩模块，以有效提取时域特征，避免手工提取阈值的不足，同时引入多尺度卷积模块和注意力模块，以增强时频域特征提取能力。然后，为了降低识别模型对样本的依赖，设计了一种权值共享的孪生网络，通过对比样本间相似度扩大训练次数，以解决样本不足问题。最后，联合改进的加权对比度损失函数、自适应交叉熵损失函数和3元组损失函数，实现干扰特征的类内聚集、类间分离。实验结果表明，在干噪比为–6 dB且每类干扰为20个训练样本时，对10种典型有源干扰的识别率达到96.88%。
针对目前雷达有源干扰识别方法在低干噪比下识别精度低和训练样本难以高效获取的问题，该文提出一种孪生网络辅助下多域特征融合的雷达有源干扰识别方法。首先，为了实现低干噪比下干扰特征的有效提取，构建了一种多域特征融合子网络；具体地，结合半软阈值函数和注意力机制，提出半软阈值收缩模块，以有效提取时域特征，避免手工提取阈值的不足，同时引入多尺度卷积模块和注意力模块，以增强时频域特征提取能力。然后，为了降低识别模型对样本的依赖，设计了一种权值共享的孪生网络，通过对比样本间相似度扩大训练次数，以解决样本不足问题。最后，联合改进的加权对比度损失函数、自适应交叉熵损失函数和3元组损失函数，实现干扰特征的类内聚集、类间分离。实验结果表明，在干噪比为–6 dB且每类干扰为20个训练样本时，对10种典型有源干扰的识别率达到96.88%。
2025,
47(6):
1850-1863. doi: 10.11999/JEIT241034
摘要:
现有的雷达步态识别方法多局限于闭集设置，即假设测试阶段的所有身份类别均已包含在模板库中，不适用于库内已知身份类别和库外未知新身份类别共存的真实开放识别环境。针对非完备身份类别模板库条件下的步态识别问题，该文提出一种结合相似度预测和阈值自动求解的开集条件下毫米波雷达点云步态识别方法。在点云特征提取的基础上，结合对潜在未知类相似度得分分布的先验认知，设计了一种伪开放环境训练策略来学习相似度预测网络，提升相似度得分空间中已知类别与未知类别的鉴别性；最后，阈值自动求解模块通过极值理论对相似度得分的极值分布进行概率拟合，并通过最小虚警与漏检准则实现未知类拒判阈值的准确求解。基于实测毫米波雷达点云数据的实验结果表明了所提方法在开集条件下具有良好的识别稳健性。
现有的雷达步态识别方法多局限于闭集设置，即假设测试阶段的所有身份类别均已包含在模板库中，不适用于库内已知身份类别和库外未知新身份类别共存的真实开放识别环境。针对非完备身份类别模板库条件下的步态识别问题，该文提出一种结合相似度预测和阈值自动求解的开集条件下毫米波雷达点云步态识别方法。在点云特征提取的基础上，结合对潜在未知类相似度得分分布的先验认知，设计了一种伪开放环境训练策略来学习相似度预测网络，提升相似度得分空间中已知类别与未知类别的鉴别性；最后，阈值自动求解模块通过极值理论对相似度得分的极值分布进行概率拟合，并通过最小虚警与漏检准则实现未知类拒判阈值的准确求解。基于实测毫米波雷达点云数据的实验结果表明了所提方法在开集条件下具有良好的识别稳健性。
2025,
47(6):
1864-1872. doi: 10.11999/JEIT240991
摘要:
智能反射表面(IRS)可以在一定程度上重构无线信道，在提升无线通信系统安全性方面具有较大潜力。然而，无线通信系统引入IRS进行安全辅助的同时，也引入了与IRS自身相关的安全问题。如果IRS的实时码本遭到恶意用户窃取，恶意用户可以推测出基站(BS)至IRS的波束方向，从而对其他合法接入的用户实施高效而隐蔽的窃听。该文首先提出根据窃取到的实时码本推测BS-IRS波束方向的方法。随后，针对这种码本攻击提出码本伪装方法，即部分IRS单元仅有相位，但并不辐射能量，属于未被激活的状态，其余IRS单元正常工作，属于激活态。伪装后的码本可以误导窃听者对BS-IRS信道的波束方向作出误判。为了确定伪装码本的拓扑结构和相位配置，该文采用了分割排序算法(DaS)和禁忌搜索算法(TS)，使得伪装码本的保密速率最大。实验结果表明，所提码本伪装方法能有效误导恶意用户，使其在窃听方向上的信号增益近似为0。
智能反射表面(IRS)可以在一定程度上重构无线信道，在提升无线通信系统安全性方面具有较大潜力。然而，无线通信系统引入IRS进行安全辅助的同时，也引入了与IRS自身相关的安全问题。如果IRS的实时码本遭到恶意用户窃取，恶意用户可以推测出基站(BS)至IRS的波束方向，从而对其他合法接入的用户实施高效而隐蔽的窃听。该文首先提出根据窃取到的实时码本推测BS-IRS波束方向的方法。随后，针对这种码本攻击提出码本伪装方法，即部分IRS单元仅有相位，但并不辐射能量，属于未被激活的状态，其余IRS单元正常工作，属于激活态。伪装后的码本可以误导窃听者对BS-IRS信道的波束方向作出误判。为了确定伪装码本的拓扑结构和相位配置，该文采用了分割排序算法(DaS)和禁忌搜索算法(TS)，使得伪装码本的保密速率最大。实验结果表明，所提码本伪装方法能有效误导恶意用户，使其在窃听方向上的信号增益近似为0。
2025,
47(6):
1873-1884. doi: 10.11999/JEIT240960
摘要:
非视距(NLOS)误差是限制超宽带定位准度的一个重要因素，快速准确识别出NLOS信号成为提高超宽带定位准度的前提。该文基于信道冲激响应提出了一种新型信号特征参数：直达路径(DP)信号残差，与文献提出的9个典型波形特征参数组合成不同的特征组合用于表征信号，基于此，为了使识别方法兼具样本获取成本低、环境适应能力好的特点，该文以构建在单个环境下采集单类信号数据作为分类模型的训练样本，在识别其它场景NLOS信号中有更好性能的方法为目的，设计了一种带DP信号残差训练的支持向量数据描述(SVDD)的识别方法。为了进一步提高识别准确率，将基于多层神经网络的深度特征提取技术引入SVDD中，设计了一种基于反向扩维的深度支持向量数据描述(DSVDD)的NLOS信号识别方法。实验结果表明：带DP信号残差训练的 DSVDD方法只需在单个场景采集单类信号样本，且在训练集和测试集采集自不同场景时实现了 85%以上的准确率，较只使用典型波形特征训练的SVDD提升了10%以上。
非视距(NLOS)误差是限制超宽带定位准度的一个重要因素，快速准确识别出NLOS信号成为提高超宽带定位准度的前提。该文基于信道冲激响应提出了一种新型信号特征参数：直达路径(DP)信号残差，与文献提出的9个典型波形特征参数组合成不同的特征组合用于表征信号，基于此，为了使识别方法兼具样本获取成本低、环境适应能力好的特点，该文以构建在单个环境下采集单类信号数据作为分类模型的训练样本，在识别其它场景NLOS信号中有更好性能的方法为目的，设计了一种带DP信号残差训练的支持向量数据描述(SVDD)的识别方法。为了进一步提高识别准确率，将基于多层神经网络的深度特征提取技术引入SVDD中，设计了一种基于反向扩维的深度支持向量数据描述(DSVDD)的NLOS信号识别方法。实验结果表明：带DP信号残差训练的 DSVDD方法只需在单个场景采集单类信号样本，且在训练集和测试集采集自不同场景时实现了 85%以上的准确率，较只使用典型波形特征训练的SVDD提升了10%以上。
2025,
47(6):
1885-1895. doi: 10.11999/JEIT240834
摘要:
高速网络中的流量测量在许多实际应用中起着至关重要的作用。在有限的内存资源下，Sketch能够保持良好的精度和较高的吞吐量，因此在流量测量中得到了广泛应用。然而，大多数现有的Sketch忽略了流之间的优先级差异。优先级敏感Sketch是一种新兴的Sketch，旨在为不同优先级的流量提供不同的测量精度。目前已有的优先级敏感Sketch很难在处理速度与高优先级测量精度之间取得良好平衡。为此，该文提出EssentialKeeper算法，该算法结合优先级敏感哈希与布谷鸟哈希的优势。优先级敏感哈希通过差异化处理不同优先级的流，确保大量低优先级流能够得到快速处理；布谷鸟哈希则最大限度地将高优先级流信息记录在高优先级部分，从而在保持高优先级流的高测量精度的同时，维持较高的吞吐量。在真实数据集上进行了大量的实验，实验结果表明，与最先进的优先级敏感Sketch相比，EssentialKeeper在高优先级流上的准确率平均提高58.5%，F1分数平均提高13.3%，同时可保证较高的吞吐量。
高速网络中的流量测量在许多实际应用中起着至关重要的作用。在有限的内存资源下，Sketch能够保持良好的精度和较高的吞吐量，因此在流量测量中得到了广泛应用。然而，大多数现有的Sketch忽略了流之间的优先级差异。优先级敏感Sketch是一种新兴的Sketch，旨在为不同优先级的流量提供不同的测量精度。目前已有的优先级敏感Sketch很难在处理速度与高优先级测量精度之间取得良好平衡。为此，该文提出EssentialKeeper算法，该算法结合优先级敏感哈希与布谷鸟哈希的优势。优先级敏感哈希通过差异化处理不同优先级的流，确保大量低优先级流能够得到快速处理；布谷鸟哈希则最大限度地将高优先级流信息记录在高优先级部分，从而在保持高优先级流的高测量精度的同时，维持较高的吞吐量。在真实数据集上进行了大量的实验，实验结果表明，与最先进的优先级敏感Sketch相比，EssentialKeeper在高优先级流上的准确率平均提高58.5%，F1分数平均提高13.3%，同时可保证较高的吞吐量。
2025,
47(6):
1896-1910. doi: 10.11999/JEIT240936
摘要:
移动群智感知是收集数据的重要手段之一，其中一个基本的问题就是如何从众多质量不同的感知数据中发现“真值”。为解决真值发现过程中可能存在的隐私泄露问题，现有方法通常结合本地差分隐私技术来对工人提交数据进行保护。然而这些方法往往没有充分考虑到数据中存在的表示工人质量的高斯噪音对噪音“真值”的准确度带来的负面影响。此外，直接采用拉普拉斯机制进行隐私保护会由于拉普拉斯分布的随机性和无界性导致大量噪音注入。为解决上述问题，该文提出一种基于混合分布的本地差分隐私真值发现算法(MOON)。该算法结合了工人质量的高斯噪音和隐私保护的拉普拉斯噪音，通过优化混合噪音模型，设计求解算法以提高“真值”精度。理论分析表明，MOON在保证隐私保护的同时，具有较低的计算和通信复杂度。在两个真实数据集上实验结果表明，相对于最新成果，在增加较少计算开销的前提下，MOON在求得的“真值”精度上提高了20%。
移动群智感知是收集数据的重要手段之一，其中一个基本的问题就是如何从众多质量不同的感知数据中发现“真值”。为解决真值发现过程中可能存在的隐私泄露问题，现有方法通常结合本地差分隐私技术来对工人提交数据进行保护。然而这些方法往往没有充分考虑到数据中存在的表示工人质量的高斯噪音对噪音“真值”的准确度带来的负面影响。此外，直接采用拉普拉斯机制进行隐私保护会由于拉普拉斯分布的随机性和无界性导致大量噪音注入。为解决上述问题，该文提出一种基于混合分布的本地差分隐私真值发现算法(MOON)。该算法结合了工人质量的高斯噪音和隐私保护的拉普拉斯噪音，通过优化混合噪音模型，设计求解算法以提高“真值”精度。理论分析表明，MOON在保证隐私保护的同时，具有较低的计算和通信复杂度。在两个真实数据集上实验结果表明，相对于最新成果，在增加较少计算开销的前提下，MOON在求得的“真值”精度上提高了20%。
2025,
47(6):
1911-1926. doi: 10.11999/JEIT240997
摘要:
格基属性加密方案兼具了格密码抵抗量子计算攻击的优势和属性基加密细粒度访问控制灵活授权的优势，是格密码研究的热点。已有的基于带误差学习问题/环上带误差学习问题(LWE/RLWE)的格基属性加密方案存在不支持叛逆者追踪与撤销的问题，即当解密密钥泄露时，无法准确确认用户的身份并及时撤销该叛逆用户，此外，访问策略中的属性可能会暴露敏感信息，需要对用户属性隐私进行保护。针对上述问题，该文基于2022 年国际密码学顶刊(JoC)上提出的循环代数LWE(CLWE)问题，提出一种支持叛逆用户追踪与撤销，并同时保护属性隐私的格基属性加密方案。该方案通过将用户唯一身份信息全局标识(GID)与完全二叉树的叶子节点值绑定，并根据解密密钥中的GID跟踪恶意用户，进而通过更新撤销列表和密文，实现叛逆者的追踪和撤销；另外，通过利用2维(属性标签，属性值)属性结构代替传统的1维(属性值)属性结构，并结合半访问策略结构和循环代数上的扩展型Shamir门限秘密共享方案，对用户的属性值进行隐藏，进而防止用户属性隐私泄露；最后，该方案在标准模型中被证明是安全的。性能分析表明，与其他相关格基属性加密方案相比，该方案的系统公钥尺寸、密文尺寸、平均意义下的密文膨胀率较小，且支持叛逆者的追踪撤销和属性隐私保护。
格基属性加密方案兼具了格密码抵抗量子计算攻击的优势和属性基加密细粒度访问控制灵活授权的优势，是格密码研究的热点。已有的基于带误差学习问题/环上带误差学习问题(LWE/RLWE)的格基属性加密方案存在不支持叛逆者追踪与撤销的问题，即当解密密钥泄露时，无法准确确认用户的身份并及时撤销该叛逆用户，此外，访问策略中的属性可能会暴露敏感信息，需要对用户属性隐私进行保护。针对上述问题，该文基于2022 年国际密码学顶刊(JoC)上提出的循环代数LWE(CLWE)问题，提出一种支持叛逆用户追踪与撤销，并同时保护属性隐私的格基属性加密方案。该方案通过将用户唯一身份信息全局标识(GID)与完全二叉树的叶子节点值绑定，并根据解密密钥中的GID跟踪恶意用户，进而通过更新撤销列表和密文，实现叛逆者的追踪和撤销；另外，通过利用2维(属性标签，属性值)属性结构代替传统的1维(属性值)属性结构，并结合半访问策略结构和循环代数上的扩展型Shamir门限秘密共享方案，对用户的属性值进行隐藏，进而防止用户属性隐私泄露；最后，该方案在标准模型中被证明是安全的。性能分析表明，与其他相关格基属性加密方案相比，该方案的系统公钥尺寸、密文尺寸、平均意义下的密文膨胀率较小，且支持叛逆者的追踪撤销和属性隐私保护。
2025,
47(6):
1927-1936. doi: 10.11999/JEIT240872
摘要:
神经发育障碍疾病患者的精准分类是医学领域的一项重要挑战，对于疾病诊断和指导治疗至关重要。然而，现有基于图卷积网络(GCNs)的方法通常采用单一分辨率空间特征，忽视了多分辨率下的空间信息以及时间信息。为了克服上述局限性，该文提出一种多分辨率时空融合图卷积网络(MSTF-GCN)。在多个分辨率空间下构建多个大脑功能连通性网络，使用支持向量机-递归特征消除提取最优空间特征。为了保留全局时间信息并使网络具有捕获信号不同层次变化的能力，将全局时间信号及其差分信号输入到时间卷积网络中学习复杂时间维度的依赖关系，提取时间特征。结合时空信息构建群体图，利用多通道图卷积网络灵活地融合不同分辨率的群体图数据，最后融入非成像数据信息生成有效的多通道多类型时空融合分类特征，有效提升了MSTF-GCN模型的分类性能。将MSTF-GCN应用于注意力缺陷多动障碍(ADHD)患者分类识别，在ADHD-200数据集两个成像站点上的分类准确率分别达到了75.92%和82.95%，实验结果优于已有的流行算法，验证了MSTF-GCN的有效性。
神经发育障碍疾病患者的精准分类是医学领域的一项重要挑战，对于疾病诊断和指导治疗至关重要。然而，现有基于图卷积网络(GCNs)的方法通常采用单一分辨率空间特征，忽视了多分辨率下的空间信息以及时间信息。为了克服上述局限性，该文提出一种多分辨率时空融合图卷积网络(MSTF-GCN)。在多个分辨率空间下构建多个大脑功能连通性网络，使用支持向量机-递归特征消除提取最优空间特征。为了保留全局时间信息并使网络具有捕获信号不同层次变化的能力，将全局时间信号及其差分信号输入到时间卷积网络中学习复杂时间维度的依赖关系，提取时间特征。结合时空信息构建群体图，利用多通道图卷积网络灵活地融合不同分辨率的群体图数据，最后融入非成像数据信息生成有效的多通道多类型时空融合分类特征，有效提升了MSTF-GCN模型的分类性能。将MSTF-GCN应用于注意力缺陷多动障碍(ADHD)患者分类识别，在ADHD-200数据集两个成像站点上的分类准确率分别达到了75.92%和82.95%，实验结果优于已有的流行算法，验证了MSTF-GCN的有效性。
2025,
47(6):
1937-1949. doi: 10.11999/JEIT240633
摘要:
多视图可以全面表征3维模型的视觉特性以及潜在的空间结构信息，但现有方法容易忽视不同视图间的差异性和互补性。针对上述问题，该文提出一种基于中心锚困难3元组损失和多视图特征融合的3维模型分类方法。首先，以3维模型的多视图集为输入，利用深度残差收缩网络(DRSN)提取视图特征并融合2维形状分布特征D1, D2和D3得到视图融合特征；其次，根据3维模型视图融合特征，通过香农熵来衡量视图分类的不确定性，并将3维模型的多视图按视图显著性由高到低排序；然后，搭建基于注意力-长短期记忆网络(Att-LSTM)的3元组多视图特征融合网络，利用LSTM学习多视图之间的上下文信息，并融入多头注意力机制充分捕捉多视图间的相关信息；最后，引入度量学习并提出了一种新颖的中心锚困难3元组损失(CAH Triplet Loss)，并联合交叉熵损失(CE Loss)来优化多视图特征融合网络，减小同类样本、增大异类样本在特征空间上的距离，加强网络对3维模型区分性特征的学习。实验表明：该方法在3维模型数据集ModelNet10上的分类准确率达到93.83%，分类性能突出。
多视图可以全面表征3维模型的视觉特性以及潜在的空间结构信息，但现有方法容易忽视不同视图间的差异性和互补性。针对上述问题，该文提出一种基于中心锚困难3元组损失和多视图特征融合的3维模型分类方法。首先，以3维模型的多视图集为输入，利用深度残差收缩网络(DRSN)提取视图特征并融合2维形状分布特征D1, D2和D3得到视图融合特征；其次，根据3维模型视图融合特征，通过香农熵来衡量视图分类的不确定性，并将3维模型的多视图按视图显著性由高到低排序；然后，搭建基于注意力-长短期记忆网络(Att-LSTM)的3元组多视图特征融合网络，利用LSTM学习多视图之间的上下文信息，并融入多头注意力机制充分捕捉多视图间的相关信息；最后，引入度量学习并提出了一种新颖的中心锚困难3元组损失(CAH Triplet Loss)，并联合交叉熵损失(CE Loss)来优化多视图特征融合网络，减小同类样本、增大异类样本在特征空间上的距离，加强网络对3维模型区分性特征的学习。实验表明：该方法在3维模型数据集ModelNet10上的分类准确率达到93.83%，分类性能突出。
2025,
47(6):
1950-1965. doi: 10.11999/JEIT241003
摘要:
传统的鱼道(FP)监测系统为鱼类迁徙研究和水生生态保护提供了基础数据，但仍面临诸如数据处理繁琐、监测覆盖范围有限以及易受环境因素干扰等问题。为此，该文提出层次网络鱼道监测系统(HNFMS)，旨在减轻水坝建设对鱼类迁徙的负面影响，提升鱼道的生态功能。为确保该系统的高效应用，并促进鱼道生物多样性的保护，该文进一步开发了基于辅助序列的多任务学习模型——自适应序列自组织映射变换(AS-SOMVT)。该模型用于鱼道水位的实时、多维度预测，能够有效应对复杂环境下的水位变化。仿真结果表明，所提方法相较于传统预测模型在水位预测的准确性和稳定性方面具有显著提升，能够为生态保护和鱼道水资源管理提供更为精确的支持。
传统的鱼道(FP)监测系统为鱼类迁徙研究和水生生态保护提供了基础数据，但仍面临诸如数据处理繁琐、监测覆盖范围有限以及易受环境因素干扰等问题。为此，该文提出层次网络鱼道监测系统(HNFMS)，旨在减轻水坝建设对鱼类迁徙的负面影响，提升鱼道的生态功能。为确保该系统的高效应用，并促进鱼道生物多样性的保护，该文进一步开发了基于辅助序列的多任务学习模型——自适应序列自组织映射变换(AS-SOMVT)。该模型用于鱼道水位的实时、多维度预测，能够有效应对复杂环境下的水位变化。仿真结果表明，所提方法相较于传统预测模型在水位预测的准确性和稳定性方面具有显著提升，能够为生态保护和鱼道水资源管理提供更为精确的支持。
2025,
47(6):
1966-1975. doi: 10.11999/JEIT240778
摘要:
在人机交互的闲聊型对话中，准确理解用户多模态意图有助于机器为用户提供智能高效的聊天服务。当前的用户多模态意图识别方法面临着跨模态信息交互性与模型不确定性的挑战。该文提出一种基于Transformer的可信多模态意图识别方法。考虑用户意图表达时的文本、视频和音频等数据的异质性，通过模块特定编码模块，生成单模态特征视图；为了捕捉跨模态间的互补性和长距离依赖性，通过跨模态交互模块，生成跨模态特征视图；为了降低模型的不确定性，设计一个多视图可信融合模块，考虑每个视图的可信度进行主观意见的动态融合，基于主观意见的Dirichlet分布，设计一种组合优化策略进行模型训练。最后在多模态意图识别数据集MIntRec上进行实验。实验结果表明，与基线模型相比，该文方法在准确率和召回率上分别提升了1.73%和1.1%。该方法不仅能够提升多模态意图识别的效果，而且能够对每个视图预测结果的可信度进行度量，提高模型的可解释性。
在人机交互的闲聊型对话中，准确理解用户多模态意图有助于机器为用户提供智能高效的聊天服务。当前的用户多模态意图识别方法面临着跨模态信息交互性与模型不确定性的挑战。该文提出一种基于Transformer的可信多模态意图识别方法。考虑用户意图表达时的文本、视频和音频等数据的异质性，通过模块特定编码模块，生成单模态特征视图；为了捕捉跨模态间的互补性和长距离依赖性，通过跨模态交互模块，生成跨模态特征视图；为了降低模型的不确定性，设计一个多视图可信融合模块，考虑每个视图的可信度进行主观意见的动态融合，基于主观意见的Dirichlet分布，设计一种组合优化策略进行模型训练。最后在多模态意图识别数据集MIntRec上进行实验。实验结果表明，与基线模型相比，该文方法在准确率和召回率上分别提升了1.73%和1.1%。该方法不仅能够提升多模态意图识别的效果，而且能够对每个视图预测结果的可信度进行度量，提高模型的可解释性。
2025,
47(6):
1976-1991. doi: 10.11999/JEIT240928
摘要:
早期阶段火灾的目标较小，且易受到遮挡、类火物体的干扰。Faster RCNN, YOLO等火灾检测模型因参数量过大导致推理速度较慢，无法满足实时检测；早期火灾边缘和颜色特征在模型中丢失，造成检测精度较低。针对上述问题，该文提出了一种粗细粒度搜索与焦点调制的早期阶段火灾识别模型CFS-YOLO。通过粗粒度搜索优化特征提取网络，最大化提高推理速度，细粒度搜索用于获取早期火灾的边缘和颜色信息，避免特征信息丢失。采用焦点调制注意力机制，精准地处理关键信息，有效减少干扰。引入一种新型损失函数ShapeIoU，以进一步提高模型收敛速度和检测准确性。在真实火灾场景数据集下的实验结果表明，CFS-YOLO的检测精度和召回率分别达到了98.23%和98.76%。相较于基准模型，所提出的CFS-YOLO参数量降低14.7M，精度、召回率和F1分别提高13.33%, 4.96%和9.36%，fps达到75，验证了CFS-YOLO在满足高精度的同时，达到了较高的推理速度，实现了实时检测。与一系列主流模型相比，该文模型的检测精度和速度均表现出优异性能。
早期阶段火灾的目标较小，且易受到遮挡、类火物体的干扰。Faster RCNN, YOLO等火灾检测模型因参数量过大导致推理速度较慢，无法满足实时检测；早期火灾边缘和颜色特征在模型中丢失，造成检测精度较低。针对上述问题，该文提出了一种粗细粒度搜索与焦点调制的早期阶段火灾识别模型CFS-YOLO。通过粗粒度搜索优化特征提取网络，最大化提高推理速度，细粒度搜索用于获取早期火灾的边缘和颜色信息，避免特征信息丢失。采用焦点调制注意力机制，精准地处理关键信息，有效减少干扰。引入一种新型损失函数ShapeIoU，以进一步提高模型收敛速度和检测准确性。在真实火灾场景数据集下的实验结果表明，CFS-YOLO的检测精度和召回率分别达到了98.23%和98.76%。相较于基准模型，所提出的CFS-YOLO参数量降低14.7M，精度、召回率和F1分别提高13.33%, 4.96%和9.36%，fps达到75，验证了CFS-YOLO在满足高精度的同时，达到了较高的推理速度，实现了实时检测。与一系列主流模型相比，该文模型的检测精度和速度均表现出优异性能。
2025,
47(6):
1992-2004. doi: 10.11999/JEIT240975
摘要:
针对现有融合算法在处理多源数据时未能充分结合纹理细节和色彩强度信息的问题，该文提出一种去噪扩散模型驱动的红外-可见光图像融合方法。所提方法通过去噪扩散网络提取多尺度空时特征，并结合高频特征增强红外图像边缘信息，利用双向多尺度卷积模块和双向注意力融合模块确保全局信息的充分利用和局部细节的精确捕捉。同时，模型采用自适应结构相似性损失、多通道强度损失和多通道纹理损失对网络进行优化，增强结构一致性，平衡图像色彩和纹理信息的分布。实验结果表明，与现有方法相比，所提方法可有效地保留源图像的纹理、色彩和特征信息，融合效果更符合人类视觉感知。
针对现有融合算法在处理多源数据时未能充分结合纹理细节和色彩强度信息的问题，该文提出一种去噪扩散模型驱动的红外-可见光图像融合方法。所提方法通过去噪扩散网络提取多尺度空时特征，并结合高频特征增强红外图像边缘信息，利用双向多尺度卷积模块和双向注意力融合模块确保全局信息的充分利用和局部细节的精确捕捉。同时，模型采用自适应结构相似性损失、多通道强度损失和多通道纹理损失对网络进行优化，增强结构一致性，平衡图像色彩和纹理信息的分布。实验结果表明，与现有方法相比，所提方法可有效地保留源图像的纹理、色彩和特征信息，融合效果更符合人类视觉感知。
2025,
47(6):
2005-2014. doi: 10.11999/JEIT240977
摘要:
在日益复杂的电磁环境中，卫星导航信号极易受到欺骗干扰，因此有必要对欺骗干扰进行检测。针对多种欺骗干扰场景下，单一参数欺骗检测方法不通用、不够鲁棒的问题，该文提出了一种基于门控机制的并行CNN-Transformer神经网络(PCTN)的多参数欺骗干扰信号检测算法，用于检测接收机是否受到欺骗信号的干扰。该算法考虑了欺骗干扰在跟踪阶段对接收机各参数的影响，并从中提取出多个特征信息组成多维时间序列。对序列进行预处理后，利用PCTN网络提取序列的时间前后联系和多个维度上的特征信息。实验结果表明，所提算法在TEXBAT数据集以及实采数据集上分别取得了99%和94.5%以上的总体检测率，能够有效提升多场景下欺骗干扰检测算法的通用性和泛化性。
在日益复杂的电磁环境中，卫星导航信号极易受到欺骗干扰，因此有必要对欺骗干扰进行检测。针对多种欺骗干扰场景下，单一参数欺骗检测方法不通用、不够鲁棒的问题，该文提出了一种基于门控机制的并行CNN-Transformer神经网络(PCTN)的多参数欺骗干扰信号检测算法，用于检测接收机是否受到欺骗信号的干扰。该算法考虑了欺骗干扰在跟踪阶段对接收机各参数的影响，并从中提取出多个特征信息组成多维时间序列。对序列进行预处理后，利用PCTN网络提取序列的时间前后联系和多个维度上的特征信息。实验结果表明，所提算法在TEXBAT数据集以及实采数据集上分别取得了99%和94.5%以上的总体检测率，能够有效提升多场景下欺骗干扰检测算法的通用性和泛化性。
2025,
47(6):
2015-2022. doi: 10.11999/JEIT241008
摘要:
高性能微机电系统电场传感器是大气电场及非接触电压测量的核心部件，模态局域化效应可显著提升传感器的分辨力等性能，是电场传感器的重要发展方向。然而，基于弱耦合的谐振系统在品质因子较低时会出现模态混叠现象，难以读取有效振幅信息。该文提出一种高品质因子的新型模态局域化MEMS电场传感结构，采用双端音叉设计和T形系绳固定锚点的结构以减少能量损耗，实现了高品质因子和高分辨力，有效避免了模态混叠现象。对该结构进行了理论分析和数值模拟，制备了传感器原理样机，在\begin{document}$ {10}^{-3}\;\mathrm{P}\mathrm{a} $\end{document} \begin{document}$ 32\;(\mathrm{V}/\mathrm{m})/\sqrt {\mathrm{H}\mathrm{z}} $\end{document}
高性能微机电系统电场传感器是大气电场及非接触电压测量的核心部件，模态局域化效应可显著提升传感器的分辨力等性能，是电场传感器的重要发展方向。然而，基于弱耦合的谐振系统在品质因子较低时会出现模态混叠现象，难以读取有效振幅信息。该文提出一种高品质因子的新型模态局域化MEMS电场传感结构，采用双端音叉设计和T形系绳固定锚点的结构以减少能量损耗，实现了高品质因子和高分辨力，有效避免了模态混叠现象。对该结构进行了理论分析和数值模拟，制备了传感器原理样机，在
