论文研究了新近提出的Liu混沌系统(2004)的模糊反馈同步方法。Liu混沌系统结构不同于以往的连续混沌系统，本文基于T-S(Takagi-Sugeno)模糊模型重构了Liu混沌系统；然后用Lyapunov理论和反馈同步的思想推导了两个重构的Liu系统同步的稳定性条件，并给出了误差系统以衰减率全局渐近稳定的充分条件；最后基于LMI方法进行了仿真实验。良好的仿真结果验证了本文算法的有效性和快速性。

微支付交易具有交易量极大且单次交易额极小的特点，使得复杂的认证协议不适用于微支付。Micali等人(2002)提出的基于概率选择微支付方案，把微支付聚合成宏支付，大幅提高了微支付的效率。Liu-Yan在(2013)提出了保证所有参与者的数据融入概率选择结果的生成, 而且使得所有参与者可以验证结果的公平性。然而，Liu-Yan方案中银行可能获得额外利益，从而破坏了协议的公平性。该文首先分析了Liu-Yan方案的安全威胁，并且以1个用户-1个商家的模型代替Liu-Yan方案中大量用户-1个商家的模型，以数据承诺技术为基础保障结果的公平性与可验证性。

对通信系统中大量使用的BPSK等非圆信号测向，可以采用共轭扩展MUSIC(CE-MUSIC)算法，也可以采用基于四阶累积量的MUSIC-like算法。CE-MUSIC算法没有利用高阶信息，MUSIC-like算法没有利用信号的非圆信息，性能均受限。该文提出的四阶扩展MUSIC(FO-EMUSIC)算法利用了非圆信号在四阶累积量中的信息，分辨力和测角精度明显优于MUSIC-like算法，略优于CE-MUSIC算法，可测向阵元数大于CE-MUSIC算法和MUSIC-like算法。针对均布线阵，为减小计算量，还提出了FO-EMUSIC/ULA算法。仿真实验验证了FO-EMUSIC算法的优良性能。

该文把Asharif(1999)定义的相关函数均方误差(MSE)准则Jr(n)=E「eT(n)Ce(n)」改为时变的遗忘因子指数加权最小二乘误差(LSE)准则Jr(n)=nt=0 n-teT(n)Ce(n),对这一准则利用梯度法,使当前时刻的梯度向量正交于前一时刻的梯度向量而得到一种新的相关函数自适应滤波算法.计算机仿真结果表明新算法的收敛性能优于Asharif提出的ECLMS算法.

该文推广了Liu Fang等人(2010)给出的周期为pn, p为奇素数，n为正整数的广义分圆序列的构造，并确定了新构造序列的线性复杂度和自相关函数值的分布。结果表明，推广的构造保持了原构造的高线性复杂度等伪随机特性。由于取值更灵活，较之原构造新构造序列的数量要大得多。

通过对Zhang-Liu-He (2006)，Gan-Chen (2004)和Wang-Zhang-Ma (2007)提出的可转换环签名方案进行分析，指出了这几个可转换环签名方案存在可转换性攻击或不可否认性攻击，即，环中的任何成员都能宣称自己是实际签名者或冒充别的成员进行环签名。为防范这两种攻击，对这几个可转换环签名方案进行了改进，改进后的方案满足可转换环签名的安全性要求。

形状特征是MPEG7中用来描述图像的重要特征之一。同心离散圆簇(Cluster of Concentric Discrete Circles, CCDC)形状特征提取方法具有特征提取速度快的优点。但该方法的特征函数使用圆环弧段的方差作为特征，由于内外环的离散点数不同，使得内外环的特征值变化范围不同，会产生特征掩盖现象。针对上述问题，该文对特征函数进行了重新设计，利用弧段的相对弧长或段数作为特征，将每一环的特征用4个子特征来描述，并将每一个特征值归一化为0~1范围内，提取过程比原来更简单，特征提取速度更快。改进后的新方法命名为改进的CCDC (Improved CCDC, ICCDC)。该文采用了MPEG7-CE1-B标准形状数据库进行测试，评价指标采用Precision-Recall曲线。实验表明，ICCDC比CCDC在性能方面有显著的提升，检索精度比原来提高了约50%，提取MPEG7-CE1-B图形库中所有图形特征所用的计算时间比原来减少了约25 ms。

针对机载聚束合成孔径雷达(SAR)惯导精度无法满足高分辨SAR成像的问题，该文提出了一种结合极坐标格式算法(PFA)的自聚焦算法，即由粗到精的混合多阶段参数化最小熵(Hybrid Multistage Parameterized Minimum Entropy, HMPME)距离单元徙动校正方法和基于图像对比度增强(Contrast Enhancement, CE)的变步长迭代相位误差校正方法。该自聚焦算法可以直接嵌入到PFA处理中，精确地补偿了惯导测量精度不足引起的越距离单元徙动(Range Cell Migration, RCM)和相位误差，且对于低对比度、低信噪比场景数据有良好的聚焦性能。最后，利用仿真实验和实测机载聚束SAR数据验证了所提算法的有效性。

针对脑出血CT图像病灶部位的多尺度性导致分割精度较低的问题，该文提出一种基于改进U型神经网络的图像分割模型(AU-Net+)。首先，该模型利用U-Net中的编码器对脑出血CT图像特征编码，将提出的残差八度卷积(ROC)块应用到U型神经网络的跳跃连接部分，使不同层次的特征更好地融合；其次，对融合后的特征，分别引入混合注意力机制，用以提高对目标区域的特征提取能力；最后，通过改进Dice损失函数进一步加强模型对脑出血CT图像中小目标区域的特征学习力度。为验证模型的有效性，在脑出血CT图像数据集上进行实验，同U-Net, Attention U-Net, UNet++以及CE-Net相比，mIoU指标分别提升了20.9%, 3.6%, 7.0%, 3.1%，表明AU-Net+模型具有更好的分割效果。

在精密时频测控领域中，高分辨率、无死区的时间间隔和频率测量非常关键，而时间数字转换器(Time to Digital Converter, TDC)是时间频率测量的常用手段。该文研制了基于ACAM公司生产的时间数字转换芯片TDC-GP21和Altera公司FPGA芯片EP4CE6E22C8N的时间频率测量设备，实现了高分辨率的时间间隔测量，测量分辨率达到13ps 。同时采用时间间隔测量模块两两组合的方式实现了无死区频率测量，创新性地采用每组3个TDC芯片，共4组搭建了时间频率测量系统，并对组内3个TDC芯片测量结果采用平均值滤波法，使频率测量稳定度达到$ 1.1 $×$ {10}^{-11} $@1 s, $ 5.6\times {10}^{-15} $@10000 s，与商用K+K FXE频率计数器指标相当。本设备具有体积小、无需校准、成本低等优点，能够广泛应用到高精度时间间隔和精密频率测量领域中。