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.

通过对Xu(2004)和Zhang(2004)提出的两种环签名方案进行分析，指出了这两种环签名方案都容易受到群成员改变攻击(group-changing attack)，并给出了攻击方法；另外，Zhang的方案还容易受到多已知签名存在伪造(multiple-known-signature existential forgery)攻击。为防范这两种攻击，对这两种环签名方案进行了改进，改进后的方案在最强的安全模型(Joseph, 2004提出)中仍是安全的。

针对目前图像隐写检测模型中线性卷积层对高阶特征表达能力有限，以及各通道特征图没有区分的问题，该文构建了一个基于多层感知卷积和通道加权的卷积神经网络(CNN)隐写检测模型。该模型使用多层感知卷积(Mlpconv)代替传统的线性卷积，增强隐写检测模型对高阶特征的表达能力；同时引入通道加权模块，实现根据全局信息对每个卷积通道赋予不同的权重，增强有用特征并抑制无用特征，增强模型提取检测特征的质量。实验结果表明，该检测模型针对不同典型隐写算法及不同嵌入率，相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的检测准确率，与最优的Zhu-Net相比，准确率提高1.95%～6.15%。

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。

针对物联网(IoTs)场景下，联邦学习(FL)过程中大量设备节点之间因冗余的梯度交互通信而带来的不可忽视的通信成本问题，该文提出一种阈值自适应的梯度通信压缩机制。首先，引用了一种基于边缘-联邦学习的高效通信(CE-EDFL)机制，其中边缘服务器作为中介设备执行设备端的本地模型聚合，云端执行边缘服务器模型聚合及新参数下发。其次，为进一步降低联邦学习检测时的通信开销，提出一种阈值自适应的梯度压缩机制(ALAG)，通过对本地模型梯度参数压缩，减少设备端与边缘服务器之间的冗余通信。实验结果表明，所提算法能够在大规模物联网设备场景下，在保障深度学习任务完成准确率的同时，通过降低梯度交互通信次数，有效地提升了模型整体通信效率。

为提升基于深度学习(DL)的合成孔径雷达自动目标识别(SAR ATR)系统在开放动态的非合作场景中对新类别目标的持续敏捷识别能力，该文研究了SAR ATR的小样本类增量学习(FSCIL)问题，并提出了自监督解耦动态分类器(SDDC)。针对FSCIL 中“灾难性遗忘”和“过拟合”本质难点和SAR ATR领域挑战，根据SAR图像目标信息的部件化与方位角敏感性特点，于图像域构建了基于散射部件混淆与旋转模块(SCMR)的自监督学习任务，以提升目标表征的泛化性与稳健性。同时，设计了类印记交叉熵(CI-CE)损失并以参数解耦学习(PDL)策略对模型动态微调，以对新旧知识平衡判别。实验在由MSTAR和SAR-AIRcraft-1.0数据集分别构建的覆盖多种目标类别、观测条件和成像平台的FSCIL场景上验证了该算法开放动态环境的适应能力。