本文通过分析和比较同相和反相放大器En-In噪声的特点,给出了若干新结果。本文方法在低噪声运放电路设计和运放噪声参数提取中都具有十分重要的意义。

该文利用双平行线阵的阵列结构,提出了用于非圆信号二维方向和初相联合估计的扩展MUSIC(EN-MUSIC)算法。EN-MUSIC算法估计得到的方位角、俯仰角与初相一一对应,自动配对,其可测向信号数大于子阵阵元数,方位及俯仰测角精度与非圆信号二维测向酉ESPRIT(2D-NC-UESPRIT)算法大致相当,优于波达方向矩阵法(DOAM)。

密码学意义上强的序列不仅应该具有足够高的线性复杂度,而且当少量比特发生改变时不会引起线性复杂度的急剧下降,即具有高的-错复杂度.该文以多项式的因式分解为主要工具研究了任意有限域GF(q)上,周期N与p互素以及N=v这两种情况下,计数函数NN,0(c)的值,并给出了线性复杂度的数学期望EN,0的值以及-错复杂度的数学期望EN,的一个有用的下界,这里p是有限域GF(q)的特征.

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%。

基于视觉采样原理，该文提出了一般化的视觉采样聚类方法VSC。该方法将视觉原理与著名的Weber定律结合起来，其特点是：对聚类初始条件不敏感；Weber定律提供了新的聚类有效性标准，并且该方法所得到的合理的聚类数可以依据Weber定律而得到。大量的实验结果表明了算法VSC的有效性。文中讨论了算法VSC与由Yang Miin-Shen等人(2004)新近提出的基于相似度量的聚类算法SCA之间的内在联系，得出了这两个算法具有一定的同解性质，从而揭示了该文所提方法VSC能够有效地克服算法SCA中参数 不易确定的困难。

为克服多重代理签名方案中无法确认谁是真正签名者的弱点，Sun于1999年提出了不可否认的代理签名方案。2000年Hwang等人指出Sun的方案不安全，并对Sun的方案进行了改进，2004年 Tzeng, Tan, Yang各自对Hwang等人的方案进行了安全性分析，指出Hwang方案容易受到内部伪造攻击。该文通过让原始签名组与代理签名组互动来实现秘密共享和密钥分配的方法，设计了一种新的安全的多重代理、多重签名方案，它能够满足不可否认性和不可伪造性的要求。

Gu-Zhang-Yang(2005)提出了一个不需要可信第三方参与的匿名代理签名方案，由于该方案的签名验证数据中没有回避孤悬因子这一现象，因此并不满足强不可伪造性，原始签名人可以伪造一个有效的代理签名通过验证，并成功地在代理签名者身份揭示阶段向公众证明该伪造的代理签名是由合法的代理签名者产生的。本文在分析该方案安全性的基础上提出了改进的匿名代理签名方案，克服了原方案的不足。

由于数据量激增而引起的信息爆炸使得传统集中式云计算不堪重负，边缘计算网络(ECN)被提出以减轻云服务器的负担。此外，在ECN中启用联邦学习(FL)，可以实现数据本地化处理，从而有效解决协同学习中边缘节点(ENs)的数据安全问题。然而在传统FL架构中，中央服务器容易受到单点攻击，导致系统性能下降，甚至任务失败。本文在ECN场景下，提出基于区块链技术的异步FL算法(AFLChain)，该算法基于ENs算力动态分配训练任务，以提高学习效率。此外，基于ENs算力、模型训练进度以及历史信誉值，引入熵权信誉机制评估ENs积极性并对其分级，淘汰低质EN以进一步提高AFLChain的性能。最后，提出基于次梯度的最优资源分配(SORA)算法，通过联合优化传输功率和计算资源分配以最小化整体网络延迟。仿真结果展示了AFLChain的模型训练效率以及SORA算法的收敛情况，证明了所提算法的有效性。