相对于中值滤波而言,伪中值滤波具有计算快速等特点。通过引入负加权系数并使滤波窗口大小无奇偶限制,该文将原有的伪中值滤波扩展为具有负系数的加权伪中值滤波。基于Mallows样本选择概率理论,由FIR滤波器的脉冲响应来获得伪中值滤波器加权系数,使其具有和FIR滤波器一样的频率选择特性。仿真结果表明,本文提出的滤波方法在赋予了伪中值滤波频率选择特性的基础上,减小了计算量,保持了中值滤波所具有的优点,并且能够去除信号中高频的周期性干扰噪声。

该文定义了环R=F2+uF2+u2F2+u3F2到F42的一个新的Gray映射，其中u4=0。证明了R上长为n的(1+u+u2+u3)-循环码的Gray象是F2上长为4n的距离不变的线性循环码。进一步确定了R上奇长度的该常循环码的Gray象的生成多项式，并得到了一些最优的二元线性循环码。

该文介绍了一种性能优良的四元U型缝贴片天线阵。该阵面由一新型的宽带匹配网络馈电，能量通过地板上的馈电缝耦合到上面的U型缝贴片上。这种类型的天线阵可以在10.4-16.7GHz的频率内工作，阻抗带宽达46.5%，最大增益为15dBi，增益在13dBi以上的频率范围达30%，交叉极化电平在整个频带内均小于-18dB。

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。

针对甲状腺结节尺寸多变、超声图像中甲状腺结节边缘模糊导致难以分割的问题，该文提出一种基于改进U-net网络的甲状腺结节超声图像分割方法。该方法首先将图片经过有残差结构和多尺度卷积结构的编码器路径进行降尺度特征提取；然后，利用带有注意力模块的跳跃长连接部分对特征张量进行边缘轮廓保持操作；最后，使用带有残差结构和多尺度卷积结构的解码器路径得到分割结果。实验结果表明，该文所提方法的平均分割Dice值达到0.7822，较传统U-Net方法具有更优的分割性能。

结肠息肉的精确分割对结直肠癌的诊断和治疗具有重要意义，目前的分割方法普遍存在有伪影、分割精度低等问题。该文提出一种基于阶梯结构的U-Net结肠息肉分割算法(SU-Net)，使用U-Net的U型结构，利用Kronecker乘积来扩展标准空洞卷积核，构成Kronecker空洞卷积下采样有效扩大感受野，弥补传统空洞卷积容易丢失的细节特征；应用具有阶梯结构的融合模块，遵循扩展和堆叠原则形成阶梯状的分层结构，有效捕获上下文信息并从多个尺度聚合特征；在解码器引入卷积重构上采样模块生成密集的像素级预测图，捕获双线性插值上采样中缺少的精细信息。在Kvasir-SEG数据集和CVC-EndoSceneStill数据集上对模型进行了测试，相似系数(Dice)指标和交并比(IoU)指标分别达到了87.51%, 88.75%和82.30%, 85.64%。实验结果表明，该文所提方法改善了因过度曝光、低对比度引起的分割精度低的问题，同时消除了边界外部的图像伪影和图像内部不连贯的现象，优于其他息肉分割方法。

该文研究了环Rk=Fpm+uFpm++uk-1Fpm上任意长的(1+u)-常循环码的齐次距离分布。首先，介绍了环Rk上给定长度的(1+u)-常循环码的挠码。然后利用挠码得到环Rk上任意长度的(1+u)-常循环码的齐次距离的界，并给出了Rk上某些(1+u)-常循环码的齐次距离的准确值。

针对视网膜血管拓扑结构不规则、形态复杂和尺度变化多样的特点，该文提出一种多分辨率融合输入的U型网络(MFIU-Net)，旨在实现视网膜血管精准分割。设计以多分辨率融合输入为主干的粗略分割网络，生成高分辨率特征。采用改进的ResNeSt代替传统卷积，优化血管分割边界特征；将并行空间激活模块嵌入其中，捕获更多的语义和空间信息。构架另一U型精细分割网络，提高模型的微观表示和识别能力。一是底层采用多尺度密集特征金字塔模块提取血管的多尺度特征信息。二是利用特征自适应模块增强粗、细网络之间的特征融合，抑制不相关的背景噪声。三是设计面向细节的双重损失函数融合，以引导网络专注于学习特征。在眼底数据用于血管提取的数字视网膜图像(DRIVE)、视网膜结构分析(STARE)和儿童心脏与健康研究(CHASE_DB1)上进行实验，其准确率分别为97.00%, 97.47%和97.48%，灵敏度分别为82.73%, 82.86%和83.24%，曲线下的面积(AUC)值分别为98.74%, 98.90%和98.93%。其模型整体性能优于现有算法。

该文利用环同态理论，给出了环R=Fq+uFq++uk1Fq上任意长度N的所有(u1)-常循环码的生成元，是R的可逆元。证明了R[x]xN+1u是主理想环。给出了环R上任意长度N的(u1)-常循环码的计数。确定了环R上任意长度N的(u1)-常循环码的最高阶挠码的生成多项式，由此给出了环R上长度ps的所有(u1)-常循环码的汉明距离。

在高端智能安检系统研发中，如何使受检者在无接触正常行进过程中，对其实施人体是否携带隐匿违禁物的快速高效检测是具有挑战性的关键性技术。被动毫米波成像以其安全无害、穿透性强等突出优势而成为安检成像的热门选项。该文利用被动毫米波成像和可见光成像的优势互补，通过轻量级U-Net的深度学习，研究提出人体安检隐匿违禁物的高性能实时检测算法。首先构建和训练轻量级U-Net分割网络，进行被动毫米波图像(PMMWI)和可见光图像(VI)中人体轮廓的快速分割，实现人体与背景的有效分离，以获取疑似隐匿违禁物的轮廓信息。进而，以轻量级U-Net为工具，通过基于相似性测度的无监督学习方法进行被动毫米波人体轮廓图像与可见光人体轮廓图像的配准，以滤除虚警目标，并在可见光图像中进行疑似目标定位，得到单帧图像的检测结果。最后，通过序列多帧图像之检测结果的综合集成与推断，给出最终检测结果。通过在专门构建的数据集上的实验结果表明，该文所提方法的F1指标达到92.3%，展现出良好的性能优势。