深度学习辅助的随机频率分集阵列下的三维无线安全传输

针对相控阵列辅助的无线通信系统中发射波束只依赖角度特性而导致的安全隐患问题,以及传统的迭代算法所带来的高计算复杂度问题,该文提出由深度学习(DL)和随机频率分集阵列(RFDA)辅助带有3维安全区域的安全传输方案。首先,推导在3维空间中带有安全区域的期望用户实现安全通信的传输条件。在此基础上,构建系统安全速率下界最大化问题。随后,提出基于深度学习的神经网络方案来设计最优的波束成形矢量和人工噪声(AN)矢量来降低计算复杂度。仿真结果表明:即便是在窃听者位于安全区域边缘的最差情况下,所提方案仍能够在实现3维安全传输,能够保证安全区域内接收到的信息不被窃听。

多跳中继网络隐蔽通信设计与实验分析

针对随机分布多跳中继网络存在的通信安全问题,提出了一种基于强化学习的智能路径选择方案。该方案考虑单密钥和独立密钥传输2种情况,分别对监测者的检测性能进行了探究,并基于隐蔽约束确定了各中继的最佳功率分配。最后,基于强化学习技术实现了多跳网络传输路径的智能选择,以保证传输的隐蔽性,并最大化系统的隐蔽吞吐量。结果表明,单密钥方案所选路径倾向于绕开监测者所监测的区域,而独立密钥方案所选路径可以穿过监测者的监测区域,并且独立密钥所能达到的系统增益显著优于单密钥。

面向海洋的水下图像处理与视觉技术进展

水下观测是探索海洋最直观的手段之一。受水下光学特性、声学特性以及杂波、水生生物等的影响,水下观测中所采集的图像并不总能满足观测需求。如何对水下图像进行有效的处理、分析与应用是一个具有挑战性的课题。尽管图像处理与计算机视觉技术已在大气环境中得到广泛研究,但鉴于成像原理、应用背景等方面的差异,针对大气自然图像提出的算法无法直接移植到水下任务中,而针对水下场景提出的视觉应用仍存在对任务背景考虑不足、泛化性差等缺陷。本文面向光学图像以及声学图像这两类水下观测的主要手段,从图像特性入手,首次以任务为导向、以需求为脉络,通过梳理国内外成功的水下图像处理、质量评价案例,对水下观测方案的工作思路进行了更完备的总结与分析。此外,本文围绕水下机器视觉应用探讨其发展进程,详细讨论与展望了相关领域的前景与优化方向,为突破海洋视觉应用的瓶颈,建设智慧海洋系统带来新思路。

CG-Net改进的结直肠癌病灶分割算法

为解决深度学习分割算法在病灶的细节分割上存在漏判且模型参数量较大不利于实际应用的问题,提出一种基于改进的CG-Net的深度轻量化分割神经网络。在编码块加入改进高效金字塔拆分注意力模块和深度可分离卷积,以学习丰富多尺度全局特征;采用残差思想将注意力模块与编码块结合,提出高效金字塔语境引导模块,帮助网络学习全局和局部特征信息。在中山大学附属第六医院提供的腹部MRI图像数据库的结直肠肿瘤病灶分割实验中,验证了改进模型算法在分割精度和模型轻量化方面的有效性。

基于调频连续波雷达的多维信息特征融合人体姿势识别方法

为实现在复杂多样的环境下人体姿势的识别,该文提出一种基于调频连续波(FMCW)雷达的多维信息特征融合的人体姿势识别方法。该方法通过对FMCW雷达原始信号进行3维快速傅里叶变换得到目标距离、速度和角度的多维信息,在采用具有噪声的基于密度的聚类算法(DBSCAN)和Hampel滤波算法解决运动范围内动态或静态目标的噪声干扰后使用卷积神经网络对多维信息进行特征提取,然后利用低秩多模态融合网络(LMF)充分融合多维信息的特征,并通过域鉴别器进一步获得与环境无关的特征,最终使用活动识别器获得姿势识别结果。为了实用性,在边缘计算平台上搭载预先设计的算法和训练好的网络模型进行实验验证。实验结果表明,在复杂的环境下该方法的识别精度可达到91.5%。

基于权重分配的直肠癌病理完全反应预测算法

研究的目的是建立一个深度学习模型,用于进行直肠癌患者新辅助放化疗后的病理完全反应的预测。回顾性分析了99例直肠癌患者的MR影像资料,并按照训练组(71例)和测试组(28例)进行划分构成数据集。通过U-Net定位分割出肿瘤大致区域,在预测阶段通过改变神经网络卷积层数和切片大小得到了9个基础预测模型,并且利用权重分配法对预测得分进行修正。在验证组9个模型中,切片大小为256*256时,包含4个卷积层的模型整体性能最好,3折交叉验证中平均准确率、特异性和敏感性分别达到了0.714、0.717和0.708。研究构建的模型可以作为辅助工具对结直肠癌晚期患者对新辅助治疗的病理反应进行预测,预测精度较好,可为临床治疗提供参考。

研究生现代数字信号处理实践教学的改革与探索

现代数字信号处理是一门通信与信息系统专业硕士研究生专业学位课程,理论学习难度较大,实践性强。为了探索研究生现代数字信号处理课程实践教学的改革,在分析研究生专业知识背景、课程实践要求、科研能力培养等要求的基础上,利用仿真实验、案例分析与自主课题等多种形式以及以分层次、递进式、有机结合的实践教学体系改革来提升实践教学质量,并探讨了相应的考核方式改革。经过多年的教学改革探索,显著提升了研究生对理论知识的理解及在实践中的应用能力。

5G网络下VR视频的传输方法研究

5G网络的大带宽和低延迟特点,解决了传统VR视频传输面临的带宽瓶颈问题。然而,面对VR视频在更高分辨率(8K、12K等)、更高帧率(60 Hz、120 Hz等)以及三自由度+(3 Degree of Freedom,3DoF+)甚至六自由度(6 Degree of Freedom,6DoF)下的传输,5G网络仍然面临一定的挑战。因此,介绍VR视频的特点和传输方式,重点研究5G网络下可能的VR视频传输方法,旨在发挥5G的性能,为用户提供更好的观看体验。

基于多模态图像构建CNN-ViT模型在弥漫性大B细胞淋巴瘤骨髓受累诊断中的应用

目的设计一种融合多模态图像深度学习模型CNN-ViT,诊断弥漫性大B细胞淋巴瘤(DLBCL)骨髓受累。资料与方法回顾性收集2012年11月—2022年6月福建省立医院经病理证实的DLBCL 78例,其中无骨髓受累46例,有骨髓受累32例,所有患者在化疗前均行全身18F-FDG PET/CT检查、骨髓穿刺细胞涂片和(或)骨髓活检。选取骨盆区域PET及CT图像共9828张。将上述数据按7∶1∶2随机分为训练集6858张、验证集982张和测试集1988张。结合传统的卷积神经网络(CNN)和Vision-Transformer(ViT)模型设计CNN-ViT模型,分别提取PET和CT图像特征,预测骨髓受累情况。使用测试集的混淆矩阵和损失函数的变化、准确度、敏感度、特异度和F1_score评价模型的性能。结果CNN-ViT模型诊断DLBCL骨髓受累的准确度、特异度、敏感度和F1_score分别为0.988、0.971、0.997、0.987。结论CNN-ViT模型可以准确评估DLBCL骨髓受累情况。

面向机器识别-人类感知的联合振动触觉编码

为了精确地传输信号内容含义,实现智能识别与信号重建,针对振动触觉信号,提出了一种面向机器识别-人类感知的联合编码方案。在编码端,将三维振动信号转化为一维信号,采用短时傅里叶变换提取信号的语义信息,并实现语义信息高效压缩与表征。在解码端,基于语义信息采用全卷积神经网络实现触觉的智能识别;同时,将原始信号与基于语义信息的重构信号的残差值作为语义信息的补偿,逐步提高重构信号的质量,满足人类感知需求。实验结果表明,所提方案用较低比特率的语义信息实现触觉识别,同时在满足人类感知需求情况下,触觉数据的压缩效率有所提高。

基于稀疏贝叶斯学习的大规模多用户检测算法

针对现有算法大都基于高斯逆伽马先验模型的稀疏贝叶斯学习(GIG-SBL),忽略了稀疏解所对应的支撑集向量稀疏性的问题,提出一种基于伯努利高斯逆伽马先验模型的稀疏贝叶斯学习(BGIG-SBL)架构,通过引入一个伯努利先验的二元向量,设计了单测量向量(SMV)的BGIG-SBL-SMV算法,结合支撑集向量的稀疏性提高重构性能。进一步将该算法扩展到多测量向量(MMV)方案,通过共享相同控制稀疏解的超参数,利用MMV的联合稀疏性提出BGIG-SBL-MMV算法。实验结果表明,所提BGIG-SBL-SMV算法相较于传统GIG-SBL-SMV算法,在mMTC用户检测场景可实现2 dB的性能增益;同时,所提BGIG-SBL-MMV算法相对于单测量向量BGIG-SBL-SMV算法,用户检测率和数据检错率的性能增益可达到4 dB,证明了所提算法的优越性。

基于能量误差的人体有限元模型网格剖分优化研究

网格剖分是有限元建模分析过程中最重要,也是工作量最大的环节,直接影响有限元分析的精度和时间。该文在研究网格自适应剖分及有限元离散误差的基础上,在高压输电场环境中建立不同复杂度的3维人体模型。通过对人体模型自适应网格剖分和手动网格剖分电场仿真结果的对比,分析能量误差变化的趋势,从而指导人体模型的建立及最佳剖分尺寸的设置。该文的研究成果,对其它有限元剖分方案的优化研究具有一定参考意义。

基于视觉感知的率失真优化算法

率失真优化在视频编码中起着关键作用,其目的是在压缩效率和视频质量失真之间取得平衡。现有的率失真算法主要针对视频中时间和空间冗余的消除,未充分考虑视频内容的主观感知冗余。本文提出了一种基于视觉感知的率失真优化算法,通过数据驱动的JND预测模型推导拉格朗日乘数因子,并使用显著性模型优化拉格朗日乘子权重系数,最终融合应用于率失真优化,并采用SW-SSIM评估视频质量,实现视频编码的感知优化。实验结果表明,与AVS3标准率失真算法相比,本文所提算法平均节省12.15%的码率,SW-SSIM提高了0.004 3,有效降低了视频内容中的感知冗余,提高了视频感知质量和编码性能。

基于混合能量收集的移动边缘计算系统资源分配策略

针对移动终端(mobile terminal, MT)从环境射频源收集能量较少的问题,研究基于混合能量收集的移动边缘计算系统资源分配策略。通过在基站覆盖区域内部署多个磁感应能量快速充电站,当MT从环境射频源收集的能量即将耗尽时,在附近的磁感应能量快速充电站补充能量。MT通过移动边缘计算将计算任务分流到边缘服务器。将资源分配问题建模为优化问题,以最小化MTs总能量消耗为目标,同时满足MT最大计算能力、边缘服务器最大计算资源、任务计算总时延和MT电池能量的约束条件。通过引入量子行为粒子群优化算法,获得次优解。仿真结果表明,与标准粒子群优化算法和相等分配边缘服务器计算资源的方法相比,量子行为粒子群优化算法具有更少的能量消耗。

无人机协助边缘计算的能量收集MEC系统资源分配策略

针对用户请求的计算任务超出地面基站边缘计算服务器计算能力的问题,提出一种无人机(Unmanned Aerial Vehicle,UAV)协助边缘计算的最小化系统能量消耗的资源分配策略。通过引入一个搭载边缘服务器的UAV,当用户请求的计算任务超出地面基站边缘服务器计算能力时,用户将超出的计算任务卸载至协助计算的UAV。在满足能量因果性、计算资源和发射功率的约束条件下,分析了用户能量收集及任务卸载模型,建立了最小化系统能量消耗的资源分配问题。采用传统遗传算法与非线性规划结合的方法,求解建立的非线性规划问题,以获得最优解。仿真结果表明,与其他基准方法相比,所提方法在降低系统能量消耗方面效果更佳。

数据驱动的AVS3像素域最小可觉差预测模型

AVS3作为中国第三代国家数字音视频编码技术标准,在消除视频时域/空域冗余信息方面发挥了重要的作用,但在消除感知冗余方面仍存在进一步优化的空间。本文提出一种数据驱动的AVS3像素域最小可觉差(Just noticeable distortion,JND)预测模型,在尽量保证视觉主观质量的前提下,对AVS3视频编码器进行优化。首先基于主流的大型JND主观数据库,获取符合人眼视觉特性的像素域JND阈值;然后基于深度神经网络构建像素域JND预测模型;最后通过预测的像素域JND阈值建立残差滤波器,消除AVS3的感知冗余,降低编码比特率。实验结果表明,与AVS3的标准测试模型HPM5.0相比,在人眼主观感知质量几乎无损的情况下,所提出的像素域JND模型最高可节省21.52%的码率,平均可节省5.11%的码率。

基于强化学习的立体全景视频自适应流

针对当前立体全景视频传输缺少有效的流自适应方法,且传统全景视频流自适应策略传输双目立体全景视频使得传输数据加倍,所需带宽巨大的问题,该文提出一种基于多智能体强化学习的立体全景视频非对称传输自适应流方法,以实时应对网络带宽波动。首先,根据人眼对视频显著性区域的偏爱,左右视点中每个瓦片(tile)对立体视频的感知质量的贡献度不同,提出一个基于tiles的左右视点观看概率预测方法。其次,设计了一种基于策略-评价(Actor-Critic)的多智能体强化学习框架,对左右视点进行联合码率控制。最后,根据模型结构和双目抑制原理,设计合理的奖励函数。实验结果表明,与传统流自适应传输策略相比,该文所提方法更加适用于基于tiles的立体全景视频传输,实现在有限带宽下提高用户的体验质量(QoE),为立体全景视频联合码率控制提供了一种全新的方法和思路。

UAV协助的能量收集MEC系统资源分配方法

针对在能量收集和计算任务卸载过程中距离基站较远的用户设备遭受的双重远近问题,提出了一种无人机(Unmanned Aerial Vehicle,UAV)协助的非线性能量收集移动边缘计算(Mobile Edge Computing,MEC)系统资源分配方法。近距离用户设备由搭载MEC服务器的基站为其补充能量和提供计算服务,通过引入搭载MEC服务器的UAV为远距离用户设备补充能量并提供计算服务以缓解其遭受的双重远近问题。在满足用户设备和UAV的能量消耗以及UAV速度等约束条件下,以最大化系统计算完成的数据量为目标,将资源分配问题建模成非线性规划问题,利用差分进化算法,得到次优解。仿真结果表明,与基于遗传算法的资源分配方法和基于差分进化算法的固定功率分配方法相比,所提方法的系统计算完成数据量分别提升了25.8%和10.0%,能够有效地缓解双重远近问题。

双UAVs辅助的混合能量收集MEC系统资源分配策略

针对用户从环境射频源收集能量较少的问题,提出了一种双无人机辅助的混合能量收集边缘计算系统的资源分配策略。通过部署2个具有混合太阳能和射频能量收集功能的无人机,当用户的计算任务较大时,可以将计算任务卸载到搭载边缘服务器的无人机。当用户从环境射频源收集的能量不够用时,另一个无人机飞到用户上方,为其近距离充电。联合考虑无人机和用户的能量消耗,将系统资源分配问题建模成一个混合整数非线性规划问题,在满足用户和无人机计算能力和能量消耗的约束条件下,最小化系统总能耗。通过引入量子行为粒子群优化算法,获得次优解。仿真结果表明,与其他几种方法相比,采用量子行为粒子群优化算法消耗的能量更少。

基于MCR⁃WPT的无人机协助WPCN的资源分配策略

针对无人机(Unmanned Aerial Vehicle,UAV)协助的无线供电通信网络中采用射频能量收集方式出现的地面终端能量不足的问题,研究基于磁耦合谐振无线能量传输的最小吞吐量最大化资源分配策略。通过引入一个搭载磁耦合谐振装置的能量传输UAV,依次为地面终端提供足够的能量。为了使所有地面终端的最小吞吐量最大化,联合优化信息接收UAV轨迹、地面终端发射功率和时隙分配比例。由于该问题是非凸优化问题,难以直接求解。通过引入一些辅助变量,将一些非凸约束条件通过适当的数学推导转换成凸约束条件。对于难以转化的非凸约束条件,采用凹凸过程将非凸函数线性化成两个凸函数相减的形式。最后通过迭代求解原非凸逼近问题的凸逼近问题,得到原始问题的次优解。仿真结果表明,与固定UAV轨迹、固定时隙分配比例、量子行为粒子群优化算法和标准粒子群优化算法相比,所提方法在最小吞吐量方面有一定程度的提高。