2025年 06期
IRS辅助无人机通信系统的物理层安全研究综述
王正强;孔维冬;万晓榆;樊自甫;近年来，UAV因其高灵活性和广泛的应用场景，在现代通信网络中扮演着重要角色。由于UAV通信链路通常处于开放空域，极易受到窃听和恶意干扰的威胁，物理层安全(Physical Layer Security, PLS)问题亟待解决。作为一种新型的二维人工电磁表面，智能反射面(Intelligent Reflecting Surface, IRS)由大量具有特殊设计的被动散射单元组成，能够对信号反射路径进行智能调控，为改善信道环境和增强物理层安全提供了全新的技术手段。因此，IRS在UAV通信中的应用引起了广泛关注，为解决开放空域中的通信安全问题提供了新的方向。通过对现有的国内外文献进行梳理，主要从保密速率(Secrecy Rate, SR)、保密能效(Secrecy Energy Efficiency, SEE)和保密中断概率(Secrecy Outage Probability, SOP)三方面概述了地面固定IRS系统和UAV搭载IRS系统在PLS领域的研究现状。分析了当前研究存在的不足，展望了IRS辅助UAV通信系统在PLS领域的未来研究方向。
基于帧间失真传播因子的率失真优化算法
唐露;吴晓红;赵则明;余艳梅;熊淑华;何小海;独立码率失真优化(Rate Distortion Optimization, RDO)在视频编码中易于实现，但无法实现全局最优的码率失真性能。利用帧间相关信息，将当前帧的失真对于后续待编码帧的影响引入RDO中，建立帧级相关的失真传播链。基于所建立的失真传播链，计算关键帧的失真传播影响因子，提出了一种多功能视频编码(Versatile Video Coding, VVC)的拉格朗日乘子自适应调整方法，能实现更高效的RDO。通过大量实验验证帧与帧之间的失真存在线性关系；根据VVC的编码结构，考虑关键帧的位置及其失真对后续将其作为参考的帧的影响，建立失真传播链；计算每个图像组(Group of Picture, GOP)中关键帧的失真传播影响因子，在帧级对当前关键帧的拉格朗日乘子进行调整。实验结果表明，在VVC测试模型平台上，在低延时P帧(Low-Delay P,LDP)和低延时B帧(Low-Delay B,LDB)配置下，相较于默认算法，BD-Rate(Bj?ntegaard Delta Rate)平均分别为-1.45%和-0.18%,有效提升了VVC编码性能。
跨域图卷积网络在基于骨架动作识别中的应用
王欣霏;龚勋;吕金荣;在基于骨架的动作识别领域中，图卷积神经网络(Graph Convolutional Neural Network, GCN)因能够有效处理非欧几里得数据而成为关键技术。现有的基于GCN的方法往往局限于单一时间节点的邻域信息，忽略了动作的动态演变和复杂的空间-时间依赖关系，限制了它们在捕捉连续动作序列中的细微差别和长期依赖性方面的性能。为了解决上述问题，提出了一种创新的图卷积架构，通过跨时空邻域的消息传递和聚合，整合节点在多个时间步长内的状态变化，与周围节点进行交互，显著增强了模型在不同时间和空间尺度上的表达能力。为了进一步提升对复杂动作的识别度，提出了一个双向多流骨架信息融合框架，旨在从多个角度分析人体骨架数据，感知关节和骨架的微小运动，有效过滤静态帧的干扰，这在区分相似运动模式时尤为重要。实验在NTU RGB+D 60、NTU RGB+D 120、UAV-Human三个具有代表性的数据集上验证了所提方法的有效性。
基于双树复小波变换和U-Net的视网膜血管分割
陶寅涵;朱家明;吴军;生物医学图像分割已成为医学诊断中的关键任务之一。然而，由于组织和器官的复杂形态及其结构的多样性，医学图像分割技术的实际应用面临显著的技术挑战。在传统卷积神经网络(Convolutional Neural Network, CNN)中，最大池化操作常常导致信息的不可逆丢失，尽管引入小波变换在一定程度上改善了这一问题，但小波变换本身也存在局限性。为了解决这一问题，提出了一种基于双树复小波变换(Dual-Tree Complex Wavelet Transform, DTCWT)和U-Net的视网膜血管分割模型——DTCWU-Net。该模型通过引入DTCWT替代传统池化层，双树复小波逆变换(Inverse DTCWT,IDTCWT)替代传统上采样层，显著增强了特征提取能力，尤其在保留图像细节方面表现出色。DTCWU-Net还引入了高低频特征融合注意力(Low and High Feature Fusion Attention, LHFFA)和多尺度门控注意力(Multi-Scale Gate Attention, MSGA)模块，进一步提升分割性能。实验结果表明，DTCWU-Net在DRIVE数据集上取得的准确率(Accuracy, ACC)为0.968 6,受试者工作特征(Receiver Operating Characteristic, ROC)曲线下面积(Area Under the ROC Curve, AUC)为0.986 7,在CHASE＿DB1数据集上取得的ACC为0.975 0,AUC为0.990 3,在STARE数据集上取得的ACC为0.975 7,AUC为0.990 1。在F1、灵敏度(Sensitivity, SE)、ACC和AUC等关键指标上，超越了其他主流方法的表现。通过多模块协同优化，DTCWU-Net显著提高并展现了视网膜血管分割精度与细节恢复能力。
基于改进YOLOv5s算法的桑蚕生理状态识别及判断
刘璞;廖稀杰;何兴锐;赵凯;胡蝶;黄波;为了能够及时精准地识别桑蚕各生理状态，避免更大的经济损失，提出了基于YOLOv5s的目标框检测改进算法——YOLOv5s-ED。增加高效多尺度注意力机制(Efficient Multi-scale Attention, EMA)模块，自适应地调整不同头部的注意力权重，使模型更关注桑蚕特征的重要信息。为了更好地进行多尺度特征融合和捕捉桑蚕的细微特征，增加了一个针对小目标的检测头；通过对休眠期桑蚕中心点坐标最大差值确定的阈值与中心点坐标最大差值的最小值进行对比，以确定桑蚕的生理状态识别。比较发现最大差值的最小值18大于设定的阈值15,可以判定桑蚕的生理状态为健康生长状态。为了验证改进后的YOLOv5s-ED模型的准确性，拍摄选取了大量的数据集图像进行检测对比。在进行消融和模型对比实验后，检测结果表明改进后的YOLOv5s-ED模型在识别准确率上较原模型提高了0.1%,召回率提高了1.5%,平均精度均值(mean Average Precision, mAP)提高了0.2%,有效改善了桑蚕小目标的错检、漏检情况。
基于多波段雷达的低慢小目标微动特征提取方法
毛鑫骞;于烨;贾维敏;金国栋;李义红;金伟;赵建伟;针对多波段雷达下低慢小(Low-Slow-Small, LSS)目标微动特征提取传统方法特征不明显、量化困难的问题，提出基于距离维的小波变换与希尔伯特变换方法对雷达回波信号的特征进行提取。采用大疆系列无人机雷达回波数据集进行仿真分析，结果表明，希尔伯特算法能有效抑制噪声干扰，其特征提取精度优于小波变换算法并且稳定性和可靠性也强于小波变换算法。此外，这2种特征提取算法对最近几年推行的大疆御2和大疆M350型无人机的特征提取精度最高，验证了其对复杂振动模态的适应性。
基于DBSCAN聚类的TDMA信号分选
王钲凯;边东明;张更新;在复杂电磁环境下，信号分选对提取有价值信息和保障系统稳定运行至关重要。早期基于传统参数的时分多址(Time Division Multiple Access, TDMA)信号分选方法在发射机结构多样化时面临挑战，综合考虑多种发射机结构对TDMA信号分选的影响，优选出频率偏移、突发功率、均方根误差向量幅度(Root Mean Square Error Vector Magnitude, RMSEVM)值作为信号分选特征，为有效利用三维特征空间的分布特性，采用三维基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)进行信号分选，在保证聚类密度的同时降低计算复杂度。仿真结果表明，与传统的二维特征相比，在5～15 dB时，能够正确分选的用户信号数量有了1～2个的提升。
基于分数低阶极坐标图和视觉变换网络的调制识别方法
孟水仙;朱明波;刘喆;周嘉晨;尚睿;栾声扬;自动调制识别(Automatic Modulation Classification, AMC)是通信系统中信号检测与解调的关键环节，发挥着重要作用。现有方法通常假设噪声服从高斯分布，但实际环境中含有尖锐峰值的脉冲性噪声普遍存在，导致传统方法因噪声模型失配而性能下降。为解决该问题，提出了一种新的AMC方法。该方法以新提出的分数低阶极坐标图(Fractional Lower-Order Polar Plane, FLOPOLA)作为输入特征，以新设计的视觉变换(Vision Transformer, ViT)网络作为轻量化的特征提取器和分类器。蒙特卡洛实验结果表明，在不同的脉冲性噪声条件下，所提出的方法能够取得较高的识别准确率。进一步说明FLOPOLA能够较好地抑制脉冲性噪声中的野点，ViT能够较好地实现特征的提取和分类。所提出的方法能较好地解决脉冲性噪声条件下的AMC问题，具备在高准确率且低功耗场景中的潜在应用价值。
基于信号高阶累积量的无人机信号盲侦测方法
史方明;陈格格;陈祎;邓磊;秦令令;赵勇武;针对非合作无人机信号盲侦测领域中的信号检测和识别问题，在分析了其图传信号时频域及高阶累积量特性后，提出了一种基于信号高阶累积量的无人机信号盲侦测方法。在短时傅里叶变换(Short-Time Fourier Transform, STFT)信道化结构下完成信号的时频域转换，统计其功率谱均值生成动态检测门限，判断信号存在性、信号个数及其带宽信息；根据功率谱计算峰度特征，在信号存在性、信号带宽及峰度值3个维度下联合判断是否存在无人机图传信号。通过采集真实无人机信号并进行数字仿真的方式，验证了所提方法的有效性。
一种基于异构网络的雷达辐射源型号识别方法
蔡伟;王宇;刘则林;张晓峰;多功能、多模式的先进体制雷达波形复杂、工作模式灵活切换、信号参数捷变快，导致电子侦察系统的雷达型号识别模糊或者错误，给雷达辐射源识别带来严峻挑战。针对此问题，提出了一种基于异构网络的雷达型号识别方法，利用卷积神经网络(Convolutional Neural Network, CNN)有效提取参数组合信息，长短期记忆网络(Long Short-Term Memory Network, LSTM)擅于提取脉冲描述字(Pulse Description Word, PDW)数据的时间序列特征、脉间特征，通过CNN和LSTM的并联结构，将不同维度不同层次的特征进行有效融合，重构样本特征空间，实现对先进体制雷达信号的型号识别。通过仿真数据和实测数据，针对多功能的9型雷达构建识别场景，验证了所提方法型号识别能力的有效性，雷达型号识别准确率达到94.38%。在复杂环境下具有较强的鲁棒性，为雷达型号识别提供了一种新颖且有效的解决方案。