网络首发
基于改进GAS-YOLO的O型密封圈表面缺陷检测算法
范桃;石艳;林椿松;李淇;夏明;针对O型密封圈表面缺陷检测技术检测效率不高且检测速度慢的问题，提出一种基于改进YOLOv10n的缺陷检测算法。设计了C2f-GhostV2模块，在保持特征表达能力的同时降低大量训练资源；引入自适应下采样模块(Adaptive Downsampling Module，ADown)，在更高层次上捕捉图像的特征，提高算法对小目标特征的学习能力；添加简单无参注意力模块(Simple Parameter-Free Attention，SimAM)，使模型更加关注表面缺陷特征的提取；引入轻量级共享卷积检测头(Lightweight Shared Convolutional Detection Head，LSCD-Head)，解决检测头检测到的目标尺度不一致的问题，提升检测头定位和分类的性能。结果表明，GAS-YOLO能有效提升模型对于O型密封圈表面缺陷的检测，算法的平均精度均值(mean Average Precision，mAP)达到了94.4%，相较于YOLOv10n模型提升了1.7个百分点，帧率(Frames Per Second，FPS)达到129，计算量(Floating Point Operations，FLOPs)降低了14%，能更好地满足工业检测要求。
基于高通量卫星的北斗定位增强技术应用
冯建元;李杰;王亮亮;张路杨;针对船舶自主航行、无人农具作业等需要高精度定位的应用场景，单纯依靠导航卫星定位系统已不能满足需要，需要通过辅助办法增强定位精度，而海上和偏远农场等场景往往无地面网络覆盖，无法采用地基辅助定位的方式。介绍了基于高通量通信卫星辅助的北斗定位性能增强技术，从系统架构、实现技术和算法原理三方面对其收集、处理、播发、解算定位数据进行了阐述和分析，并结合实践和应用介绍了系统定位增强性能的效果，分析了定位增强系统可应用的领域。以高通量卫星为辅助手段的北斗定位增强技术进一步提高了北斗系统的定位精度，是北斗系统的有力补充。
基于两阶段自主可重构框架的无人机导航技术
姚雅轩;曹佳琦;许文嘉;王德琰;朱嘉婧;孟凡琛;刘杨;彭木根;实现更加泛在、更加融合、更加智能的无人机长航时自主导航定位，是新一代国家综合PNT体系的使命和要求。当全球导航卫星导航系统（GNSS）受到干扰且不可靠时，无人飞行器将面临导航精度下降、定位失效、依赖备用系统的可靠性及环境适应性等挑战。针对无人机长航时自主导航定位需求，提出了一种两阶段可重构的无人机视觉定位框架方法，并构建了一个覆盖多地形、多尺度的大规模室外场景数据集，包含6，742幅无人机图像和33，331幅卫星影像块，为算法的训练和评估提供了基准支持。该方法采用可重构大范围检索模块快速锁定目标区域，通过深度特征匹配实现精确定位，图像检索的可重构性可提升视觉特征的抗扰能力，图像匹配的可重构性可以针对不同类型的环境场景，使用不同的特征匹配算法。实验结果表明，本文提出的图像检索模块的召回率在90%左右，该方法将视觉定位精度提升至30 m米级，且在不同地形条件下都展现出良好的鲁棒性，可广泛应用于无人机自主导航等实际场景。
无人机辅助联邦学习安全传输能效优化
孟涛;窦艳菲;孙强;陈晓敏;联邦学习是一种保护隐私的分布式机器学习，通过传输模型参数而非原始数据，有效降低通信负载。联邦学习在实际部署中仍面临两大挑战：地面通信基础设施的不完善限制了设备间的高效协同；在开放环境下，通信过程容易受到窃听者的威胁，导致隐私泄露风险上升。针对上述问题，引入UAV作为空中移动接入平台，以其灵活部署优势，为边缘设备提供临时通信支持，有效解决了通信覆盖不全的问题；提出一种面向安全能效的联合资源优化方法，通过调整用户设备的CPU频率、发射功率及本地模型精度，在保障安全传输的同时最大化系统能效。所构建的非凸优化问题通过交替优化策略分解为3个子问题，分别采用分式规划与逐次凸逼近（Successive Convex Approximation，SCA）方法进行求解，从而获得原问题的近似最优解。仿真结果表明，与现有基准方案相比，所提方案在显著提升系统安全性能的同时，有效降低了整体能耗。
基于RIS辅助的UAV物理层安全传输技术
丁伟豪;屈正浩;申凌峰;王光辉;朱政宇;张千坤;针对低空通信背景下智能超表面(Reconfigurable Intelligent Surface，RIS)辅助的无人机(Unmanned Aerial Vehicle，UAV)物理层安全传输技术，考虑可能存在多窃听威胁的场景，提出基于UAV轨迹和RIS相移联合优化的安全增强机制。具体提出2种优化方案：一是基于凸优化理论，通过连续凸近似和交替优化将非凸问题分解为可解的凸子问题，以最大化平均安全速率；二是引入双延迟深度确定性策略梯度(Twin Delayed Deep Deterministic Policy Gradient，TD3)深度强化学习算法，利用双重Q网络和延迟策略更新机制，联合优化UAV轨迹与RIS相位，在连续动作空间中生成较为平滑的无人机轨迹，实现高效实时优化。仿真结果表明，凸优化算法在本文所构建的系统中展现出更快的收敛特性，而TD3算法在保密速率方面显著高于凸优化方法，尤其在RIS单元数增加时优势更明显，验证了其在提升通信安全性和鲁棒性方面的潜力。
基于改进Real-ESRGAN的毫米波雷达图像增强算法
郭礼贤;蔡志明;林金阳;吴威涛;赖东升;田淦宏;针对图像采集设备和环境干扰等因素导致毫米波图像质量不够理想、现有算法重建后图像容易丢失细节，提出了基于增强型超分辨率生成对抗网络(Real-ESRGAN)改进的毫米波图像增强算法，用多级残差密集连接模块（Residual in Residual Dense Block，RRDB）构建生成器网络，以高效率、高稳定性提取到毫米波图像的特征信息；结合特征激活前的感知损失、Smooth L1损失和对抗损失使模型稳定收敛，减少重建后图像细节丢失；提出以PatchGAN为基本结构的判别器，减少计算量，提高了网络的训练和收敛速度。实验结果表明，本文的方法相比Real-ESRGAN在PSNR、SSIM的比较中分别高出0.3795dB，0.0211，在NIQE、PI的比较中分别降低了1.6412，1.1191。
面向路面病害的轻量级目标检测算法
苏竞哲;刘勇;针对当前道路破损分类检测任务中道路破损精度相对较低，模型计算量和参数量较大，对需要部署的终端设备性能要求较高等问题，提出一种轻量化的检测模型。该算法利用离散小波变换中的haar小波对数据进行预处理，增强图像特征，使用线性插值的方法恢复图片原尺寸，与原通道拼接后采用通道注意力机制动态调整各通道重要性;提出一种多尺度加权特征融合金字塔网络（multi-branch auxiliary weight feature pyramid network，MAWFPN）结构替换原有的颈部网络，在维持模型精度的基础上降低网络的参数量;更换损失函数为ShapeIou，提升了检测效果的同时增加了模型的稳定性;引入层自适应幅度的剪枝技术（layer-adaptive sparsity for the magnitude-base pruning，LAMP）对模型进行裁剪，大幅降低模型的参数量与计算量。实验结果表明，改进后的算法相较于基准模型mAP50提升1.6%，参数量和计算量分别降至基准模型的28.4%和47.7%，模型大小降低至基线的29.6%。经过优化后的算法不仅提升了检测性能与特征提取的精准度，同时大幅降低了模型的尺寸，增强其在资源受限的终端上部署的能力。
基于WiFi的多用户行为识别技术
魏忠诚;董延虎;陈虹宇;陈炜;连彬;赵继军;行为识别正逐渐成为日常生活各个方面不可或缺的关键技术，其中基于WiFi的行为识别系统由于设备的普及和非隐私侵犯引起了极大的关注。然而，现有的基于WiFi的行为识别系统主要针对单用户场景设计，在多用户场景中并不适用。提出了一种新的深度学习框架Multi-WiAR，通过分离多用户混合信号实现多用户行为识别。基于Resnet-18模型实现用户数量的识别，提出一种基于相关系数的分离算法，将多用户行为的混合信号分离为可用的单用户信号，设计基于CNN和先进的Res2Net单元的深度学习网络——WiSen-Net，识别用户行为。实验结果表明，Multi-WiAR不仅在低延迟和适用性方面具有优势，而且在3个用户的场景下的识别准确率高达90.37%。
基于多场景协作对比学习的人体活动识别技术
生龙;陈玥;陈建才;魏忠诚;连彬;赵继军;基于WiFi信号的人体活动识别（Human Activity Recognition， HAR）因其非侵入性和隐私保护备受关注。然而多场景小样本条件下的HAR模型泛化能力难以保障。提出基于自监督的多场景协作对比学习模型（MS-CCL），以避免因模型训练所需样本的大量采集。该模型在多场景人体活动识别中引入正负样本采样方法，选择与锚样本最大均值差异（Max Mean Discrepancy， MMD）相对比较小的样本为正样本，其余作为负样本。在卷积神经网络（Convolutional Neural Network， CNN）底层使用混合特征模式，通过概率凸组合不同域实例的实例级特征，增加特征多样性。MS-CCL模型仅基于20个标记样本在3个场景下的识别准确率分别达到了88.64%、72.01%、76.70%，相较于基准模型提高了3.13%、14.91%、1.29%。
基于LoRa卫星下行链路的误符号分析
刘侠;陈楠;近年来，低功耗广域网络（Low-Power Wide-Area Networks， LPWAN）技术在低轨道（Low Earth Orbit， LEO）卫星通信中的应用快速发展。作为LPWAN的典型代表，远距离无线电（Long Range， LoRa）技术因其低功耗与广覆盖特性，成为卫星物联网通信的研究热点。然而，在低信噪比（Signal-to-Noise Ratio， SNR）条件下，LoRa调制系统的下行链路存在解调误差问题，导致数据传输可靠性显著下降。针对这一问题，通过理论推导与模型分析，研究了Rician信道下LoRa卫星通信系统的误符号率（Symbol Error Rate， SER）性能。通过推导视距（Line-of-Sight， LOS）路径信号的SER闭式表达式，分析了非视距（Non Line-of-Sight， NLOS）多径分量对LOS信号解调的干扰机制。在此基础上，提出了一种基于干扰影响阈值的SER优化模型，进一步揭示了低SNR环境下系统的性能极限。仿真结果表明，所推导的闭式表达式能够准确刻画NLOS干扰与LOS信号SER的关联性。优化模型可有效提升低SNR场景下的解调可靠性，为LoRa技术在卫星物联网中的实际部署提供了理论依据与设计指导。