网络首发
面向艺术图像分类的频域增强对比学习方法研究
张嫱;何家成;孔令军;针对艺术图像分类任务中存在的样本稀缺、风格多样与纹理复杂等挑战，提出了一种新的自监督学习框架——频域掩码对比(Frequency-Masked Contrast, F-MaCo)。该方法以双分支对比学习为基础，通过二维离散小波变换将图像转换到频域，实现动态频域掩码增强。并引入感知损失驱动的权重调整机制，有效捕捉艺术图像的多尺度特征和丰富的纹理信息。实验结果表明，F-MaCo在MAMe、Kaokore、Artbench10和ArtDL四个艺术图像数据集上均取得了最优性能，Top-1准确率分别达到73.72%、77.38%、58.38%和68.31%，验证了其在艺术图像表征学习任务中的有效性与鲁棒性。
基于DRL的SME-ISAC无人机语义安全系统资源分配算法
李佳润;毕辉;张学军;高辉;基于深度强化学习算法（Deep Reinforce Learning,DRL）的智能反射面（Intelligent Reflecting Surface,IRS）的通信，感知与计算一体化（Integrated Sensing and Communication,ISAC）的无人机边缘计算语义安全系统SME-ISAC，通过引入人工噪声降低窃听者的窃听速率，并利用多个IRS分别辅助通信波束和感知波束，实现通信、感知与计算资源的高效整合旨在提升系统安全速率。为最大化系统安全速率，本文联合优化了IRS相移、无人机位置、卸载比例、语义符号数量以及人工噪声功率，建立了一个复杂的非凸优化问题。由于问题的严格非凸性以及变量的耦合，传统凸优化算法难以解决，本文提出了一种智能优化算法SAC-SME-ISAC，其中离散SAC算法用于优化无人机轨迹和语义符号数量，连续SAC算法用于优化IRS相移和卸载比例等关键参数。仿真结果表明，本文算法可在短周期内快速收敛，且相较于传统基线方案在IRS相移设计和无人机轨迹优化等方面表现出显著性能提升，展现了本文提出算法的优越性和实用性。
基于YOLOv8n-Pose关键点特征增强估计算法
殷贤涛;胡波;李思照;现有关键点检测算法在光照变化、人员密集交叉遮挡等情况下，易导致检测精度降低，出现漏检或关键点检测错位的问题。针对该问题，提出基于YOLOv8n-Pose改进的LBW-YOLOv8n-Pose复杂环境多人人体姿态估计算法。通过在Backbone的SPPF空间金字塔池化层引入大核可分离注意力（Large Separable Kernel Attention,LSKA），增强图像特征表达能力和感知能力。在Neck层引入加权双向特征金字塔网络（Bidirectional Feature Pyramid Network,BiFPN）进行重构，提高多尺度特征融合效果，并采用改进的Wise-IoU损失函数，提升模型收敛速度与复杂场景下的鲁棒性。实验结果表明，改进后模型在MS-COCO2017人体关键点数据集上精确率、召回率、平均检测精度分别达到85.7%、76.8%、81.7%，相比原模型均有明显提升，且能更精准、有效地检测复杂情况下多人人体关键点信息。
基于动态超表面天线的近场无线数能同传波束设计
谢继尧;赵毅哲;曾其旋;杨鲲;在未来6G物联网（Internet of Things,IoT）系统中，高频毫米波和太赫兹（THz）频谱等关键技术得到了广泛应用，因此也使得近场无线传输成为一种愈发普遍的应用场景。动态超表面天线（DynamicMetasurfaceAntenna,DMA）等小尺寸天线阵列凭借其在传输效率、物理尺寸和功耗方面的优势在该场景中被广泛应用，与之相关的研究得到了越来越多的关注。以提升近场无线传输中的接收端能量性能为目的，提出了一种基于DMA的下行近场无线数能同传（Simultaneous Wireless Information and Power Transfer,SWIPT）系统，在满足所有信息用户最低传输速率需求的条件下，针对该优化问题提出了一种联合优化DMA可调频响矩阵与数字预编码向量的高效解决方案。此外，还在此基础上深入探讨了用户间距离及最小信干噪比（Signal to Interference plus Noise Ratio,SINR）等因素对于系统性能的影响。仿真结果表明，本文提出的方案相比其他现有技术可以有效地提升无线数能同传联合性能。
基于双向迁移机制和人工蜂群思想的负载均衡算法
张浩;宋丽华;王晨;软件定义物联网（Software-Defined Internet of Things,SDN-IoT）通过解耦控制平面与数据平面提升了网络的可扩展性，但控制器间的负载不均衡问题仍显著影响网络性能。现有解决方法通常采用交换机的单向迁移策略，易在动态环境下引发负载调整不彻底或局部振荡，难以实现全局最优。为此，提出一种融合双向迁移机制与人工蜂群思想（Artificial Bee Colony,ABC）的负载均衡算法（Bidirectional Load Migration based on Artificial Bee Colony,BLM-ABC）。该算法首先基于滑动窗口和动态阈值对控制器负载状态分类。随后构建多约束背包模型（Multi-dimensional Knapsack Problem,MKP）对交换机迁移中的资源限制与优化目标建模，并结合双向迁移机制与人工蜂群算法实现全局最优迁移决策，避免了单向迁移导致的负载振荡。实验结果表明，与现有的单向迁移算法相比，BLM-ABC在负载均衡率上提高了13.6%，端到端延迟降低了17.8%，为SDN-IOT中的负载均衡问题提供了一种新的解决方案。
基于专利分析的6G天地一体化网络调制技术发展研究
王慧颖;许强;随着第六代移动通信技术（6th generation,6G）的快速发展，天地一体化信息网络成为实现全球无缝覆盖的关键。因此围绕6G天地一体化网络中的调制技术展开专利分析，重点研究了基于循环前缀/离散傅里叶变换（Cyclic Prefix,CP/Discrete Fourier Transform,DFT）扩展的正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）、基于滤波器组/多带滤波的OFDM、正交啁啾分复用（Orthogonal Chirp Division Multiplexing,OCDM）、正交时频空间（Orthogonal Time Frequency and Space,OTFS）和仿射频分复用（Affine Frequency Division Multiplexing,AFDM）五种调制技术的专利申请趋势、技术热点及竞争格局。研究结果表明，2020年后6G调制技术专利申请量激增，中国在专利数量上占据主导地位，AFDM因其在高动态信道中的优异性能成为未来6G标准的有力候选。此外，本文还揭示了专利领域的技术空白，为后续研发和专利布局提供了战略参考。
Transformer网络辅助的融合卫星与惯性导航技术
吴思远;左大华;姜明;当载体（如无人机、船只和车辆等）在极端的环境下运动时，可能会出现可见卫星消失的情况，这会导致全球导航卫星系统（Global Navigation Satellite System,GNSS）信号出现短暂或一段时间的丢失（失锁）。在这种情况下，融合导航将被迫切换到纯惯性导航系统（Inertial Navigation System,INS），而纯惯性导航运行时间的增加会导致误差不断累积，导航精度快速下降。为了解决GNSS信号丢失后INS精度快速下降的问题，提出基于变换器（Transformer）网络辅助的GNSS和INS的融合导航技术。当GNSS信号锁定时，Transformer网络利用当前的INS信息和GNSS增量信息（2个相邻时刻GNSS位置信息的变化量）训练出二者的映射关系；当GNSS信号失锁时，Transformer网络利用之前训练出的映射关系，由当前的INS信息预测GNSS增量信息，之后将INS信息和预测GNSS信息进行融合导航。仿真结果表明基于Transformer网络辅助的GNSS和INS融合导航技术，在GNSS信号短暂或一定时间内失锁的条件下，仍然可以提供稳定可靠的导航信号。此外，Transformer网络辅助的融合导航方法也为其他网络辅助的融合实现提供了参考。
基于伽马变换与小波卷积的皮肤癌精确检测
白世强;蔡益人;李丽宏;皮肤癌和黑素细胞痣的相似性较高，极易被皮肤科医师误诊。为实现皮肤癌患者的早期筛查，提高检测准确度，基于伽马变换和小波变换(Wavelet Transform, WT)，分别构建伽马变换模块（Gamma Transform Block, GMTB）与小波卷积模块(Wavelet Convolution Block, WTCB)，并基于Detection Transformer架构创新性地提出捕捉皮肤癌细粒度特征的空频变换网络（Space-FrequencyTransformNetwork,SFTNet）。SFTNet皮肤癌筛选系统能够增强样本图像的不同通道，降低训练过程中模型的过拟合，有效提升模型检测精度。HAM10000数据集仿真结果显示，系统正确率达85.5%，在皮肤癌临床诊断方面具有重要应用价值。
融合博弈论与群智能的VANETs动态路由算法
王晨;宋丽华;侯梦德;车载自组网(Vehicular Ad-hoc Networks, VANETs)作为智能交通系统的关键组成部分，其路由优化问题备受关注。现有的VANETs路由优化方法存在诸多局限，难以有效应对网络拓扑频繁震荡和节点行为自私等问题。故而提出一种融合博弈论与群智能的VANETs动态路由算法(Game-Driven Bee Colony Optimization, GD-BCO)，旨在克服现有方法的不足，提供更加高效和可靠的路由优化方案。该算法通过设计适应度函数、动态选择最优路径并进行路径压缩，结合SRv6路径隐匿性和灵活性，提升路由效率和网络鲁棒性。此外，还提出了基于区域划分思想的段路由扩展头(Segment Routing Header, SRH)动态压缩算法，显著减少路径暴露风险和协议开销。仿真验证结果表明，GD-BCO算法相比其他方法具有显著优势，在网络吞吐量、时延、丢包率等指标上表现出色，具有广阔的实际应用前景。
基于强化学习的无人机辅助高效能数据收集方法
朱佳琳;张鹏浩;李南希;蒋峥;朱剑驰;物联网（Internet of Things,IoT）作为6G发展的核心领域之一，在驱动网络架构变革以及支撑核心应用场景中扮演着关键角色，然而，IoT系统存在能量不均衡以及网络生命周期短暂等问题，严重制约了数据收集效率的提升。随着无人机（Unmanned Aerial Vehicle,UAV）技术的兴起，其高度机动性可以有效构建视距（Line of Sight,LoS）通信链路，进而提升通信速率，这在IoT系统的数据收集方面具有很好的应用价值，可以解决IoT网络因生命周期短暂导致的数据收集效率低下的问题。为此，利用UAV对地面IoT设备进行数据收集，构建空地协同的数据采集传输链路，提出了一种基于深度强化学习（Deep Reinforcement Learning,DRL）的智能数据收集方法，设计了一种预测神经网络，通过在基站（Base Station,BS）侧预测网络数据进一步提高数据收集效率，从而实现降低IoT设备能耗、延长网络寿命的目的。仿真结果表明，所提出的数据收集算法在设备所需能耗、能量均衡性等方面具有较好的性能优势，优于常见的数据收集算法。同时，所提出的数据收集网络架构在预测数据占比12.5%时可以延长1.2倍的网络寿命。通过仿真证明了所设计的预测神经网络在均方误差（Mean Squared Error,MSE）以及平均绝对误差（Mean Absolute Error,MAE）指标均优于其他对比网络。