摘要：研究了单端泵浦条件下掺Nd^(3+)增益导引-折射率交叉导引(GG-ICG)光纤激光器的阈值特性。建立了单端泵浦条件下改进的速率方程,通过解析解得到了阈值泵浦功率,并分析了阈值泵浦功率与Nd^(3+)掺杂浓度(N),光纤长度(L),纤芯半径(a)以及输出镜反射率(R2s)之间的关系,并给出了理论解释。研究结果表明,当N=1×1020cm-3,L=1 cm,a=45μm,R1s=1,R2s=0.85时,对应的激光阈值最低,为2.95 W。研究结果对光纤激光器的优化设计具有重要的意义。

摘要：多波束卫星系统传统的固定资源分配方式缺乏足够的灵活性。文中在考虑多波束卫星系统各点波束业务需求多样性的基础上,基于全频率复用的“跳波束”技术,提出了一种灵活的资源分配方式。文中首先提出了两种不同的目标函数对资源进行优化,然后计算同频复用距离并引入新的约束机制以减轻同频干扰带来的性能下降,最后以最小同频率干扰为目标,结合时隙分配算法进行跳波束图案设计。仿真结果表明,相比于传统的分配方案,该方法能大大提高频谱利用率,使分配更能满足大容量动态需求。

摘要：为解决基于机器学习的恶意加密流量检测易产生大量误报的问题,利用安全两方计算,在不泄露具体数据内容的前提下实现网络流量内容和入侵检测特征间的字符段比对。基于字符段比对结果,设计入侵检测特征匹配方法,完成关键词的精准匹配。为保证所提方法的有效执行,提出用户终端输入随机验证策略,使恶意用户终端难以使用任意数据参与安全两方计算进而躲避检测确认。对所提方法的安全性和性能进行了理论分析,并采用真实部署和仿真实验相结合的方式进行验证。实验结果表明,所提方法能显著提升检测效果,且资源消耗低。

摘要：移动边缘计算(mobile edge computing,MEC)为5G超低时延业务提供了解决方案。如何设计低时延、高效率的任务卸载方案,是MEC面临的主要难题之一。为此,针对端边协同MEC服务场景,研究了大型计算任务的低时延、低能耗部分卸载方案,通过将用户任务划分为多个有顺序依赖关系的子任务并构建子任务的有向无环关系图,设计了能够最小化卸载时延的子任务调度方案,提出了基于任务复制的最早卸载执行算法,解决了能耗受限下的任务最小时延卸载计算。仿真结果表明,提出的MEC卸载方案能够有效减少任务处理时延,降低系统能耗。

摘要：随着脑机接口技术(Brain-Computer Interface,BCI)在新兴医疗健康监测领域的广泛应用,其受到的安全威胁越来越多,导致其隐私保护问题受到了关注。该文针对BCI应用中的隐私保护问题提出一种通信模型,并为其设计了一种基于密文策略的属性基(Ciphertext-Policy Attribute Based Encryption,CP-ABE)访问控制方案,利用代理重加密技术实现细粒度的属性撤销。经分析表明,方案有效地解决了BCI模型中敏感数据的隐私保护问题,并且在能量损耗及通信计算开销等性能评估中表现优异。

摘要：通过引入液晶,设计一种拓扑边界态可调的太赫兹谷光子晶体,集中研究边界上液晶折射率变化对传输特性的影响。未加液晶时,在0.90~1.03 THz范围内的太赫兹波都保持较高的透射率;填充液晶后,当折射率n=1.8时,透射率曲线上边沿向低频收缩;随着液晶折射率变小,通带范围增大,受拓扑保护的边界态发生显著变化。此外,还构造一种太赫兹波分复用器,实现对拓扑边界态的动态调控,展示其优异的分波特性和缺陷免疫性。研究结果对深刻理解拓扑边界态特性和太赫兹集成芯片的研发具有重要意义。

摘要：关联规则分析作为数据挖掘的主要手段之一,在发现海量事务数据中隐含的有价值信息方面具有重要的作用。该文针对Apriori算法的固有缺陷,提出了AWP(Apriori With Prejudging)算法。该算法在Apriori算法连接、剪枝的基础上,添加了预判筛选的步骤,使用先验概率对候选频繁k项集集合进行缩减优化,并且引入阻尼因子和补偿因子对预判筛选产生的误差进行修正,简化了挖掘频繁项集的操作过程。实验证明AWP算法能够有效减少扫描数据库的次数,降低算法的运行时间。

摘要：为了实现空间中波束的动态扫描,设计了一款基于固态等离子体的超表面。采用阵列单元相位曲线拼接的技术,通过拼接介质基板厚度不同的阵列单元的相位曲线来实现0°~360°的相位补偿,并用数值插值的方式建立超表面参变量与相位补偿角之间的映射。结果表明,超表面的反射主波束方向θ分别为15°,25°和30°,计算结果与设计相符合,通过改变固态等离子体的激励区域来重构阵列单元,实现了空间中波束在θ为15°,25°和30°时的动态扫描。此反射型超表面阵列单元的普适性设计方法,降低了阵列单元的设计难度,并通过固态等离子体的可调谐特性实现了空间波束扫描超表面的设计。

摘要：基于0.18μm CMOS工艺设计了一种由前置放大器、可变增益放大器和G_m-C低通滤波器组成的低噪声心电信号采集前端电路。前置放大器采用了电容耦合结构,其中运算放大器的输入端采用了互补P/NMOS结构以降低1/f噪声的影响,并通过改进的RC密勒补偿技术提高了放大器的响应速度,而可变增益放大器则通过可调电容阵列实现了增益的均匀可调。仿真实验结果表明,所设计的心电信号采集前端电路的总电流仅为4μA,带宽为0.016～162 Hz,增益为40～58 dB且均匀可调,等效输入噪声为1.3μV_(rms)(0.1～200 Hz)。

摘要：近年来,图神经网络(GNNs)已成为图学习领域的热点研究问题。受益于消息传递机制,GNNs在各类基于图的任务上均取得了优越的性能。现有的GNNs方法大多基于图中所有节点的训练难度相同的假设,然而,节点在结构影响力和邻域标签异配性等方面具有明显的差异。为此,提出了一种结构影响力及标签冲突感知的图课程学习方法(SILC-GCL),基于节点的训练难度对GNNs模型进行课程学习。首先,设计了一种综合考虑节点的PageRank影响力值以及邻域标签冲突程度的训练难度测量器;其次,采用了一个训练调度器,用于在每个训练阶段选择训练难度合适的节点并生成一个由易到难的训练节点序列;最后在GNNs骨架模型上进行训练。在6个现实网络数据集上进行的节点分类实验均验证了SILC-GCL方法的有效性。