摘要：针对高超声速飞行器随机参数摄动的姿态控制问题,提出一种基于轨迹线性化和扩展卡尔曼滤波(extended Kalman filter,EKF)的预测滑模控制方法。首先,针对随机参数摄动的高超声速飞行器非线性模型,采用轨迹线性化方法建立线性时变误差调节模型。通过分析参数误差的统计特性,将统计信息以参数协方差矩阵的形式进行表示,并设计EKF对受扰误差状态进行滤波。然后,采用预测滑模控制方法设计误差稳定调节器,使系统快速趋于稳定。所提方法对随机参数摄动和非线性干扰都具有强鲁棒性。仿真验证了所提方法的有效性。

摘要：最小公倍数是解决很多数学问题的基础工具,在隐私保护的情况下如何对其进行多方协同计算具有一定的研究价值.部分经典安全多方计算协议虽然能够求解该问题,但计算复杂度为指数级.本文通过将最小公倍数问题转化为求多个周期函数的连接函数的周期,提出了一个基于量子周期查找算法的最小公倍数协议,将复杂度降为多项式级.在协议中,发起方对每个参与方发送一个粒子.每个参与方对粒子施加一个Oracle操作,其中Oracle函数的周期即各自的私有整数.然后,发起方通过运行量子周期查找算法来计算出连接函数的周期,即各自整数的最小公倍数.为了防御共谋和伪造攻击,采用星-环混合拓扑结构对粒子发送方进行诚实性检验.由于量子周期查找算法存在一定的失败概率,设计了一个量子匿名输出检验协议来检验最小公倍数结果的正确性.安全性分析表明了该协议在恶意模型下具有无条件安全性,且协议的计算复杂度和通信复杂度分别为O(n^(3)m^(2)log(nm))和O(n^(2)mlog(nm)),均为多项式级.此外,该协议具有较好的扩展性,可应用于安全多方最大公约数计算、有理数求和、最值计算等问题.

摘要：近年来,对虚拟表面纹理进行工具介导的振动触觉再现已经成为触觉领域的一个研究热点。针对已有的纹理触觉渲染方法还存在适用范围窄、泛化能力弱、交互真实感低等问题,以改进后的MelGAN为基本网络,构建了一种新的纹理触觉渲染模型。该模型以纹理图像和用户的实时动作信息为输入,在能够高保真地生成振动触觉信号的同时,对常见纹理图像拥有更好的泛化能力。此外,设计了一款具有动作信息实时采集和振动触觉表达功能的笔式装置。在采集了数据库之外的真实纹理表面的振动触觉信号后,比较了提出的模型与已有方法在信号生成方面的性能差异。结果表明,模型实现了最低的均方根误差(0.173),验证了其对未建模纹理进行触觉渲染的能力。最后,使用笔式装置进行了两项用户实验。平均6.01的主观相似度评分说明,即使是数据库之外的新纹理,模型也能为用户提供较高的纹理交互真实感。

摘要：利用光纤倏逝波耦合效应,设计了一种基于石墨烯全光纤结构的主动锁模激光器。该石墨烯全光纤锁模器件基于侧面腐蚀的单模光纤,构建了银/聚二甲基硅氧烷(PDMS)/石墨烯的电容型结构,腐蚀的单模光纤置于PDMS和石墨烯之间。实验结果显示,在电容结构两端施加与激光腔的共振频率一致及其整数倍的周期性方波电压信号,并对腔内光进行调制,可实现1558 nm光纤激光器的主动锁模。所设计的主动锁模激光器获得了基本频率及二次谐波的锁模脉冲,重复频率分别为12.2 MHz和24.4 MHz,实现了电控重复频率的脉冲输出。这种石墨烯全光纤锁模器件具有低成本、低功耗的优势,为实现灵活可控的主动锁模激光器提供了新思路。

摘要：设计与制作了一种应用于可穿戴生理信息监测的自供电系统,利用压电-光电复合能量收集装置采集人体运动时足底的机械能和室内光能。复合能量收集装置以运动鞋为载体,设计了多种结构压电能量收集器固定在鞋底,光电能量收集器粘接在鞋面,收集到的能量存储在超级电容中,同时设计了一套能够定时、按需供电的能量管理控制电路,控制生理信息监测系统每隔20 min上电一次,并且测量结束即刻断电。经测试,光电能量收集装置在室内从早上7点至晚上7点的平均输出功率达到590μW,压电能量收集装置在1.2 m/s的匀速步行状态驱动下的平均输出功率达540μW以上,复合能量输出功率能够稳定在1.124 mW以上,即20 min产电1.349 J。对系统各单元进行数据采集测试以及功耗测试,得出系统一个工作周期耗能1.04 J。从能量收支平衡来看,利用运动机械能与光能复合供电的生理信息采集系统可实现自我维持定时工作,具有一定的应用参考价值。

摘要：针对遥感图像目标检测算法漏检和误检率高、目标定位不精确、无法准确识别目标类别等问题,提出一种基于改进YOLOv8的目标检测算法。为提高模型的损失函数对梯度分配的灵活性,适应各种形状和尺寸的物体,设计了非单调聚焦机制与边界框几何因素相结合的边界框回归损失函数;为扩大模型的感受野并削弱遥感图像背景对检测目标的影响,采用全局注意力机制与残差块结合的方式,设计了残差全局注意力机制;为使模型适应遥感图像中目标物体的形变与不规则排列,对YOLOv8模型中的C2f模块进行改进,融入可变形卷积与可变形感兴趣区域池化层。实验结果表明,在DOTA数据集和RSOD数据集上,所提算法的平均精度均值(mAP@0.5)达到72.1%和94.6%,优于对比算法,提高了遥感图像目标检测精度,为遥感图像识别提供了新的手段。

摘要：针对恶意人脸属性编辑行为,基于取证的被动防御技术只能对篡改行为进行取证并不能防止其产生,从而难以消除恶意篡改行为已经造成的损失.因此,主动防御技术应运而生,其可以破坏属性编辑的输出从而避免人脸被篡改使用.然而,现有两阶段训练人脸篡改主动防御框架存在迁移性和扰动鲁棒性不足的问题,为此本文通过优化两阶段训练架构及损失函数和引入一个辅助分类器,提出一种三阶段对抗扰动主动防御框架.本文首先修改两阶段训练架构中的代理目标模型并基于此设计了训练扰动生成器的属性编辑损失,以提升代理模型的重建性能和属性约束能力,从而减少对代理模型的过拟合;其次,在训练阶段引入辅助分类器对代理模型提取的编码后特征进行源属性分类并基于此设计训练扰动生成器的辅助分类器损失,从而将原本的两阶段交替训练改为代理目标模型、辅助分类器和扰动生成器的三阶段交替训练,期望通过对抗攻击辅助分类器以促进对篡改模型的主动防御;最后,在扰动生成器的训练中,引入攻击层以促进对抗扰动对滤波和JPEG压缩的鲁棒性.实验结果验证,本文提出的框架能够比现有框架更好地将主动防御从白盒的代理目标模型迁移到黑盒的属性编辑模型,黑盒性能提升16.17%,且生成的对抗扰动较基线算法具有更强的鲁棒性,针对JPEG压缩的性能(PSNR)提升13.91%,针对高斯滤波提升17.76%.

摘要：针对接收信号强度指示(RSSI)在基于WiFi的室内定位应用中易受到环境影响出现波动、突变进而导致定位精度降低的问题,提出了一种WiFi混合滤波的RSSI室内定位算法。首先,根据WiFi信号距离衰减模型设计一种自适应阈值滤波器剔除观测信号异常值;然后,根据自适应阈值滤波、卡尔曼(Kalman)滤波、均值(Mean)滤波设计了一种混合滤波算法(ATKM)对RSSI数据进行滤波;最后,提出了一种基于斯皮尔曼-欧几里得距离的加权K近邻算法(SEWKNN)进行位置估计。在真实环境下的实测结果表明,本文提出的ATKM滤波算法能显著降低RSSI信号的波动,提出的SEWKNN算法在室内环境中平均定位误差为1.17 m,在走廊环境中平均定位误差为1.53m,相比传统的WKNN算法平均定位误差分别下降18.18%和16.84%。

摘要：针对传统带有电荷泵、以NMOS作为功率管的LDO驱动能力低下和输出纹波偏高的问题,基于Huahong 0.35μmBCD工艺,设计了一种隔离交直流环路的大电流LDO。该LDO通过将直流环路和交流环路进行隔离,降低了对电荷泵驱动能力的需求,从而保证NMOS功率管栅极驱动电压的较低纹波并实现大电流输出。通过加入纹波电流吸收电路,增强了LDO的PSRR。结果表明,在3.41~5.5V的输入电压范围内,LDO的输出电压为3.3V,输出电流最高达到3 A,压差为110 mV。LDO在轻负载下的PSRR为:111.261dB@DC,86.9005dB@1kHz,78.9472dB@1MHz;重负载下的PSRR为:111.280dB@DC,84.1231dB@1kHz,39.2638dB@1MHz。

摘要：目的 恶意的图像拼接篡改给名誉、法律、政治等带来一系列的挑战,而现有的图像拼接检测算法通常采用参数固定的高通滤波器提取滤波特征进行预处理,没有考虑图像之间的差异。方法 本文设计自适应残差模块(adaptive residuals module, ARM)凸显拼接篡改痕迹,将卷积运算后的残差多次拼接,且每次拼接后再利用注意力机制实现通道间的非线性交互。然后,使用通道注意力SE(squeeze and excitation)模块以减少由ARM提取残差特征产生的通道之间信息冗余,并以在图像分类领域获得卓越性能的EfficientNet(high-efficiency network)为骨干网络,提出一种新的图像拼接检测算法。结果 实验结果表明,所提算法在CASIA I(CASIA image tampering detection evaluation database),CASIA II,COLUMBIA COLOR,NIST16(NIST special database 16)和FaceForensic++这5个公开数据集上分别取得98.95%,98.88%,100%,100%,88.20%的检测准确率,获得比现有算法更高的准确率。提出的ARM将骨干网络EfficientNet在CASIA II数据集的准确率提高了3.94%以上。结论 提出的基于自适应残差的图像拼接检测算法充分考虑图像之间的差异,凸显篡改区域与未篡改区域之间的区别,并获得更好的拼接检测结果。