通过TCAD器件建模，建立了PIN二极管的电热耦合模型，搭建PIN限幅器HPM耦合仿真电路以进行高功率微波效应仿真。仿真得到了不同频率下PIN限幅器瞬态电压响应以及PIN二极管内部电场、载流子、结温分布。仿真结果表明，在HPM耦合电压作用下，PIN限幅器平顶泄漏负向电压随频率增大而降低，PIN限幅器平顶泄漏正向电压随频率增大而降低。PIN二极管内部PIN限幅器的限幅能力随微波频率增加先增强后减弱。HPM频率较低时PIN二极管内部晶格温度积累集中于I层界面处，随着频率升高，晶格温度积累集中于I层中间位置，因此频率变化会造成PIN限幅器的HPM毁伤敏感位置变化。

准确识别运动想象脑电信号是神经科学和生物医学工程领域的重要挑战。设计了基于位串行卷积神经网络加速器的脑电信号识别系统，充分利用其小体积、低能耗和高实时性的优势。从软件层面，介绍了脑电数据的预处理、特征提取及分类过程，并采用格拉姆角场转换将一维信号映射为二维特征图供网络处理。在硬件层面，提出了列暂存数据流和固定乘数原位串行乘法器等方法，在FPGA上实现了位串行卷积神经网络加速器的原型验证。实验表明，基于位串行LeNet-5加速器的FPGA实现对BCI竞赛Ⅳ数据集2a和2b的分类平均准确率分别达到95.68%和97.32%,kappa值分别为0.942和0.946，展现出的优异性为运动想象脑电信号识别的高效实现提供了思路。

针对传统DBN在无监督训练过程中预训练耗时久、诊断精度差等问题，提出了一种基于改进多目标蜻蜓优化自适应深度信念网络（IMODA-ADBN）的模拟电路故障诊断方法。首先，根据参数更新方向的异同提出了自适应学习率，提高网络收敛速度；其次，传统DBN在有监督调优过程利用BP算法，然而BP算法存在易陷入局部最优的问题，为了改善该问题，利用改进的MODA算法取代BP算法提高网络分类精度。在IMODA算法中,添加Logistic混沌印射和基于对立跳跃以获得帕累托最优解，增加算法的多样性，提高算法的性能。在7个多目标数学基准问题上测试该算法，并与3种元启发式优化算法（MODA、MOPSO和NSGA-II）进行比较，证明了IMODA-ADBN网络模型具有稳定性。最后将IMODAADBN运用到二级四运放双二阶低通滤波器的诊断实验中，实验结果表明该方法在收敛速度快的基础上保证了分类精度，诊断率更高，能够实现高难故障的分类与定位。

针对物流无人机在城市低空复杂环境和高密度动态交通流下的避障决策问题，提出一种动态三维避障算法。首先对城市低空环境建模并将无人机的动态避障问题表达为马尔可夫决策过程，通过在动作集中加入高度变化等飞行动作，将避障算法可行解的范围拓展到三维空间中。其次改进了奖励估值函数，使算法能够在绕飞以及爬升越障中通过蒙特卡罗树搜索权衡最优避障策略。仿真表明该算法能够选择最优策略，缩短24.4%的飞行时间并减少33.2%的飞行距离。最后考虑到无人机感知系统容易因建筑物遮挡受限而造成对环境状态观测不完全，对算法鲁棒性做出了验证，其结果表明随着感知范围缩短，算法仍能求得可行解。

光学波前是光波相位面的几何表示，光学波前传感技术通过检测光波传播路径中的相位变化来分析物体的性质。该技术广泛应用于大气湍流检测、光学元件缺陷分析、生物样品研究等领域，在天文学、自适应光学、显微成像、激光系统和生物医学等方面具有重要作用。然而，常见探测器仅对光强度敏感，为了探测光学波前，通常需要在探测前端使用一系列复杂的光学元件，这导致系统体积庞大、成本高昂且结构复杂。近年来，随着微纳光学和人工智能等领域的不断进展，涌现出一系列基于新原理、新器件和新算法的集成化、小型化和高性能的光学波前传感技术。该论文系统综述了近期光学波前传感技术的研究进展，并根据其原理将其分为干涉型和非干涉型两大类，具体包括剪切干涉型、光栅干涉型、近场干涉型、算法重构型和维度关联型等技术。最后，总结了当前领域尚存的挑战，并展望了未来可能的研究方向。

结合超短波通信中射频功放的实际工程应用，设计构建了一种复合型功放系统的检测电路及保护电路，并对其功能进行了研究。该设计的检测保护电路能够对脉宽范围50～110μs的信号进行实时监测，对应的占空比为4%～30%，在-35～0 dBm功率范围内对电路做出响应，开关的插入损耗≤2.6 dB，已在最新机载设备上获得应用，对提高功放的可靠性和使用寿命具有积极意义。

在当前物联网飞速发展的背景下，处理来自各种信息采集设备的多模态数据，尤其是视觉、听觉信号和文本等多元感官信息的数据，对于机器学习落地应用至关重要。Transformer架构和其衍生的大模型在自然语言处理和计算机视觉中的卓越表现推动了对复杂多模态数据处理能力的追求。然而，这也带来了数据隐私安全和满足个性化需求的挑战。为解决这些挑战，提出一种基于多模态Transformer的个性化联邦学习方法，它支持异构数据模态的联邦学习，在保护参与方数据隐私的前提下为其训练更符合其个性化需求的多模态模型。该方法显著提升了多模态个性化模型的性能：相较于对比方法，准确率提高了15%，这标志着多模态个性化联邦学习在应用场景限制上的突破。

LLC谐振变换器有着转换效率高、软开关特性好等显著优点。但在储能系统充电的应用场合中，宽电压增益输出要求LLC谐振变换器工作频率在较大范围内变化，从而引起转换效率明显降低、磁性元件设计困难、轻载调节有限等问题。研究了一种采用谐振电感复用的LCL-T/LLC谐振变换器，可用于电动汽车的车载充电。将谐振电感置于变压器副边，构建LCL-T谐振腔使得变换器工作在恒流充电阶段，LCL-T谐振变换器的恒流特性可以显著减小变换器的工作频率范围；通过辅助开关改变谐振支路，该谐振电感也可参与LLC谐振，使变换器工作在恒压充电阶段，提供稳定的充电电压。由于谐振电感位于变压器副边，减少了死区时间内的磁芯损耗，提高了转换效率。详细分析了该变换器的工作模式和直流增益特性，给出了关键参数设计原则。最后，搭建了一台3.3 kW、400 V/330 V的实验样机，验证了变换器拓扑和控制方案的有效性。

概要介绍了电磁计算与电磁工业软件的研究进展。1）介绍了电磁计算方法的研究进展，对解析方法、高频近似方法、全波计算方法、快速计算方法，以及近年发展起来的混合方法进行了阐述；2）概述了基于时域有限差分方法（FDTD）、有限元法（FEM）、矩量法（Mo M）等全波计算方法的3款国际主流商业电磁计算软件的特点和发展历程；3）介绍了我国具有自主知识产权的“摇光”高频电磁工业软件的算法体系、软件功能以及实际应用情况；4）对电磁计算与电磁工业软件的未来发展进行了总结和展望。

通信感知一体化技术与灵活可控无人机通信技术结合将成为6G无线通信网络“万物智联”的潜在技术。针对无人机通信感知一体化系统中无人机能量受限问题，提出了一种基于强化学习的无人机功率分配和轨迹设计的联合优化算法。该算法在用户通信速率和目标感知波束图增益约束下，通过构建与无人机能耗、发射波束和通信速率相关的线性加权奖励函数，以实现智能化的无人机功率分配和轨迹设计，从而最小化无人机通信感知一体化系统的能耗。仿真结果表明，该方案相较于基准方案降低了12.36%～21.08%的无人机能耗，并拥有更优的收敛性能。

在通信、雷达等应用场景中，常常需要对稀疏信号进行高精度的频谱运算。传统基于快速傅里叶变换的方法需要大量运算资源，频谱分析效率低。为了解决高精度和实时性的矛盾，该文提出了一种基于稀疏傅里叶变换的频谱分析方法，利用延时采样的相位旋转效应，在低采样率下实现宽带信号的快速频谱感知。实验结果显示，这种方法在欠采样且存在混叠的稀疏信号测试场景下大幅减少了运算压力，运算效率比FFT提升了2倍以上，在典型的稀疏场景下，对信号恢复精度超过95%。

自动调制样式识别是非合作通信场景中实现信号检测和解调的关键前提。近年来，深度学习在自动调制样式识别领域展现了显著的优势。然而，现有研究普遍忽视了通信过程中随机干扰所带来的挑战。事实上，由于无线通信的开放性和广播特性，干扰攻击已成为无线通信中的重大威胁。为了充分发挥自动调制样式识别在无线通信中的潜力，该文深入探讨了干扰环境下基于深度学习的调制样式识别技术，针对已知干扰和随机未知干扰两种情况，设计了相应的基于干扰认知的识别方法，并通过开放数据集RML2016.10a验证了该算法的有效性。

针对小目标检测中卷积操作导致检测特征缺失和不同尺度语义隔阂的问题，提出一种基于动态自适应通道注意力特征融合的小目标检测方法。1)提出一种多尺度三角动态颈（Tri-Neck）网络结构，用于融合多尺度特征语义隔阂及弥补小目标特征缺失的问题。2)提出一种分组批量动态自适应通道注意力模块，增强弱语义小目标特征同时抑制无用信息，且在动态自适应通道注意力模块中设计新的激活函数和交并比损失函数，提升通道注意力表征能力。3)采用ResNet50作为骨干网络依次连接特征金字塔网络和Tri-Neck网络。实验结果表明，该方法在Pascal Voc 2007、Pascal Voc 2012上比YOLOv8算法mAP分别提升5.3%和6.2%，在MS COCO 2017数据集上AP和AP_S分别提升1.6%和2%，在SODA-D数据集上比YOLOv8算法AP提升0.9%。

随着深度学习技术的快速发展，行人搜索算法的研究得到大量学者的关注。行人搜索是在行人检测和行人重识别任务的基础上在图像中寻找特定目标行人。该文对近年来行人搜索任务相关研究进展进行了详细梳理。按照模型网络结构和损失函数两方面对现有方法进行分析和总结。依据卷积神经网络和Transformer两类不同的技术路线，重点阐述各自代表性方法的主要研究工作；并按照传统损失函数、OIM损失函数及混合损失函数对行人搜索采用的训练损失函数进行详细总结。此外，总结了行人搜索任务领域常用的公开数据集，比较和分析了主要算法在相应数据集上的性能表现。最后总结了行人搜索任务的未来研究方向。

针对监控环境复杂，行人在光照变化、视角变化和遮挡等不同条件下图像外观差异较大，导致行人细节特征难以被提取的问题，提出了一种融合注意力机制的多粒度行人再识别模型。该模型通过引入多分支结构，提取包含不同尺度信息的特征图；结合多粒度切分模块和注意力机制，进一步提取特征图的局部判别性信息，获取多样化的特征表示并实现特征的协调统一；采用联合学习的方式对模型进行监督训练，得到更全面的特征描述。在主流的行人再识别数据集Market-1501、DukeMTMC-reID和CUHK03上取得了优异的性能，mAP分别达到了88.42%、78.86%和76.70%，结果表明了该模型的有效性。

图神经网络（GNN）被广泛应用于节点分类。然而，现有研究集中于平衡数据集，但是不平衡数据却普遍存在。传统处理不平衡数据集的方法，如重采样和重加权，往往需要进行较多的预处理或提出新的网络结构，容易引入新的偏差并导致信息丢失。该文提出了一种改良的装袋（Bagging）集成学习方法，对不平衡图数据集进行了k折划分，并采用GNN为基础模型对子数据集进行训练得到多个不同的子模型。最后，通过融合不同模型来提升节点的分类精度而不引入过多的预处理。基于不平衡图数据集的实验结果，表明所提出的方法在准确性和鲁棒性上优于基本分类器，此外，还发现分类精度随着k的增加先提高后降低。

研究采用传递熵方法对反社会行为（antisocial behavior, ASB）个体的大脑功能异常进行了神经网络效应分析。结果显示，ASB组的效应连接全局同步性显著下降，同时节点的介数中心性和度中心性存在显著差异。其中，右侧颞叶、左侧枕叶及梭状体的节点介数中心性显著降低，而左侧额下回、脑岛和楔前叶则显著增加。节点度中心性的变化表现为右侧额中回等区域降低，而双侧中央后回、左侧颞下回、脑岛等区域升高。此外，ASB组在14个典型大脑网络中呈现显著不同的效应连接模式。这些发现为理解反社会行为的神经基础提供了重要启示。

识别社交网络中的机器人账户，可以保护社交网络运营商及其用户免受各种恶意活动的侵害。现有的基于网络结构的社交机器人识别方法，忽略了真实网络多数是节点或连边性质具有差异的异质网络，无法充分利用不同类型节点或连边的拓扑结构信息，使得在识别社交机器人时存在一定的局限性。基于模体理论融合节点标签信息，提出一种基于异质模体特征的社交机器人识别方法，提取更加细节的局部信息来区分人类用户和机器人用户。所提方法与BotRGCN方法相比，在ACC、Precision、Recall和F1这4个指标上均有所提升，其中ACC指标提高了17.3%,Precision指标提高了23.3%，同时相较于对比方法，在面对标签噪声时展现出更强的鲁棒性。该识别方法可以更精确地识别社交机器人，从而有效防止恶意机器人对社交网络平台进行攻击、传播虚假信息或进行欺诈行为。

地面雷达部署于阵地后，由于地面多路径反射叠加，会产生垂直方向波瓣的分裂，即多径效应。多径效应对低频段地面雷达的探测性能影响显著。该文从多径效应产生的机理出发，定量分析了其对雷达探测威力与精度的影响。在此基础上，提出了地面雷达的地形匹配设计，包括反射点调整法和频率分集法，通过合理设计，不仅可以消弭多径效应的影响，还能增强雷达探测的威力。该方法可以指导地面雷达部署后的阵地优化，提升雷达的探测性能。

准确识别社交网络中的节点重要性对于促进或抑制信息传播、遏制疾病传播具有重要意义，同时在精准营销和社会治理等领域也具有重要理论意义和应用价值。该文从4个角度对节点影响力识别算法进行总结和梳理，具体包括：基于微观局部结构、中观的社团结构、宏观全局结构及基于机器学习的算法。详细介绍了其中的代表性算法，并从不同层面分析了不同算法的优缺点。此外还总结了常用的传播动力学模型和评价指标。最后提炼了仍需解决的问题和未来可能的研究方向。

网络高阶结构即满足特定条件的子网络，是网络科学领域重要的研究内容。近年来，关于高阶结构的研究不断增加，但是关于高阶结构之间内在联系的研究还相对较少。基于此，根据传统关联规则，定义了高阶结构之间的关联规则评判指标，并提出了一种有效挖掘高阶结构之间关联规则的通用算法框架。利用该算法，在6个真实世界网络中进行了3阶高阶结构（即高阶结构包含3个结点）间的关联规则挖掘。实验结果表明，真实世界网络中高阶结构之间存在强关联规则，且不同真实世界网络中高阶结构之间的关联规则存在差异。此外，将挖掘出的强关联规则应用于链路预测当中，进而实现了链路预测方法。相比于基线方法，所实现的链路预测方法在4个真实世界网络中取得了最好的性能表现。

有机电化学晶体管（organic electrochemical transistor, OECT）作为高效的离子-电子换能器在生物电子学领域受到了广泛关注。但当前具有超高循环稳定性的OECT仍然鲜有报道，成为了阻碍其进一步发展及商业化的瓶颈问题。为了探究循环稳定性测试过程中OECT性能衰退的规律及其机理，该文对比了平面结构和垂直结构的OECT在相同测试条件下的循环稳定性，并使用光学显微镜表征了测试前后的沟道区域形貌变化；同时还对比了垂直结构OECT在不同偏置条件下的性能衰退情况。实验结果表明：OECT循环稳定性的衰退是多方面因素共同作用的结果，其中离子的反复掺杂/去掺杂过程、源极/漏极上偏置电压以及非电容性法拉第副反应的产生都会加速OECT的性能衰退。

毫米波因在近场具有较强的物体穿透能力和优异的空间分辨率，在航空航天高强度低密度隔热抗腐蚀吸波的复合材料无损检测领域引发了广泛关注。主动反射式毫米波成像主要利用近场毫米波与物体的反散射效应来反演被测物体的特征。目前已有的近场毫米波成像方法主要利用毫米波能量衰减效应重构被测物体的图像，而该文将相位成像与近场毫米波成像相结合，利用毫米波与物体的相位效应进一步扩展面向无损检测的近场高精度成像方法。提出的近场毫米波相位成像方法首先利用基于球面波分解的近场二维合成孔径算法来反演被测物体反射率的相位主值数据，然后通过近场相位展开算法重构被测物体的高精度绝对相位图像。为了验证该方法的可行性，对金属遮蔽、材料夹层、聚四氟乙烯、石英陶瓷和氮化硅试块进行了实测，测试结果表明30～40 GHz毫米波近场相位成像方法可以有效检测半径为2 mm的缺陷。

随着大数据时代的到来，信息抽取已成为自然语言处理领域的重要研究方向。信息抽取涉及多项任务，包括命名实体识别、关系抽取和事件抽取等，每项任务通常需要依靠专用模型来应对其特定的挑战。该文提出一种基于提示学习的ERNIE-BiLSTM-PN通用信息抽取方法（EBP-UIE），结合预训练语言模型（ERNIE）、双向长短期记忆网络（BiLSTM）和指针网络（PN），旨在通过一个统一的框架解决信息抽取任务的复杂性，并实现跨任务知识的共享。ERNIE优化了对文本的深层理解和上下文分析，BiLSTM的应用加强了对序列特征的捕捉及长距离依赖关系的解析，PN则提高了对文本中信息元素起止位置的精确标定，提示学习机制灵活实现多个信息抽取任务的统一建模。实验结果显示：在命名实体识别任务，EBP-UIE在MSRA和PeopleDaily数据集上的F1分数比UIE模型分别高出7.12%和0.53%；在关系抽取任务，EBP-UIE在DuIE数据集上的F1分数超过UIE模型6.84%；对于事件抽取任务，EBP-UIE在DuEE数据集上的触发词和论元抽取F1分数分别比UIE模型高出4.49%和0.95%。

语义分割是当前场景理解领域的基础技术之一。现存的语义分割网络通常结构复杂、参数量大、图像特征信息损失过多和计算效率低。针对以上问题，基于编-解码器框架和离散小波变换，设计了一个联合多连接特征编解码与小波池化的轻量级语义分割网络MLWP-Net(Multi-Link Wavelet-Pooled Network)，在编码阶段利用多连接策略并结合深度可分离卷积、空洞卷积和通道压缩设计了轻量级特征提取瓶颈结构，并设计了低频混合小波池化操作替代传统的下采样操作，有效降低编码过程造成的信息丢失；在解码阶段，设计了多分支并行空洞卷积解码器以融合多级特征并行实现图像分辨率的恢复。实验结果表明，MLWP-Net仅以0.74 MB的参数量在数据集Cityscapes和CamVid上分别达到74.1%和68.2%mIoU的分割精度，验证了该算法的有效性。

设计了一款抗辐射16位25 MS/s流水线型模数转换器（ADC）。根据电容失配等因素确定了第一级4位的流水线结构，并设计了改进的自举开关来提高采样线性度。为了降低系统功耗，设计了一种开关电容动态偏置电路，通过减小放大器的平均电流来降低ADC的系统功耗。为了满足抗辐射的要求，针对电离总剂量效应和单粒子闩锁效应的机理，对电路进行抗辐射加固设计。该款抗辐射ADC在0.18μm CMOS工艺上进行制造，转换器的芯片面积为2.5 mm2，经过辐射试验后，在采样率25 MHz、1.8 V电源电压和30.1 MHz正弦输入的条件下，ADC的信噪比（SNR）达到了76.7 dBFS，无杂散动态范围（SFDR）为95.1 dBFS，功耗为38.76 mW，抗辐射能力达到电离总剂量100 Krad(Si)和单粒子闩锁阈值75 MeV·cm2/mg，可满足空间环境的使用要求。

量子计算机潜力巨大，是国内外积极关注的颠覆性计算技术，已经逐步进入人们的视野，被赋予能够高效解决经典计算机不能解决的问题期望。该文首先总结了国内外量子计算机系统的发展（涉及硬件、软件多个层次），并归纳了目前量子计算系统需要面对的问题以及相关的解决方案和方向。随后，提出了量子操作系统的设计原则，并介绍了一种量子操作系统QuOS的原型核心机制。

针对非均匀等离子体包裹目标的电磁散射问题，提出了一种基于体射弹射线法的建模技术，重点研究电磁波在介质体中的传播特性及散射分析方法。针对在介质体中透射与反射射线数据量激增的问题，提出了基于迭代追踪加速技术以此提高体介质散射中透射反射射线的追踪效率。仿真实例表明，与传统弹跳射线法相比，体弹跳射线法能更快速准确地计算出等离子体目标的散射特性。采用所提出的技术研究了等离子体鞘套对阿波罗号返回舱雷达散射截面积的影响，验证了等离子体对目标雷达散射截面积有一定缩减作用。

针对多无人机辅助移动边缘计算中的任务卸载决策和路径优化问题，提出了一种基于多智能体深度强化学习的计算任务卸载与路径优化方法，以降低系统总能耗，提升计算性能。首先，设计了多无人机辅助移动边缘计算系统模型，通过软件定义网络技术对无人机网络进行集中管理；然后，在考虑无人机负载及用户设备关联服务公平性的基础上，以系统总能耗为优化目标，通过设计多智能体深度确定性策略梯度算法完成任务卸载与无人机路径管理优化，以实现负载均衡、降低整个系统总能耗。仿真实验结果表明，与其他基准算法相比，所提方法在充分利用无人机辅助移动边缘计算系统计算资源的基础上，可在一定程度上降低系统能耗和计算延迟，保证整个系统的高效、稳定和可靠性，较好地满足移动边缘用户的服务请求。

针对Wi-Fi指纹定位精度低、维护繁琐、训练成本大的问题，提出一种基于信道状态信息（CSI）和改进多元核函数极限学习机（FO-MKELM）的室内定位方法。首先在预处理阶段对CSI幅值差和重构相位信息进行融合，以减少环境噪声的影响；其次，在离线训练阶段，采用分段式量子粒子群算法（QPSO）为模型寻找最优参数,以提高定位精度和泛化性能；然后，为抑制环境改变对定位性能的影响，引入在线增量学习和遗忘机制，添加部分新增数据进行增量学习持续更新定位模型，并设置数据有效期遗忘过旧数据减少不良影响；最终，在在线预测阶段，将模型输出与标签库进行匹配获得更为准确的坐标。在空旷楼道和复杂实验室两种不同的环境下进行实验验证，该算法相比其他定位方法在定位精度和长期稳定性上都有所提升。

智能学习方法在网络数据异常分析中发挥着重要作用，但传统智能化异常分析方法难以在网络数据分析结果的可解释性、异常分析的计算资源消耗量、网络数据流序列数据分析准确度上寻得平衡。为克服以上问题，提出了一种结合混合特征选择和Transformer的网络数据流异常检测模型，基于混合特征选择方法进行数据预处理，基于改进的Transformer进行异常检测。采用树模型与互信息的混合特征选择算法对网络数据特征进行降维。采用Transformer的encoder部分作为分类任务的核心，并融入卷积操作来增强对网络数据流序列数据的局部感知能力，通过分类头进行输出。对所提方法进行了仿真实验，在公共入侵检测数据集CICIDS2017上进行验证，实验结果表明，该模型能对网络数据流异常进行有效检测，优于所对比的基于神经网络的入侵检测方法。

推荐系统需要利用大量用户数据进行运算，存在用户隐私泄露风险。虽然差分隐私技术已被用于保护用户隐私，但在不可信服务器场景下，现有方法由于过多噪声注入会导致推荐效果下降。针对此问题，提出了一种结合混洗器的差分隐私矩阵分解推荐算法，利用混洗操作的隐私放大效应来减少噪声。在此基础上，通过对本地最大的k个梯度添加噪音来避免因数据稀疏性引起的推荐性能下降的问题，从而更好地优化了隐私保护与数据效用之间的平衡。理论与实验结果均验证了该算法不仅能有效提升隐私保护力度，而且能够产生良好的推荐效果，展现出良好的应用潜力。

反符合探测器（ACD）是甚大面积伽马射线空间望远镜（VLAST）的一部分。为充分测试探测器的功能和性能，并兼容未来多版本探测器的升级与评估，需要设计具有一定灵活性的数据采集系统。该文针对ACD的需求设计并实现了基于USB 3.0规范的数据采集系统，包括USB相关的硬件设计、FPGA逻辑设计和上位机软件设计。软件系统作为该设计的核心，使用Python 3.11实现，应用多线程技术灵活配置系统中接入的USB设备数量并进行设备控制和数据传输。该系统已应用在反符合探测器原理样机中，并在欧洲核子研究中心（CERN）进行了束流实验。实验结果表明，该数据采集系统在长时间实验下工作正常，运行稳定，符合探测器测试需求。

针对现代电磁频谱设备或终端具有网络化、捷变性、多功能、自适应、种类复杂多样和使用环境复杂多变等特性给认知电磁频谱战系统的信号分析与处理带来的巨大挑战的问题，提出了一种结合人工智能、适合复杂电磁环境下电磁目标信号认知处理与分析的架构。在该架构下电磁目标信号分析与处理被分为目标信号参数估计、目标信号类型分类、辐射源个体识别和目标信号的特征建库与知识图谱[1-3]的构建等4个层次，可以很好适应闭集和开集电磁目标信号的分析与处理；此外，在此架构下提出了未知辐射源辨识、跨模态辐射源智能识别和电磁辐射源的个体识别的算法框架，在实测数据集上的验证实验表明，该算法在闭集和开集电磁信号分析中有效可行。

传统电子器件主要由硅基等无机半导体材料以及硬质高分子绝缘衬底材料组成，是现有电子技术的基础。虽然传统电子技术已经发展成熟，但由于材料的限制，导致在柔性电子领域方面，其应用尚存在一定的局限性。而二维材料拥有高结晶性、近乎完美的晶格结构、原子级的厚度与高的机械拉伸强度，并且表现出优异的电荷传输性质，使其在柔性电子领域具有应用前景。该文利用石墨烯、二硫化钼与六方氮化硼优异的机械性能，采取机械剥离法与干法转移，制备基于二硫化钼的场效应晶体管，并采取自主搭建的柔性测试平台，测试了器件的柔性电学性能。测试结果表明，设计的二维异质结晶体管在静态测试条件下，电学性能只有微小变化；但在动态测试条件下，由于层与层之间的范德瓦尔力太小，层与层之间发生滑动或位移，使得器件的电学性能出现较大变化。

近年来，电磁频谱空间已逐步发展成为大国博弈的必争领域，成为国家的战略稀缺资源。在民用电磁频谱领域，电磁频谱拥挤、应用业务激增，在宽带频谱监测、频谱安全、频谱大数据及智能化应用方面面临着巨大挑战；军用电磁频谱博弈对抗愈加激烈，电磁频谱感知、监测及影响效应评估面临感知手段有限、频谱管控和协同应用能力不足等难题。该文首先回顾了典型电磁频谱应用现状、面临的挑战及国外发展趋势。然后，分析了国内电磁频谱空间总体设计和规划管理、典型工程实践和关键技术突破情况。最后，给出了我国电磁频谱空间应用的发展思路。

目标物体导航是在未知的环境中根据视觉观察到达预期的目标物体。其中，如何从视觉观察中找到目标物体的方向是至关重要的。针对这一问题，提出一种基于多特征融合的目标物体导航方法。该方法通过特征融合模块融合包含导航环境整体信息、局部信息的视觉特征和指代目标物体语义的文本特征，得到表征导航方向的方向特征和导航环境的环境特征，将视觉表示与导航方向相关联，从而指导导航动作的生成，约束代理朝目标物体方向导航，提高模型的导航成功率和效率。AI2-Thor数据集上的实验表明，和基准模型对比，导航成功率SR提升11.7%、导航成功路径长度加权比率SPL提升0.093；和目前先进的方法对比，SR提升2.1%、SPL提升0.008。实验结果证明了该方法的准确性和高效性。

在“量子-经典”混合模式下，设计了多头量子自注意力神经网络预测模型（MQSAPN）用以进行时间序列预测，模型包括多头量子自注意力模块以及变分量子线路预测模块两部分。通过对输入数据按时间步长分别进行量子态编码以及K、Q、V的计算，借鉴已有研究使用高斯函数进行自注意力系数的估计方式，将量子自注意力特征提取后的数据再次编码到变分预测线路中，经过线路演化及测量，最终获取预测结果。完整流程与模型搭建均采用VQNet框架实现。在天气学变量的时间序列预测任务中，该模型表现出与经典多头自注意力模型预测模型以及长短期记忆单元网络模型相当的预测精度。此外，相对于同样是量子机器学习的data-reuploading变分线路而言，在近乎同等规模线路深度与参数量的前提下，表现出更高的预测精度，这也进一步验证了引入量子自注意力机制的有效性。值得指出的是，作为预测部分的变分线路会随着输入数据量的增多（如时间窗加长、特征变量规模增加等），其参数量与线路深度也会显著增加，尽管多层QSA能够较好地进行特征表达，但依然有可能因遇到“贫瘠高原”困难而成为整个网络的瓶颈。

针对金融领域的投资组合优化问题中普遍存在的整数约束难题，提出了一种基于量子近似优化算法的新解法。该算法通过将经典算法得到的连续解编码为量子电路的初始态，从而将连续优化问题转化为离散的马科维茨模型。同时，引入硬约束来严格满足投资组合中的整数约束，确保解的质量。通过热启动技术，进一步提升了算法的成功率。数值模拟实验表明，该算法在求解大规模整数约束投资组合问题时，相较于传统方法具有显著的计算效率优势，且所得解的质量更优。

在对射频微波功率放大器芯片的概念、类型与实现工艺进行全面综述与分类的基础上，聚焦其高频化、线性度改善、能量转换效率提升、带宽扩展以及高集成度封装等关键技术的研究现状与亟待解决的技术问题，深入分析并讨论了各项关键技术的主流实现方式、典型研发案例以及相关应用利弊，旨在为现代无线通信系统射频前端集成的功率放大器芯片研发提供方法总结与设计参考。最后对射频微波功率放大器芯片技术的发展趋势与行业走向作出了展望。