时间敏感网络（TSN）中信息的真实性是系统的关键安全要素，然而直接引入传统安全认证机制会导致系统可调度性和实时性大幅降低。现有的方法仍存在适用场景少、资源消耗高等问题。针对这些问题，文中提出了一种面向TSN的安全感知调度方法。首先基于TSN流量特性设计了一种时间有效的一次性签名安全机制，为消息提供高效的组播源认证；然后提出相应的安全模型对该机制进行评估，描述安全机制对任务和流量的影响；最后对提出的安全感知调度方法进行数学建模，在传统调度约束的基础上，增加了安全机制相关的约束，同时以最小化应用端到端时延为优化目标，使用约束规划进行求解。仿真实验结果表明：改进的一次性签名机制的引入可以有效保护TSN中关键信息的真实性，且对调度的影响有限；在多个基于真实工业场景生成的不同规模测试用例中，产生的应用端到端时延平均仅增加13.3%，带宽消耗平均仅增加5.8%；与其他同类型方法相比，文中方法的带宽消耗更低，更加适用于有严格带宽限制的TSN。

因能有效地压缩卷积神经网络模型，知识蒸馏在深度学习领域备受关注。然而，经典知识蒸馏算法在进行知识迁移时，只利用了单个样本的信息，忽略了样本间关系的重要性，算法性能欠佳。为了提高知识蒸馏算法知识迁移的效率和性能，文中提出了一种基于特征空间嵌入的对比知识蒸馏（FSECD）算法。该算法采用批次内构建策略，将学生模型的输出特征嵌入到教师模型特征空间中，使得每个学生模型的输出特征和教师模型输出的N个特征构成N个对比对。每个对比对中，教师模型的输出特征是已优化、固定的，学生模型的输出特征是待优化、可调优的。在训练过程中，FSECD缩小正对比对的距离并扩大负对比对的距离，使得学生模型可感知并学习教师模型输出特征的样本间关系，进而实现教师模型知识向学生模型的迁移。在CIFAR-100和ImageNet数据集上对不同师生网络架构进行的实验结果表明，与其他主流蒸馏算法相比，FSECD算法在不需要额外的网络结构和数据的情况下，显著提升了性能，进一步证明了样本间关系在知识蒸馏中的重要性。

为适应物联网加密传输中大量轻型传感器节点运算性能和能源有限的特点，解决传感器运行RSA（Rivest-Shamir-Adleman）、DHM（Diffie-Hellman-Merkle）、Elgamal等公钥基础设施（PKI）加密算法所面临的运算速度、功耗等瓶颈问题，并简化相应的硬件加密电路逻辑设计，文中提出了一种基于类梅森数的密钥交换快速取模算法（CZ-Mod算法）。CZ-Mod算法利用梅森数的数学特性，使关键的mod（取模）运算的时间复杂度降至O（n）。首先，提出了一种以类梅森数为模数的快速取模运算mod1，使复杂的mod运算变成简单的二进制移位相加运算；其次，提出了一种以任意近似类梅森数的正整数为模数的快速取模运算mod2，在简化mod运算的同时扩大模数的取值范围；然后，对mod1、mod2运算作逻辑电路设计，以简化mod运算的硬件电路；最后，将以上工作应用到物联网节点的密钥交换中，以降低计算的复杂度，提高PKI加密算法的速度。实验测试结果表明：采用CZ-Mod算法的DHM密钥交换速度可达到常规算法的2.5~4倍；CZ-Mod算法精简，适合做物联网传感器的硬件电路设计。

近年来，随着智能合约的数量越来越多，因合约漏洞而造成的经济损失愈发严重，智能合约的安全性越来越受到广泛的关注。基于深度学习的漏洞检测方法能够解决早期传统智能合约漏洞检测方法检测效率低、准确率不足的问题，但大多现有基于深度学习的漏洞检测方法都是直接使用智能合约源代码、操作码序列或字节码序列作为深度学习模型的输入，会因引入过多无效信息而削弱有效信息。为此，文中提出了一种基于胶囊网络和注意力机制的智能合约漏洞检测方法。考虑到程序的执行时序信息，文中通过提取智能合约的关键操作码序列作为源代码特征，然后利用胶囊网络和注意力机制的混合网络进行训练，其中胶囊网络模块用于提取智能合约的上下文信息以及局部与整体的联系，注意力机制用于给不同的操作码按照其重要程度分配不同的权重。实验结果表明，文中提出的算法在智能合约数据集中的F₁分数和准确率分别为94.48%和97.15%，与其他传统检测方法和深度学习方法相比有较明显的性能提升。

信号获取过程中，除了有高斯噪声外，还有具有脉冲性质的稀疏噪声，常用的鲁棒稀疏信号恢复模型能够在稀疏噪声环境下恢复出原始的稀疏信号。但是，许多实际应用问题需要考虑原始信号的结构稀疏性，如梯度稀疏。为了从稀疏噪声和高斯噪声共存的环境下恢复出结构稀疏的原始高维信号，文中基于截断L₁-L₂全变分、3维截断L₁-L₂全变分和鲁棒压缩感知，提出了两个非凸非光滑优化模型，用于解决高斯噪声和稀疏噪声混合影响下的结构稀疏信号恢复问题，并采用含有外推的邻近交替线性极小化算法求解这两个优化模型，使用含外推的邻近凸差算法求解子问题，在势函数具有Kurdyka-Lojasiewicz（KL）性质的条件下，给出了含外推交替极小化算法和含外推邻近凸差算法的收敛性分析。数值实验测试了高斯噪声灰度图像、混合噪声彩色图像、混合噪声灰度视频等，采用图像峰值信噪比（PSNR）作为评价准则。实验结果表明，文中模型能够更好地恢复出原始的结构稀疏信号，且在同一噪声环境下文中模型恢复的信号具有更优的PSNR值。

智慧教育是人工智能的重点研究方向，如何利用试题中知识点并对学生的认知过程进行刻画是重中之重。针对认知诊断模型对学生和试题及其交互信息挖掘不充分的问题，文中提出了融合遗忘和知识点重要度的认知诊断模型。该模型根据学生对试题和知识点的历史交互，结合知识点难度信息引入遗忘因素，缓解了对学生信息挖掘不充分的问题；通过注意力机制获取试题对知识点的考查重要度信息，缓解了对试题信息挖掘不充分的问题；通过Transformer学习学生与试题间的交互，缓解了学生与试题交互不充分的问题。在经典数据集上的实验结果表明，文中模型在Math1、Math2、Assistment数据集上的准确率A_cc、均方根误差RMSE、受试曲线面积AUC值分别为0.716、0.445、0.776、0.725、0.432、0.807、0.741、0.427和0.779，优于现有的其他对比模型，说明了知识重要度和时效性对于认知建模的重要性。

双模超声广泛用于医学临床诊断，其中B模式脉冲用于成像，多普勒脉冲则用于血流速度估计。数据采集时间在两种模式之间共享。为了提高B模式图像的更新频率，需要减少多普勒脉冲数量，即发射稀疏多普勒脉冲进行血流速度估计。然而现有的适应稀疏脉冲采样算法，如迭代自适应算法、稀疏贝叶斯法以及基于阵列虚拟拓展的子空间类方法，计算开销巨大，难以满足实时成像的要求，且在稀疏度大的情况下会产生明显的伪影。为此，文中提出了一种基于稀疏脉冲采样的低复杂度血流速度估计算法。根据超声多普勒回波信号是由血红细胞的散射产生，具有强相干、信源个数时变的特点，文中首先从子空间角度解析了伪影的成因，并验证了包含均匀脉冲的稀疏发射脉冲排布方式可以有效地抑制伪影；然后以均匀脉冲回波构建协方差矩阵，并进行空间平滑获取特征值，以较大特征值的个数和相互的比值作为标准，判断血流不同时刻的频率分布特征；最后以此频率分布特征为标准，自适应采用B-MUSIC算法或TBVAM算法进行血流速度估计，以降低算法的复杂度。Matlab仿真和人体实测数据的实验结果表明，该算法在极大地减小计算复杂度的同时，可以获得较为连续、清晰且伪影抑制效果较佳的血流速度估计结果。

针对传统音唇一致性判别方法主要对正面唇动视频进行处理，未考虑视频采集角度变化对结果的影响，且容易忽略唇动过程中的时空特性等不足，文中以唇部角度变化对一致性判别的影响为研究重心，结合三维卷积神经网络在非线性表示和时空维度特征提取上的优势，提出了基于正面唇重构与三维耦合卷积神经网络的多视角音唇一致性判别方法。该方法先通过在生成器中引入自映射损失来提高正面重建效果，并采用基于自映射监督循环一致性生成对抗网络（SMS-CycleGAN）的唇重构方法对多视角唇图进行角度分类及正面重构；然后设计两个异构三维卷积神经网络，分别用来描述音频和视频信号，并提取包含长时时空关联信息的三维卷积特征；最后引入对比损失函数作为音视频信号匹配的相关度鉴别度量，将音视频网络输出耦合到同一表示空间，并进行一致性判别。实验结果表明，文中方法能重建出更高质量的正面唇图，一致性判别性能优于多种不同类型的比较方法。

足迹作为人体生物特征之一，在生物识别领域具有重要意义，而同一对象的不同鞋型压力足迹图像在足迹轮廓特征上具有显著性差异，导致其类内差异大。针对压力足迹图像的跨域检索，文中提出了一种基于互信息解耦表示的跨域压力足迹图像检索方法。首先，构建了一个包含200人足迹图像的多域压力足迹数据集，从定性和定量两个角度分析跨域压力足迹图像的特点；其次，采用两个独立的编码器实现图像解耦模块，该模块将压力足迹图像解耦为域特定表示和域共享表示，通过域分类法保证域特定表示包含更多域相关的信息；然后，通过最小化互信息损失扩大域特定表示和域共享表示之间的距离，同时，为避免解耦过程中信息的丢失，基于域特定表示和域共享表示重构原始压力足迹图像；最后，通过特征提取模块进一步提取域共享表示的深层卷积特征，经过度量模块计算不同特征间的关联度，从而实现跨域压力足迹图像检索。对比及消融实验结果表明，该方法的解耦模块具有一定的有效性，在多域压力足迹数据集上的性能表现良好，首位查询结果的检索准确率达到79.83%，平均准确率达到65.48%。

在科学实验与工业生产中，力传感器动态特性会直接影响传感器的精度，因此研究力传感器动态特性具有重要意义。针对应用于手术机器人的应变式力传感器动态特性难以满足精度要求的问题，文中研究了基于最小二乘参数辨识方法在力传感器振动结构中的应用。由于递推最小二乘（RLS）对于二阶振动系统模型辨识难以同时保证快速性和抗干扰性，文中提出了一种基于可变遗忘因子的递推最小二乘参数辨识方法。首先，通过建立随机振动系统模型，对系统的输入/输出特性进行仿真与分析，确定了遗忘因子函数中的参数，仿真结果表明，文中提出的方法在保持更快收敛速度的同时，使参数辨识误差和收敛预测误差相比于RLS有明显的降低，相比于最小二乘有良好的时变性；然后，在阶跃测试标定法基础上对微创外科手术机器人力传感器的动态参数进行辨识，获得该传感器系统的结构动态特性，即固有频率和阻尼比。实验结果表明，文中提出的方法有较好的收敛性和稳定性，有效地提高了辨识精度。

近年来，随着人们对视频数据需求的不断增加，视频的分辨率和帧率也在不断地提高，而实时视频序列的压缩编码速度往往受到帧率和分辨率的影响，分辨率和帧率越大，编码所需要的时间越长。为了实现更高分辨率和更高帧率的视频序列实时压缩编码，文中设计了一种新的帧内率失真优化预测模式的并行流水线硬件架构，该架构支持最大64×64编码树单元的帧内预测编码。首先设计了9路预测模式并行方案；然后，按照Z型扫描顺序实现以4×4块为基本处理单元的流水线硬件架构，并复用32×32预测单元的预测数据，用以代替64×64预测单元的预测数据，减少运算量；最后，基于该流水线架构，提出了一种新的哈达玛变换电路，用以实现高效的流水线处理。实验结果表明：在Altera Arria 10系列的现场可编程门阵列上，该9路模式并行架构仅占用75 kb的查找表和55 kb的寄存器资源，主频可以达到207 MHz，完成一个64×64编码树单元的预测仅需要4 096个时钟周期，最大能够支持1 080 P分辨率99 f/s全I帧的实时编码；与已有设计方案相比，文中方案能够用更小的电路面积实现更高帧率的1 080 P实时视频编码。

当前，基于数字电路的脉冲神经网络硬件设计，在学习功能方面的突触并行性不高，导致硬件整体延时较大，在一定程度上限制了脉冲神经网络模型在线学习的速度。针对上述问题，文中提出了一种基于FPGA并行加速的高效脉冲神经网络在线学习硬件结构，通过神经元和突触的双并行设计对模型的训练与推理过程进行加速。首先，设计具有并行脉冲传递功能和并行脉冲时间依赖可塑性学习功能的突触结构；然后，搭建输入编码层和赢家通吃结构的学习层，并优化赢家通吃网络的侧向抑制的实现，形成规模为784~400的脉冲神经网络模型。实验结果表明：在MNIST数据集上，使用该硬件结构的脉冲神经网络模型训练一幅图像需要的时间为1.61 ms、能耗约为3.18 mJ，推理一幅图像需要的时间为1.19 ms、能耗约为2.37 mJ，识别MNIST测试集样本的准确率可达87.51%；在文中设计的硬件框架下，突触并行结构能使训练速度提升38%以上，硬件能耗降低约24.1%，有助于促进边缘智能计算设备及技术的发展。

偏心转子挤出机具有良好的正位移输送特性，能有效解决超高分子量聚乙烯（UHMWPE）由于壁面滑移造成的加工困难的问题。为了揭示UHMWPE在偏心转子挤出机输送段的熔体流动特性，采用实验与数值模拟相结合的方法确定了UHMWPE熔体壁面滑移的模型参数，利用ANSYS Polyflow软件对UHMWPE熔体的流场进行了数值模拟。结果表明：偏心转子挤出机中转子和定子啮合形成的容腔能够实现对UHMWPE熔体的正位移输送，容腔截面尺寸的变化在熔体中产生了拉伸流场；在每个容腔的入口和出口附近分别形成正压和负压，啮合间隙不为0时，造成容腔中熔体的逆流和漏流，使容腔出口处的平均流率低于理论流率。偏心转子挤出机加工UHMWPE时，容腔出口处熔体的瞬时流率和平均流率与转子转速成正比，流率脉动率保持不变；减小转子和定子间的啮合间隙，容腔出口处熔体的平均流率增加，流率脉动率减小，增强了偏心转子挤出机中熔体的正位移输运。

模内热压定型是纸浆模塑餐具生产过程中的一种常用干燥方式，它是将成型后获得的湿纸模胚在被模具挤压与抽真空的条件下进行加热。加热板作为热压定型机的热源，其工作表面的温度均匀性影响着制品的干燥质量。针对纸浆模塑热压定型过程中加热板的温度不均匀性问题，文中提出了一种联合仿真与正交试验的优化方法。首先，对加热板的工作过程进行分析，建立了加热板的传热模型；然后，基于Fluent对加热板进行温度场的数值模拟，根据温度场分布结果将油路结构中的高温区域与低温区域尽可能交错，设计了4种新的迷宫式油路结构；最后，以油路结构、油路平面高度、加热板厚度和油路截面直径设计了4因素4水平的正交试验，并进行了极差分析与方差分析。结果表明：在实际干燥过程中，工作表面的最高温度为224.47 ℃，最低温度为209.92 ℃，温度极差高达14.55 ℃，温度标准差为3.01 ℃；加热板厚度和油路直径的大小对温度极差的影响显著，油路结构对温度标准差的影响显著。基于以上分析改进了加热板的结构，与原设计方案相比，加热板工作表面的温度极差降至7.27 ℃，温度标准差降至1.09 ℃，保证了加热板温度的均匀性，提升了纸浆模塑产品的质量。

磁弹磨粒具有磁性、低弹性模量以及优良的研磨性能，能够提高加工效率和加工质量。首先，基于磁场基本理论和磁弹磨粒特性，分析了磁弹磨粒双磁盘磁力刀具钝化机制；然后，基于磁场中磁弹磨粒的磁场力对离散元软件EDEM进行二次开发，建立了磁弹磨粒双磁盘磁力刀具钝化过程仿真模型，研究了磨粒粒度、磁化率和磁盘间距对刃口碰撞次数和磨粒旋转速度的影响规律；最后，采用Matlab软件对刀具刃口轮廓进行重建，提出了基于钝化面积的改进形状因子表征方法，通过正交实验研究了磨粒粒度、磁化率和磁盘间距对刃口钝化量的影响规律，并验证了所提改进形状因子表征方法的可行性。结果表明：随着磁弹磨粒粒度的增大、磁化率的增加和磁盘间距的减小，刃口碰撞次数和磨粒旋转速度增大；钝化参数对刃口钝化量的影响程度大小依次为磨粒粒度、磁盘间距、磁化率，最优钝化参数组合为磨粒粒度40目、磁化率0.1、磁盘间距15 mm；仿真与实验钝化面积的最大相对误差为16.33%，最小相对误差为0.42%，仿真能够较好地预测刃口钝化形貌，且改进的刃口形状因子能够较好地表征刀具刃口钝化形貌。

低速工况下处于混合润滑状态的滑动轴承易因变形或倾斜而发生磨损。为分析轴颈倾斜和磨损对滑动轴承混合润滑特性的影响，建立了计入轴颈倾斜和弹性变形的平均流量方程、G-T接触方程和Archard磨损方程耦合模型，采用有限差分法及超松弛迭代法计算混合润滑状态下轴承特性参数和时变磨损参数，对比了轴颈倾斜前后或磨损前后轴承的润滑性能，并分析粗糙度和边界摩擦系数等因素对各性能参数的影响。搭建摩擦磨损试验台测试了倾斜状态下轴承的润滑特性，验证了理论模型的正确性。理论分析与试验结果表明：重载大偏心时轴承转变为混合润滑状态，轴颈倾斜程度越大，轴承越容易发生混合润滑；轴承倾斜后，压力峰值和接触区域形状发生改变，磨损量因而发生变化，并且磨损深度分布沿轴向或周向倾斜；磨损降低了油膜的动压效应，并且使膜厚比降低，导致油膜压力峰值下降约20%，接触压力峰值降低约90%，承载力最高下降约19.71%；对比磨损前后的轴承形貌发现，轴颈倾斜使得磨损集中于间隙减小的一端。该研究可为实际工程中轴承的设计提供理论依据。