南京邮电大学学报(自然科学版)杂志

南京邮电大学学报(自然科学版)杂志2024年第06期

• 基于深度强化学习的动态频谱智能干扰算法研究

  张兰,张彪,梁天一,朱辉杰

  随着人工智能技术的不断发展，强化学习技术在提高电磁频谱控制和干扰对抗效率方面展现出巨大潜力。针对跳频通信系统抗干扰能力强、传统干扰方法效果不佳的问题，利用深度强化学习技术实现在动态频谱环境下的电磁智能干扰。首先引入部分可观测马尔可夫决策过程对干扰机与跳频通信用户之间的通信对抗过程进行建模，然后基于卷积神经网络和长短期记忆网络设计了一个具有频谱特征挖掘和记忆回溯功能的干扰决策网络，实现基于深度强化学习的动态频谱智能干扰(Dynamic Spectrum Intelligent Jamming, DSIJ)算法。仿真实验结果表明，相较于传统DQN算法，所提DSIJ算法的干扰成功率提升了约18%。与传统的扫频干扰方法相比，其干扰成功率更是提升了约68%，从而充分证明了所提出的算法在动态频谱环境下实现智能干扰策略的有效性与显著优势。

• CGAC:一种基于CSI的人体动作识别方法

  苏健,郑毓煌,陈思光

  WiFi的信道状态信息（CSI）在人体动作识别（HAR）领域具有广泛的应用前景。目前基于CSI的HAR大多在准确率以及不同环境中的鲁棒性上存在不足。针对这类问题，提出了一种结合卷积神经网络、门控循环单元以及注意力机制的复合人体动作识别模型（CGAC）。首先使用CNN对输入数据进行时序特征提取，通过池化操作减小特征尺寸，再使用BiGRU对时序特征进行建模，通过注意力机制增强对关键特征的关注度。在3个公开数据集进行实验，CGAC在UT-HAR数据集中达到了99.70%的准确率，在NTU-Fi的HAR数据集中达到了97.50%的准确率，在Human-ID数据集上达到了97.81%的准确率，实验结果表明CGAC模型高于该领域现有方法的准确率，证明了方法的有效性。

• 基于RSMA的IRS辅助认知无线网络安全波束成形方案

  吴雪雯,马竟宵,薛小平,蔡强强,孔槐聪,林敏

  研究对象为一种结合了认知无线电网络、智能反射面（Intelligent Reflecting Surface， IRS）以及速率分割多址（Rate Splitting Multiple Access， RSMA）技术的IRS辅助的认知无线网络，通过充分利用IRS和RSMA的优势，该网络展现了在提高频谱效率方面的潜在巨大优势。然而，该网络容易受到安全问题的困扰，多用户共享相同频谱会增加干扰和隐私泄露的风险。为实现频谱效率和安全效率的联合考量，提出了基于RSMA的主次网络联合安全波束成形设计方法，以充分利用次用户产生的干扰，来抑制潜在窃听者，并在安全和能效之间取得平衡。在此框架下，研究了考虑多种约束条件下的主用户安全能效优化问题，并通过交替迭代波束成形的设计方案，结合连续凸近似和泰勒展开方法，实现了有效求解。该方法在基于RSMA的IRS辅助的认知无线网络中能充分利用次网络发射机的干扰，以提升主网络的安全性能，最终通过联合安全波束成形设计，实现了传输效率和安全性能的有效权衡。

• 无线供电语义通信网络资源优化方案研究

  谢家豪,吕斌,周超,郭海燕,田峰

  为了解决语义通信系统中用户的能量受限问题，构建了一种基于非线性能量收集模型的无线供电语义通信网络（WPSCN）。在所提出的WPSCN中，混合接入点（HAP）首先向所有用户同时发送射频信号以实现远程能量供应，然后用户利用收集的能量以时分多址方式向HAP传输语义信息。基于此，进一步研究了所有用户的有效语义信息量之和的最大化问题。该问题是关于用户处发射功率、HAP处发射波束赋形向量和时隙分配的联合优化问题。该问题由于包含隐性目标函数，很难直接求解。为此，首先利用广义函数近似获得语义相似度的显性函数表达式，然后设计了基于连续凸近似（SCA）和半正定松弛（SDR）的交替优化算法来求解非凸优化问题。仿真结果表明，相较于参考方案，所提出的方案可以显著提高系统的有效语义信息量。

• 噪声环境下基于注意力的时域语音分离方法

  余传旗,王婷婷,郭海燕,杨震

  目前，基于深度学习的时域单通道语音分离模型在无噪声场景下取得了显著的成效。然而，在含噪场景下，这些模型的编码器会将噪声特征误认为是源语音特征，影响掩码估计的准确性，导致分离性能不理想。针对此问题，提出一种基于注意力机制的时域语音分离模型，来降低噪声对语音分离任务的影响。具体地，考虑到时域编码器输出特征的各通道重要性差异，提出在编码器内部嵌入一个高效通道注意力（Efficient Channel Attention， ECA）模块，对编码特征的通道进行加权处理。在此基础上，提出采用图注意力网络（Graph Attention Network， GAT）来计算相邻帧间的注意力系数，以此聚合相邻帧间的编码特征，从而隐式地减小了噪声对掩码估计的影响。系统模型在WHAM！、Libri2Mix-Noisy和Libri3Mix-Noisy数据集上的实验结果表明，所提出的基于GAT和ECA的DPRNN（GACA-DPRNN）方法比基线DPRNN性能更优。

• 联邦学习中防御投毒攻击的客户端筛选策略

  徐鹤,张迪,李鹏,季一木

  联邦学习是一种解决数据孤岛问题的方法，但随着攻击模型的不断进化，敌手可能在训练过程中注入有害参数，导致模型训练效果下降。为了增强联邦学习模型训练过程的安全性，设计了一种面向联邦学习投毒攻击的客户端筛选策略。在该策略中，利用基于差分隐私指数机制的评分函数来动态更新权重参数。首先，为每个客户端分配一致的权重参数；然后，将每一轮训练的效果作为评估标准进行量化，并将量化结果传递至所构建的更新函数中；接着，服务器根据这些更新后的权重参数，筛选出适合参与本轮训练的客户端，并对这些客户端上传的训练模型进行聚合。整个流程反复进行多轮次，最终得出一个有效可靠的训练模型。最后，通过实验验证了所提策略在面对敌手投毒攻击下的可行性。

• 基于域对齐和伪标签细化的域自适应行人重识别算法

  朱松豪,宋杰

  无监督域自适应行人重识别旨在将知识从有标签的数据集迁移至无标签的数据集，从而减轻对大量有标签数据的需求。现有方法通过聚类生成伪标签解决这个问题，然而，生成的伪标签可能含有噪声，这将大大降低方法性能。为减少伪标签噪声，提高重识别性能，提出一种新颖的基于域对齐和相互引导伪标签细化的域自适应行人重识别方法。首先，利用双分支结构从增强数据中提取判别特征，以丰富特征的多样性；其次，设计一个分布式对抗性域对齐模块，以最小化域间差异；最后，利用局部特征和全局特征间的互补关系，实现局部特征和全局特征相互细化的一致性，从而有效减少伪标签聚类产生的噪声，提高伪标签预测的精度。大量实验结果表明，所提方法在域自适应行人重识别的公开数据集上取得显著效果。论文代码链接地址：https://github.com/cris0799/DAm。

• 基于路段全局拓扑的协同感知视野优化分配方法

  刘茜萍,吴孝宇,张琳

  基于协同感知技术，可将路段上若干车载摄像机获取的局部视野上传至路边架设的边缘服务器，进而融合出整个路段全局视野，以助于做出智能辅助驾驶决策。然而，直接将路段上所有车辆的视野数据悉数上传融合将带来极大的通信和计算开销，难以保证时效。为此，提出基于路段全局拓扑的协同感知视野优化分配方法，基于连通组件构建路段全局拓扑，进而在拓扑引导下获取路段视野初始分配方案，并提出分段式并行遗传算法进一步优化该方案，以尽可能减少冗余数据的上传，降低MEC边缘服务器负载，从而提高路段全局视野融合效率，其可行性和有效性通过仿真实验得到了验证。

• 基于混合von Mises-Fisher分布的双向对抗神经主题模型

  王睿,王延安,李子昂,孙国梓

  主题模型作为一种文本分析工具，能够自动地从文本数据中挖掘潜在的主题或语义信息。然而，已有的主题模型常假设不适当的先验且难以利用外部语义知识提高主题的质量，导致主题一致性不足。针对这些局限，提出一种基于混合von Mises-Fisher（vMF）分布的双向对抗神经主题模型。该模型通过编码器执行主题推断，同时为向主题建模过程中引入外部语义知识，提出在生成器网络中将主题建模为词嵌入空间的混合vMF分布，判别器网络被训练用于识别真假样本。在4个公开文本语料的实验结果表明，与其他基准主题模型相比，所提模型获得了更高的主题一致性。此外，当基于提取的主题进行文本聚类实验时，所提模型有效提高了文本聚类的准确率。

• 基于集成DQN的自适应边缘缓存算法

  张雷,李亚文,王晓军

  工业应用中，动态多变的流式数据特性使强化学习算法在训练过程中很难在模型收敛性与知识遗忘之间实现很好的平衡。考虑工业现场内容请求与当前生产任务具有高度相关性，提出一种基于集成深度Q网络算法（Integrated Deep Q-Network， IDQN）的自适应缓存策略。算法在离线阶段利用不同历史任务数据，训练并保存多个历史任务模型。在线阶段每当检测到实时数据流的任务特征发生变化，则重新训练网络模型。如果实时数据流的特征隶属于历史任务，则向深度Q网络（Deep Q-Network, DQN）导入相应的历史任务模型进行网络训练。否则直接利用实时数据流训练并标记为新的任务模型。仿真实验结果表明，IDQN与参考算法相比，在内容请求流行度动态变化时能够有效减少模型收敛时间，提高缓存效率。

• 面向未来复杂网络的标识体系研究

  佘昊,王宇翱,周沂,钱琪杰,郭永安

  软件定义网络以控制和转发分离的特性将网络领域带入智能与集中化的时代，然而随着物联网、工业互联网等场景的多样化与复杂化变革，未来网络需要支持按需互联、任务驱动的需求，传统TCP/IP的标识体系无法满足未来复杂网络的特性。因此，如何设计全新的互联网标识体系已成为信息领域最为迫切与核心的研究内容。分析了TCP/IP的层级结构缺陷，创造性提出“多维标识”体系及其关键机制。多维标识网络知识空间针对全网的资源进行统一标识、统一调度、状态感知和拓扑存储，为实现差异化、定制化通信网络服务提供分析与适配基础。

• 基于改进粒子群算法的无人机三维路径规划

  朱润泽,赵静,蒋国平,肖敏,徐丰羽

  因传统粒子群算法在无人机三维路径规划对参数具有较强的依赖性以及容易陷入局部最优的缺点，通过引入混沌映射、改进迭代公式以及引入柯西变异算子优化传统算法的性能。首先，建立无人机三维作业空间；其次，考虑地面和空中悬浮障碍因素，构建适应度函数，在算法迭代过程中，引入带区间约束的Logistic混沌映射增强粒子初始分布的随机性，并利用改进非线性迭代公式平衡算法的全局搜索能力与局部搜索能力，继而引入柯西变异算子避免算法陷入局部最优；最后，大量实验结果证明，相较于3种典型路径规划算法，改进粒子群算法具有较强的跳出局部最优的能力，且具有较稳定的寻优能力。

• 基于缩放框架的改进贝叶斯网络结构优化算法

  祁煜翔,钱龙霞,王友国,黄海平

  贝叶斯网络在进行概率推理时，寻找最优的网络结构是一个NP-hard问题。为了准确模拟节点之间的因果关系，提出基于缩放框架的改进型网络结构学习算法。首先，利用缩放框架进行因果分析，通过斜率矩阵判断节点之间的因果关系强度，以此为基础构建网络搜索空间，提高了网络结构的初始评分；其次，使用基于评分方法的浣熊优化算法寻找评分最高的网络结构，增强了在贝叶斯网络中的评分搜索能力；最后,对评分最高的结构进行加弧、减弧和转向弧操作，寻找拟合程度最高的最优结构。通过在不同复杂度的标准网络上进行模拟实验，结果表明：所提算法收敛速度更快，能够在较短时间内找到最优结构，且结构学习的评分更高，收敛精度较高。由此说明该算法在准确性和搜寻效率方面更有优势。