联邦学习安全与隐私保护综述

联邦学习是一种新型的分布式学习框架,它允许在多个参与者之间共享训练数据而不会泄露其数据隐私。但是这种新颖的学习机制仍然可能受到来自各种攻击者的前所未有的安全和隐私威胁。本文主要探讨联邦学习在安全和隐私方面面临的挑战。首先,本文介绍了联邦学习的基本概念和威胁模型,有助于理解其面临的攻击。其次,本文总结了由内部恶意实体发起的3种攻击类型,同时分析了联邦学习体系结构的安全漏洞和隐私漏洞。然后从差分隐私、同态密码系统和安全多方聚合等方面研究了目前最先进的防御方案。最后通过对这些解决方案的总结和比较,进一步讨论了该领域未来的发展方向。     

基于函数链神经网络的深度分类器

目前的宽度学习系统（Broad learning system,BLS）通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接,网络权值可以用求解伪逆的方法快速求得,避免了耗时的训练过程,从而成为快速而高效的学习方法。然而在追求高精度结果的过程中,BLS对于增强节点数量的需求过于巨大,容易造成过拟合问题。为此,本文提出了基于函数链神经网络（Functional-link neural network,FLNN）的深度分类器（FLNN based deep classifier,FLNNDC）,旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构,每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点,而不是全部映射节点。和原宽度结构相比,在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。     

基于全卷积孪生神经网络的复杂监控场景下前景提取方法

由于光照变化、相机抖动和动态背景等因素影响,现有基于传统图像处理方法的前景提取算法并不能在复杂场景下获得良好的分割效果。针对此类问题,本文提出了一种基于全卷积孪生神经网络的前景提取算法,仅需任意2帧图像即可准确提取运动前景。将输入的2帧图像分为背景图像与待提取图像,将其输入全卷积孪生神经网络得到二者的相似性度量图,该相似性度量图中包含待提取图像相对于背景图像的各像素变化情况信息;接着将相似性度量图与待提取图像融合,利用编解码网络以实现端到端的前景提取。在CDnet2014数据集上进行综合评估与测试,结果均证明了该方法的有效性。     

LDPC编码系统的码辅助载波相位同步算法

深空通信具有传输距离远、信号衰减严重的特点,针对低信噪比条件下深空通信系统中LDPC编码系统载波同步实现困难的问题,提出一种新的具有较低复杂度的码辅助载波同步算法。分析了载波同步误差对译码性能的影响,基于最大似然准则推导了载波相位的迭代同步算法,算法利用LDPC译码器输出的软判决信息来辅助载波相位的估计,将译码器与载波同步器进行联合迭代,从而得到接近最大似然估计性能的载波相位估计,同时对载波相位进行迭代补偿。仿真结果表明,在低信噪比条件下,算法能够有效纠正载波偏差,并能够以较低的系统复杂度获得近似理想同步的LDPC码译码性能。     

深空测控通信技术发展趋势分析

为满足21世纪我国深空探测任务的需要，参考国外深空测控通信系统的先进技术，归纳和总结了未来相关技术发展的7个趋势，为我国深空测控通信技术的发展提供一些参考。     

深空网伪码测距技术研究

介绍了NASA深空网所采用的伪码测距的基本原理,讨论了深空航天器应答机相干转发或再生所采用伪码序列的两种形式,对再生测距系统中的具体序列产生和相关、以及用中国剩余定理解算距离的实现方法和技术途径进行了分析,并计算分析了测距精度、捕获时间等系统关键指标,以对我国深空网的建设提供技术理论参考.     

二次奖罚学习自动机

研究了奖罚型学习自动机的一种非线性强化算法。与线性的奖罚模型（ＬＲＰ）不同,新模型的行动选择概率的更新函数为二次的。这使得该模型的学习性能优于ＬＲＰ,且对不同的环境,其具有不同的行为和特点。     

基于神经网络的飞行器再入制导研究

论述了神经网络理论在飞行器再入制导方面的应用.在分析各方法优缺点的基础上,提出了一种基于广义同归神经网络(GRNN)模型的再入制导方法.神经网络通过一组选定的轨迹样本进行有导师训练,训练好之后作为控制指令生成器,输入为再入过程中飞行器的状态参数,输出为倾侧角控制量,迎角控制量则由迎角剖面给定.仿真结果验证了该方法在再入...     

基于二叉树支持向量机的装备故障诊断研究

本文提出了一种基于二叉树支持向量机的某型装备故障诊断方法,应用该方法构造了多故障分类器,并通过某型装备故障实例验证了该方法故障诊断结果的正确性,证明了该故障诊断方法具有良好的鲁棒性和推广性。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。