基于抽象汇编指令的恶意软件家族分类方法

恶意软件变体的大量出现对网络安全造成巨大威胁。针对基于汇编指令的恶意软件家族分类方法中，操作数语义与运行环境密切相关而难以提取，导致指令语义缺失，难以正确分类恶意软件变体的问题。提出了一种基于抽象汇编指令的恶意软件家族分类方法。通过抽象出操作数类型重构指令，使操作数语义脱离运行环境的约束；利用词注意力机制与双向门循环单元（Bi-GRU）构建指令嵌入网络以捕获指令行为语义，并结合双向循环神经网络（Bi-RNN）学习恶意软件家族共性指令序列，以减小变体技术对指令序列的干扰；融合原始指令和家族共性指令序列构建特征图像，并通过卷积神经网络实现恶意软件家族分类。公开数据集上的实验结果表明:所提方法能够有效提取操作数信息，抵抗恶意软件变体中无关指令的干扰，实现恶意软件变体的家族分类。      

基于注意力机制与特征相关性的人脸表情识别

针对自然条件下人脸表情识别面临遮挡、光照、姿势变化等挑战，存在识别准确率低的问题, 提出了一种新的深度学习网络模型用于人脸表情识别。以ResNet为基础网络，融合了瓶颈注意力机制及全局二阶池化层，其中瓶颈注意力机制专注于表情重要特征的提取，全局二阶池化层度量表情特征之间的相关性，在此基础上通过联合正则化策略，平衡和改善特征数据分布情况，提高表情识别准确率。所提方法在2个公开数据集FER2013和CK+ 进行了测试及验证，最高准确率分别达到了74.227%和95.8%，性能优于诸多现存的主流方法，表明所提模型具有较好的准确性和鲁棒性。      

铸造A356.2（Sc，La）铝合金研究

采用铸造工艺制备了A356.2（Sc，La）铝合金，测试分析了稀土元素Sc和La对铝合金中共晶硅的细化作用及对合金力学性能的影响。结果表明，单独添加稀土元素La对A356.2（La）铝合金中的共晶硅有一定的细化作用，但对力学性能的改善作用不大。而含有两种稀土元素0.38%Sc+0.14%La的A356.2（Sc，La）铝合金中的共晶硅细化作用较好和力学性能更高，其共晶硅细化到2.3 μｍ，抗拉强度和伸长率分别达到181.6 MPa和4.0%。稀土Sc和La对共晶硅的细化作用主要是弥散强化和细晶强化共同作用的结果，这两种强化与铝合金中析出的Al₃Sc相和稀土La相有关。     

激光支持的脉冲等离子体推力器工作过程实验研究

为了加深对激光支持的脉冲等离子体推力器工作过程的认识，本文对有无陶瓷隔离板和不同初始电压下的激光支持的脉冲等离子体推力器进行了实验研究。利用放电伏安特性对比了放电特性参数和性能参数，然后利用结合窄带滤光镜的高速摄影技术揭示了性能差异背后的物理过程变化。结果表明，陶瓷隔离板可以有效避免放电电弧对工质的烧蚀，这可以抑制滞后烧蚀的产生，从而提高推力器的推进性能。对激光烧蚀产生的工质的电离和加速是在多次振荡放电过程中进行，而不像理想电流片模型那样只电离和加速一次。放电通道内工质的电离和加速效果最为显著的时间为放电的第2个半周期。随着初始电压的增加，单位放电能量产生的推进性能先增加后趋于平稳，然后继续增加。单位放电能量产生的推进性能在初始电压高于2050V后得到较大的提高，通过放电等离子体图像推测，这意味着附着等离子体电弧的存在对推力器性能的提高有重要影响。     

嵌入注意力机制的多尺度深度可分离表情识别

针对面部表情识别中，传统机器学习方法特征提取较为复杂，浅层卷积神经网络识别率不高，以及深度卷积神经网络易带来梯度爆炸或弥散的问题，构建了残差网络嵌入注意力机制的多尺度深度可分离表情识别网络。通过多层多尺度深度可分离残差单元的叠加进行不同尺度的表情特征提取，使用CBAM注意力机制进行表情特征的筛选，提升有效表情特征权重的表达，削弱训练数据的噪声影响。所提网络模型在Fer-2103和CK+表情数据集分别取得了73.89%和97.47%的准确度，表明所提网络具有较强的泛化性。      

基于注意力机制和改进YOLOv3的红外弱小目标检测

红外弱小目标检测技术是红外探测系统的核心技术之一。针对远距离复杂场景下红外弱小目标对比度低、信噪比低和纹理特征稀疏分散导致目标检测率低的问题,提出一种融合注意力机制和改进YOLOv3的红外弱小目标检测算法。首先,在YOLOv3的基础上,用更大尺度的检测头替换最小尺度的检测头,在保证推理速度的基础上有效提升了红外图像中小目标的检测概率。然后,在检测头之前设计了Infrared Attention模块,通过通道间的信息交互,抽取出更加关键重要的信息供网络学习。最后,用完全交并比损失(Complete IoU Loss)替代交并比损失(Intersection over Union Loss)来衡量预测框的检测能力,通过梯度回传实现更好的模型训练。实验结果表明,提出的YOLOv3-DCA能完成多种场景下红外弱小目标的检测任务,且检测准确率、召回率、F1和平均准确率分别达到91.8%、88.8%、93.0%和88.8%,平均准确率比YOLOv3基线提升约7%,与主流的SSD、CenterNet和YOLOv4模型对比平均准确率也取得了目前最优。     

基于改进狼群算法的多无人机协同多目标分配CSCD

针对现代空战多无人机协同多目标任务分配问题,结合标准狼群算法,提出了一种改进狼群算法的多目标任务分配方法。根据狼群的不同分工以及搜索属性,建立了基于自主游走机制的头狼产生规则、基于多策略知识库的探狼游走机制和基于自适应步长的猛狼奔袭及围攻方式,从而对传统狼群算法的随机性进行智能化约束与控制,以解决多无人机协同多目标任务分配问题。数值仿真结果表明,该方法能够快速有效获得任务分配方案,避免陷入局部最优。