• 用于环形肉芽肿分类的交互式多媒体系统：将变换器神经网络与临床决策支持相结合

  摘要：皮肤疾病对身体健康和心理健康都有显著影响，常常导致慢性不适、社交焦虑和生活质量下降。环状肉芽肿（Granuloma Annulare，GA）是一种罕见的炎症性皮肤病，分为五种亚型：泛发性、局限性、斑片状、皮下型和穿孔型。这些亚型在临床表现上常有重叠，使得诊断变得复杂。目前的临床实践主要依赖主观的视觉评估，这增加了误诊的风险。为了解决这些问题，我们开发了一种交互式多媒体诊断系统，该系统将皮肤镜图像数据与患者元数据整合到一个统一的人工智能框架中。通过采用“Transformer中的类注意力机制”（Class-Attention in Transformers，CaiT）架构，我们的模型能够有

  来源：IEEE MultiMedia

  时间：2025-11-25

• 通过分层少样本学习实现针对脂溢性皮炎的实时便携式诊断

  摘要：脂溢性皮炎是一种常见的皮肤疾病，由于其症状与其他皮肤病重叠，常常被误诊，因此早期和准确的诊断至关重要。传统的诊断方法严重依赖于专家的解读和专门的设备，而这些在偏远地区或资源有限的环境中通常无法获得。为了解决这些限制，我们提出了一种分层少样本学习模型，该模型能够自动分类脂溢性皮炎的六大主要类型，并进一步将每种类型分为轻度、中度和重度三个等级进行评估。我们的模型结合了原型网络（ProtoNet）和ResNet50骨干网络，以捕捉数据中的层次关系，并在数据稀缺的环境中实现细粒度分类。训练后的模型在独立测试集上的分类准确率为98.35%，并且在部署到Raspberry Pi设备上使用优化的推理流

  来源：IEEE MultiMedia

  时间：2025-11-25

• 利用大型语言模型提升场景知识相关表达式的理解能力

  摘要：场景知识指称表达式理解（SK-REC）是一项新兴的多媒体推理任务。该任务要求模型对指称表达式和场景知识进行联合推理，以定位目标对象。然而，场景知识的复杂性和冗余信息可能会对模型产生干扰。为此，我们提出了一种数据简化方案。我们利用大型语言模型的理解能力来简化复杂的场景知识，从而过滤掉不相关的描述，仅保留与指称表达式所涉及的目标对象相关的内容。此外，我们还提出了一个场景知识推理网络（SKRN）。SKRN从指称表达式和场景知识中提取特征，并采用注意力机制来充分利用这些特征进行推理。这增强了模型处理场景知识的能力，最终提高了定位的准确性。在基准数据集上的实验结果证明了我们的数据简化方案和所提出的

  来源：IEEE MultiMedia

  时间：2025-11-25

• 电网风电集群有功功率控制器的虚假数据注入攻击检测与缓解策略研究

  随着全球能源转型的加速，风力发电在电力系统中的占比持续攀升，特别是在加拿大和全球范围内，风电装机容量年均增长率分别达到17.5%和21.1%。这种快速增长在带来清洁能源的同时，也引入了新的运行挑战。以双馈感应发电机(DFIG)为代表的变速风电机组(WT)通过变流器并网，其转子转速与电网频率解耦，导致电网整体惯性显著降低。例如，欧洲电网2016年的惯性水平相比1996年降低了约20%，这使得电网频率在面临负荷突变或发电机跳闸等扰动时更为脆弱。为应对这一问题，英国等国家的电网规范强制要求大规模风电场(WF)参与负荷频率控制(LFC)，通过风电场有功功率控制器(WFAPC)提供快速频率支撑。然而，W

  来源：Journal of Modern Power Systems and Clean Energy

  时间：2025-11-25

• 基于简化通信的多端高压直流电网实时稳态优化集中式二次控制研究

  随着可再生能源大规模并网，多端高压直流（MT-HVDC）电网已成为连接海上风电与陆上电网的关键基础设施。模块化多电平换流器（MMC）因其优越的 scalability 和可控性，被广泛用于构建现代直流电网。在MT-HVDC系统中，直流电网形成（DC-GFM）站通过调节其直流电压设定点，能够直接影响电网的潮流分布，从而实现诸如网损最小化、经济调度或电流均衡分配等优化目标。传统的下垂控制虽然简单可靠，但在发电/负荷波动大、运行约束复杂的场景下，往往难以始终保持最优运行状态。而现有的基于离线优化的二次控制方法，虽能提供优化设定值，但无法实时应对模型不确定性或突发扰动，可能导致系统偏离最优工况甚至违反

  来源：Journal of Modern Power Systems and Clean Energy

  时间：2025-11-25

• 基于动态模式分解的电力系统机电振荡广域监测系统工业级硬件在环验证

  随着现代电网向高比例可再生能源转型，电力系统正面临着前所未有的稳定性挑战。风电、光伏等新能源的大规模接入，因其固有的低惯性响应特性，叠加日益增长的用电需求和相对滞后的输电网络投资，共同改变了电网的动态特性。一个直接且危险的后果是，未充分阻尼的机电振荡现象愈发频繁，显著增加了大规模停电的风险，对经济社会造成严重影响。因此，对电力振荡进行实时监测，以便运行人员能够及时采取补救措施，变得至关重要。传统的模态分析方法，如基于线性化模型的小信号稳定分析，在实际广域监测系统（WAMS）中的应用受到限制，因为电网的模型参数、拓扑结构和控制设置始终处于变化之中。尽管同步相量测量单元（PMU）和卫星通信技术的进

  来源：Journal of Modern Power Systems and Clean Energy

  时间：2025-11-25

• 级联驱动受控解列提升电网运行韧性的决策框架研究

  当极端天气事件日益频繁地冲击现代电力系统时，电网正面临着前所未有的安全挑战。台风、冰雹等自然灾害往往引发连锁反应，导致多条输电线路同时故障，进而演变为大规模停电事故。这种被称为"级联故障"的现象，如同多米诺骨牌般在电网中蔓延，其破坏力已在全球多起大停电事件中得到印证。尽管电力系统运营商普遍将受控解列(Intentional Controlled Islanding, ICI)作为最后一道防线，但现有标准仍缺乏对极端天气驱动型级联故障的针对性应对策略。更关键的是，传统方法未能系统解决"何时解列、何处解列、如何解列"这三个核心问题，导致在真实灾害场景下决策效率低下。发表于《Journal of M

  来源：Journal of Modern Power Systems and Clean Energy

  时间：2025-11-25

• 电网形成型同步控制中频率估计器的性能与稳定性分析

  随着可再生能源在电力系统中的渗透率不断提高，传统同步发电机(SG)正逐渐被基于逆变器的资源(IBR)所取代。这种转变带来了新的挑战——电力网络的强度可能降低，系统稳定性面临威胁。电网形成(GFM)控制技术被视为增强电力电子主导型电力系统稳定性和弹性的 promising 解决方案。然而，GFM控制结构中频率估计器的选择和设计问题尚未得到充分研究，这可能导致实际控制性能与预期存在差异。目前工业界主要采用两种同步控制方案：虚拟同步机(VSM)和下垂控制(droop)。当不实施频率估计器时，文献表明VSM和下垂控制是等效的。但实际情况中，GFM转换器需要实时估计电网频率，而频率估计器的类型(如PLL

  来源：Journal of Modern Power Systems and Clean Energy

  时间：2025-11-25

• 无人机与众包出租车协同实现的空中-地面即时配送：联合无人机站点部署与配送调度

  摘要：即时配送已成为日常生活中的一项基本服务，对配送时间有着严格的要求。然而，传统的配送方式依赖人工快递员，由于劳动力短缺，难以满足日益增长的配送需求。尽管研究人员已经探索了使用地面车辆（例如众包出租车）和无人机（UAV）的替代方案，但这些方案的固有局限性（如众包出租车受限于行驶路线，以及无人机电池容量有限）极大地限制了它们的效率。为了解决这些问题，本文提出了一种新型的空地协同配送模式，该模式将无人机和众包出租车有机结合。首先，根据配送需求与出租车配送能力之间的差距来战略性地部署无人机站点，而不仅仅是基于配送需求；接着，设计了一种预测性的无人机重新定位策略，以实时填补动态变化的配送缺口。随后，

  来源：IEEE Transactions on Mobile Computing

  时间：2025-11-25

• 无人机辅助的半分散混合联邦学习中的完成时间最小化

  摘要：物联网（IoT）使得大量无线设备能够相互连接，从而产生了海量的数据流，这可能会使中央服务器不堪重负。联邦学习（FL）通过将计算任务分配到边缘设备上来缓解这些问题，从而通过消除对原始数据传输的需求来保护数据隐私。然而，在大规模物联网网络中部署联邦学习时，会遇到一些挑战，如设备能耗限制、异构网络条件以及“落后者效应”，这些因素不可避免地会阻碍模型的收敛。为了解决这些问题，本文提出了一种半去中心化的混合联邦学习（SDHFL）方案，该方案利用无人机（UAV）作为移动数据中心从分布式的物联网集群中收集数据。为了进一步加快联邦学习的收敛速度，我们构建了一个非凸混合整数非线性规划（MINLP）问题，旨

  来源：IEEE Transactions on Mobile Computing

  时间：2025-11-25

• SeqFedEDT：通过逐元素解耦训练加速非独立同分布（non-IID）数据上的序列联邦学习

  摘要：序列联邦学习（SFL）以链式方式在客户端之间协同训练模型。与传统采用星形拓扑结构的并行联邦学习（FL）相比，这种顺序能够提高通信效率。然而，当客户端之间的本地数据分布存在显著统计异质性时，SFL可能无法产生稳定的训练结果。为了解决这些问题，我们提出了一种新颖的逐元素模型解耦框架SeqFedEDT，通过将每个客户端的模型参数分为用于全局知识协作的共享子集和用于处理数据异质性的个性化子集来加速SFL训练。我们基于梯度、费希尔信息（Fisher information）和参数重要性（Parameter Importance, PI）探索了三种参数贡献评分指标，以实现个性化参数选择。此外，我们还

  来源：IEEE Transactions on Mobile Computing

  时间：2025-11-25

• TTDI：基于变压器的稀疏移动众包感知中真实数据的推理

  摘要：在稀疏移动群体感知（Sparse Mobile Crowdsensing）中，许多数据推理方案在没有考虑包含无法识别虚假数据的数据集及其不同信任等级的情况下被提出，这导致了较高的推理误差和较差的实际应用效果。为了解决这一挑战，我们提出了一种基于Transformer的“真实数据推理”（Truthful Data Inference, TTDI）方案，该方案能够容忍虚假数据的干扰，从而提高数据推理的质量。首先，我们提出了基于信任权重的损失函数（Trust-Weighted Loss Function, TLF），以减少数据推理模型训练中的虚假数据干扰。TLF采用了一种差异化的模型参数更新策

  来源：IEEE Transactions on Mobile Computing

  时间：2025-11-25

• PV-STR：一种高效的假名验证方案，支持在图像视频（IoVs）中实现时空撤销功能

  摘要：匿名证书在满足车辆网络中对细粒度隐私保护要求的授权访问中发挥着关键作用。然而，在大规模且资源受限的环境中撤销匿名证书是一个重大挑战。全球撤销状态容易受到局部异常事件的影响而中断。此外，随着撤销规模的扩大，同步过程变得越来越容易受到攻击，并且会产生较高的开销。为了将全球撤销状态与局部撤销事件分离，我们提出了一种时空匿名证书撤销与验证框架，该框架支持在具有弹性的撤销周期内批量撤销匿名证书。在事件区域内被撤销的匿名证书会进行本地过滤，而其他匿名证书则通过维护证明来保持其一致性和合法性。为了提高撤销状态更新的效率并降低中心化风险，我们提出了一种由边缘节点辅助的分布式缓存和证明更新策略。基于真实世

  来源：IEEE Transactions on Mobile Computing

  时间：2025-11-25

• SAAC：一种用于空中智能反射表面部署和波束形成的软注意力-演员-评论家框架

  摘要：将智能反射表面（IRS）安装在可机动的空中平台上，形成空中IRS（AIRS）中继，这为智能城市中的大规模下行链路传输提供了一种新的范式。然而，多变量动态耦合的挑战限制了大多数现有研究的发展，因为这些研究面临较高的计算复杂性和有限的扩展性。为了解决这些问题，本文提出了一种基于软注意力-演员-评论家（SAAC）的优化框架，该框架能够将多AIRS部署、基站的被动波束成形和主动波束成形的联合优化有效地分解为两个顺序子问题。目标是在最小化部署能耗的同时，最大化平均下行链路频谱效率和服务公平性。在第一阶段，制定了一个保守的频谱效率下限，以引导多个AIRS接近最优部署位置。在第二阶段，对被动和主动波束

  来源：IEEE Transactions on Mobile Computing

  时间：2025-11-25

• 在边缘设备上，基于流行度感知的层次化缓存与函数调度机制用于动态工作流处理

  摘要：无服务器边缘计算（Serverless Edge Computing，SEC）作为一种有前景的范式，为基于边缘的应用程序提供了低延迟、资源高效的服务。这些应用程序以依赖函数的形式实现，形成了有向无环图（Directed Acyclic Graph，DAG）工作流。不幸的是，应用程序的性能受到了“冷启动”问题的严重阻碍，尤其是在资源受限的SEC环境中。分层容器缓存已被证明是SEC中一种有效的启动加速解决方案，因为它具有细粒度和灵活性。然而，由于调用图的动态特性、DAG工作流中函数受欢迎程度的不平衡，以及容器层冷启动时间和边缘计算环境的异质性，现有分层缓存机制的性能会显著下降。为了解决这个问

  来源：IEEE Transactions on Mobile Computing

  时间：2025-11-25

• 生存与繁荣：在损耗风险下的去中心化多智能体协调

  摘要：去中心化的在线规划方法，例如去中心化的蒙特卡洛树搜索（MCTS），是信息收集任务中协作多智能体系统的有力工具。然而，现有的MCTS算法隐含地假设智能体在整个任务过程中始终可用并积极参与。在现实、动态且多变的环境中，智能体的流失是常见的现象，这会严重降低系统性能。在本文中，我们证明了智能体流失会导致现有的去中心化MCTS方法的表现远低于最优解，尤其是在奖励函数具有次模性的应用场景中。为了解决这个问题，我们提出了可流失蒙特卡洛树搜索（A-MCTS）算法，该算法能够快速有效地适应活跃智能体数量的减少。我们的核心思想是让每个智能体利用全局效用函数来构建搜索树，并通过后悔匹配算法与队友进行协调。理

  来源：IEEE Transactions on Mobile Computing

  时间：2025-11-25

• 基于强化学习的移动边缘计算中容错感知任务卸载

  摘要：近年来，移动边缘计算（MEC）已被广泛用于对延迟敏感的任务，但在动态边缘环境中的任务调度仍面临两个关键挑战。首先，边缘设备容易发生故障，现有的容错机制缺乏对任务的感知能力，这使得在故障发生时难以保证任务的及时性和可靠性。其次，由于感知能力有限、通信成本高昂以及任务结构复杂，当前的调度策略在动态系统中的适应性和稳定性方面仍然存在问题。在本文中，我们提出了一种容错离散软演员-评论家调度算法（FT-DSAC）。首先，我们设计了一种基于主备机制的容错（PBFT）调度方法，该方法限制了任务卸载的位置和启动时间，从而有效减轻了故障对任务执行的影响。此外，我们采用了集中训练和分布式执行（CTDE）架构

  来源：IEEE Transactions on Mobile Computing

  时间：2025-11-25

• STATGRAPH：通过多视图统计图学习实现有效的车内入侵检测

  摘要：车载网络（IVNs）面临着日益严重的网络攻击威胁，尤其是那些能够模仿合法消息模式的隐蔽伪装攻击。本文提出了一种名为STATGRAPH的细粒度入侵检测框架，该框架基于对车载网络中控制器局域网（CAN）消息的多视图统计图学习技术。STATGRAPH在每个检测窗口内构建两个图：一个是时间相关性图（TCG），用于捕捉消息之间的时间依赖关系；另一个是耦合关系图（CRG），用于建模短期上下文关系。TCG和CRG进一步用于生成编码消息载荷变化和信号共现情况的图结构。随后，我们应用了一个轻量级的多层图卷积网络（GCN）对每条消息进行分类，充分利用TCG和CRG提供的表达能力。为了确保对多种攻击的有效性，

  来源：IEEE Transactions on Mobile Computing

  时间：2025-11-25

• MVFMNet：一种用于遥感图像超分辨率处理的轻量级网络

  摘要：基于深度神经网络的遥感图像超分辨率（RSISR）研究已经取得了显著进展。然而，复杂的网络架构和高计算成本与小型边缘设备的资源限制之间存在矛盾。为了解决这一问题，本文提出了一种多层方差特征调制网络（MVFMNet），该网络能够有效利用局部和非局部信息，从而实现更好的遥感图像超分辨率重建。具体来说，我们设计了一种局部方差感知的空间注意力（LVSA）模块，该模块采用自适应最大池化技术提取非局部特征，并引入局部方差来表示局部结构。在LVSA的基础上，我们通过整合两个具有不同下采样尺度的LVSA分支，构建了多层方差特征调制块（MVFMB），以实现多尺度代表性特征的自适应选择。为了进一步增强MVFM

  来源：IEEE Journal on Miniaturization for Air and Space Systems

  时间：2025-11-25

• 单晶氮化铝微波与毫米波介电性能研究：频率、厚度及温度依赖性的精确表征

  随着5G通信、自动驾驶和航天航空技术的飞速发展，对高功率、高频率电子器件的需求日益迫切。氮化铝(AlN)作为一种超宽禁带半导体材料（带隙约6 eV），因其高热导率（约3 W/cm·K）和高临界电场（约10 MV/cm），成为高温、高功率应用的理想候选材料。特别是单晶AlN体材料晶圆的出现，为制备高性能AlN/GaN高电子迁移率晶体管(HEMT)提供了天然衬底，可显著降低异质结的晶格失配和热边界电阻。然而，尽管直径≥2英寸的单晶AlN晶圆已实现量产，其关键电学参数——介电性能在微波和毫米波频段仍存在显著的知识空白。从文献调研来看，以往研究多集中于多晶AlN或低频/太赫兹频段，且报道的介电常数(ε

  来源：IEEE Journal of Microwaves

  时间：2025-11-25

知名企业招聘：