国家预印本平台

随着智能家居无线通信安全问题日益紧张，现有识别技术面临着复杂多径传播导致的设备特征表征不足、类内识别率低引发高误报率等挑战，本文提出基于特征融合与注意力机制的深度特征融合闭集射频指纹识别模型。通过融合13种专家特征与1DCNN特征，结合SE注意力机制进行特征权重分配，提升智能家居设备的识别率。在公开数据集上实验表明，本文所提方法取得了99.84%的识别率，有效解决了智能家居环境中设备识别率不足的问题。

当无人机在复杂环境下执行任务时，可靠的状态估计对于实现高效自主飞行至关重要。传统单一传感器方案难以应对信号缺失、测量漂移和环境干扰等问题，而多传感器信息融合正逐渐成为主要研究方向。为此，本文提出一种基于扩展卡尔曼滤波（EKF）的多传感器融合状态估计方法。通过构建无人机动力学模型并搭建统一滤波框架，实现了对加速度计、陀螺仪、磁力计、GPS和气压计等异构传感器数据的有效融合，从而对无人机的位置、速度和姿态进行精确估计。仿真实验结果表明，与单传感器方案相比，本算法能够有效抑制传感器噪声和积分漂移的影响，并在动态响应性能与测量精度方面展现出明显优势。该技术为无人机在更复杂和多变的环境中执行任务提供了坚实的技术支撑，也为其在更广泛领域的推广应用奠定了基础。

后门攻击是在模型训练阶段引入的严重威胁，其通过在训练过程中植入特定的触发模式，使深度神经网络在特定输入下产生错误分类，从而引发例如自动驾驶安全等实际场景的危害。模型剪枝是降低网络参数规模以实现在低资源设备上部署的常用技术之一，已有后门攻击在模型剪枝后，其攻击有效性会显著降低或失效。针对现有后门攻击因模型剪枝过程导致的脆弱性问题，本文首次提出了一种基于稀疏诱导的新型抗剪枝后门攻击，攻击者训练后门模型时考虑剪枝操作的影响，在标准后门损失函数中引入结构化约束项，使模型呈现出类似于剪枝后的稀疏结构，使得生成的后门模型即使在被剪枝后仍保留强大的攻击能力。本文使用三种后门注入方法和三种剪枝策略，并在两种数据集和三种模型架构上评估了抗剪枝的后门攻击方法。结果表明，与现有的后门攻击相比，抗剪枝后门攻击在剪枝后实现了高达97.82％的攻击成功率，同时也保持了模型对干净输入的预测准确性。

为提高轴承剩余使用寿命（Remaining Useful Life, RUL）预测精度并解决标注数据稀缺及工况复杂性问题，本研究提出一种基于双任务协同的自监督学习特征构建方法。通过设计时间序列预测任务与对比学习任务，结合Bi-LSTM和CNN编码器提取振动信号的时序依赖性和局部判别特征，并采用多任务联合优化策略融合两类特征。时间序列预测任务利用双向LSTM捕捉退化趋势的长期依赖关系，对比学习任务通过噪声扰动和跨阶段采样构造正负样本对，增强特征区分能力。实验基于IEEE PHM 2012数据集，验证表明所提方法在MSE指标上较传统特征方法显著降低，在数据量减少时仍保持较低误差，且在跨设备迁移场景下表现优秀。结果表明，自监督特征与传统统计特征的加权融合显著提升了模型对多工况及小样本数据的适应性，为工业场景中的预测性维护提供了高鲁棒性解决方案。

植物在固着生长中演化出多维度防御系统以应对生物和非生物胁迫，其生存机制生态适应性研究提供了关键模型。本文系统综述了植物防御的组成性与诱导性策略及其协同进化规律，重点解析其化学多样性、分子识别系统和资源分配动态。代谢可塑性通过"生长-防御权衡"模型优化资源分配，协调防御合成与生长发育需求。研究表明，植物与植食性动物间的"军备竞赛"驱动次生代谢物分子创新与解毒反适应，形成动态协同进化网络。依据防御策略的时空特征（组成/诱导性）和作用模式（直接/间接性），植物防御系统呈现多层次逻辑复杂性。本综述为解析植物环境适应机制及生态互作规律提供理论框架，并为抗逆作物设计提供策略参考。