研途青年说第120讲-浪live

浪live

浪live > 学术交流 > 正文

研途青年说第120讲

发布者：时间：2026-03-20 00:09:10 浏览：

主题一： 欺骗攻击下基于马尔科夫跳变系统的双通道动态事件触发控制

主讲：高钰超

（导师：尚文利）

主题二：面向生命体征监测的毫米波雷达系统设计

主讲：阳勇

（导师：代鑫）

主题三：面向弱域对齐与未知性检测的通用领域自适应方法研究

主讲：刘鹏

（导师：杨钊）

主题四：基于双重对比学习的多模态情感分析研究

主讲：刘建平

（导师：杨钊）

主题五：面向真实环境的轻量化鸟声增强

主讲：孔佳仪

（导师：陈庆春）

主办机构

浪live

时间安排

2026年3月17日10：10-11：10

地点

文新523

为拓宽研究生学术视野，促进研究生学术交流，营造良好的学术氛围，浪live 主办的“研途青年说”第120讲于3月17日10：10-11：10在文新523举行。本次主讲人为23级研究生高钰超、阳勇、刘鹏、刘建平和孔佳仪。

高钰超同学汇报的主题是欺骗攻击下基于马尔科夫跳变系统的双通道动态事件触发控制，他的讲解主要包含以下4个部分：研究背景及意义、国内外现状、研究内容与方法、参考文献。该汇报研究了一类在随机欺骗攻击下的离散时间马尔可夫跳变系统的动态事件触发控制问题。为了应对网络资源约束，提出了一种新颖的双事件发生器方案，该方案作用于传感器-控制器和控制器-执行器两个通道，旨在降低系统状态和控制指令的传输频率。同时，采用了一种动态事件触发机制，其阈值参数可根据特定规则动态调整，以调控数据包的传输，从而有效减少不必要的能量消耗。随后，利用李雅普诺夫泛函方法，推导了保证马尔可夫跳变系统稳定性的充分条件。此外，还给出了状态反馈控制器增益与事件触发参数矩阵的联合设计准则。最后，通过一个数值算例验证了所提方法的有效性。

阳勇同学汇报的主题是用于生命体征监测的毫米波雷达系统设计，他的讲解主要包含以下6个部分：选题背景及意义、现状与研究目标、研究方法及过程、关键技术与实践难点、研究结果与应用、论文总结。本研究设计并实现了一套基于FMCW毫米波雷达的非接触式呼吸与心率监测系统。系统采用天线、硬件、算法与上位机一体化协同设计方法：天线部分设计了60–64 GHz宽带MIMO阵列，增益超过7 dBi；硬件以TI IWR6843为核心，完成了原理图与PCB设计并制作了原型机；算法层面引入经验小波变换（EWT）分离呼吸与心跳信号，并集成运动伪影检测模块；上位机实现实时波形显示与数据记录。实验结果表明，系统心率估计误差在±5 bpm以内，呼吸率误差在±3 bpm以内，验证了其在室内场景下的工程实用性与可靠性，为智能家居与远程健康监护提供了可行的技术方案。

刘鹏同学汇报的主题是面向弱域对齐与未知性检测的通用领域自适应方法研究，他的讲解主要包含以下4个部分：选题背景及意义、国内外研究现状、研究方法及过程、工作总结。刘鹏同学本次研途青年说以通用领域自适应（UniDA）问题为核心，系统研究了跨域迁移过程中源域与目标域在数据分布和标签空间不一致情况下的特征对齐与未知类别识别问题。在不依赖目标域标签空间先验信息的条件下，提出对源域与目标域之间的共享类别进行弱域对齐，并同时实现对目标域中未知类别样本的有效识别。系统探讨了如何结合目标域结构信息、自适应特征优化和判别机制等，有效提升跨域特征的可区分性和迁移能力。

刘建平同学汇报的主题是基于双重对比学习的多模态情感分析研究，他的讲解主要包含以下6个部分：选题背景及意义、现状与研究目标、研究方法及过程、关键技术与实践难点、研究结果与应用、论文总结。刘建平同学全面总结了针对联合多模态基于方面情感分析提出的“双重对比学习框架（DCLF）” 。该研究聚焦于解决社交媒体图文数据情感分析中的两大核心痛点：模态贡献不平衡以及隐性情感关系（如反讽文字与图像的矛盾）。为此，DCLF创新性地引入了两个核心模块：持久同调对比学习：首次引入拓扑数据分析技术，通过量化特征的“寿命”与稳定性，动态重新分配图文模态权重，从而放大高信息量特征并有效抑制噪声干扰。相似性传播对比学习：通过拉普拉斯矩阵模拟信息传播，并结合柯尔莫哥洛夫结构化噪声，平滑特征空间，成功挖掘出传统余弦相似度难以捕捉的深层、非线性语义关联。在Twitter2015和Twitter2017基准数据集上的实验表明，DCLF在核心子任务上均实现了新的SOTA（最优）性能。该框架不仅实现了自适应的模态平衡，还大幅提升了模型在复杂社交媒体语境下提取潜在情感线索的鲁棒性和准确率。

孔佳仪同学汇报的主题是面向真实环境的轻量化鸟声增强，她的讲解主要包含以下6个部分：选题背景及意义、研究目标、研究方法及过程、关键技术与实践难点、研究结果与应用、总结。孔佳仪同学本次汇报讲述被动声学监测已成为鸟类生物多样性调查的主流手段。然而，野外环境极为恶劣，复杂环境噪声常常掩盖微弱的鸟鸣信号，导致自动检测系统失效。此外，主流的深度学习模型往往计算量巨大且依赖昂贵的标注数据，难以在资源受限的边缘设备上大规模部署。故而提出了一种轻量级结构引导型去噪卷积神经网络（SDCNN）作为无监督检测系统的前端增强模块。SDCNN采用深度可分离卷积以大幅降低计算复杂度，并引入Sobel边缘分支与坐标注意力机制，以提取并锁定鸟鸣的谐波骨架与时频区域。同时，结合幂律压缩机制，有效解决了极端噪声下微弱信号被过度抑制的问题。该方法实现了低功耗、高鲁棒性的自动监测，为野外长期生态研究提供了高效的解决方案。