NLOS的博客

本目录基于《概念解析》专栏已发布的文章分类整理生成,包含无线感知、计算机视觉、深度学习等多个技术主题。该专栏旨在结合前沿论文,为读者提供无线感知、人工智能(AI)、信号处理等领域相关概念的简明扼要的解释和介绍,致力于简洁清晰地解释、辨析复杂而专业的概念。通过对专业术语和前沿技术的通俗解读,帮助读者快速理解复杂概念的内在原理和机制,把握行业发展方向。目录更新日期：20231012。

SpiralSpy的提出为隐蔽信道攻击研究开辟了一个全新的方向。通过巧妙地结合毫米波感应技术和计算设备散热风扇,研究团队实现了一种远距离高隐蔽性高速率的隐蔽信道攻击方法。这种方法不仅突破了现有攻击方法的距离限制,还具有穿墙能力和多通道优化,大大提高了攻击的实用性。SpiralSpy的成功充分说明,即使是被认为高度安全的气隙计算设备,也可能存在意想不到的安全漏洞。这提醒我们需要不断更新和完善安全防御策略,以应对不断演化的攻击手段。

具身智能代表了人工智能研究的一个重要方向，它试图将智能从抽象的计算世界带入现实的物理世界。通过将感知、决策和行动紧密结合，具身智能系统展现出了适应复杂环境的强大能力。就像一个孩子通过不断尝试和探索来认识世界一样，具身智能系统也在与环境的持续互动中成长和进化。这种学习方式虽然看似缓慢，但却能够获得更加深刻和通用的智能。

在我们日常生活中，通信无处不在。无论是打电话、发送短信、还是浏览网页，我们都在进行信息的传递。传统通信关注的是**“信号”的传输，比如声音、文字、图像。而语义通信则关注于“意义”**的传递。简单来说，语义通信的核心目标是确保信息接收者能够理解信息发送者的意图和内容，而不仅仅是接收到原始的信号。从传统的信号传输到语义的传递，语义通信为信息传输带来了革命性的变化。通过引入语义编码和解码技术，语义通信不仅提高了传输效率和准确性，还为智能通信的未来开辟了新的道路。

SAR，即合成孔径雷达，是一种利用雷达系统来生成高分辨率图像的技术。简单来说，它通过移动天线来模拟一个更大的天线阵列，从而获得比实际天线阵列更高的分辨率。这就像用一支笔在纸上画一条直线来测量长度，而不是仅仅依赖笔尖的宽度。

是一个热门的计算机视觉研究领域，它的目标是让计算机理解人类对3D场景中特定物体的自然语言表述，并准确定位被指物体。打个比方，假设你走进一间陌生的房间，你的同伴指着某个物体说："看，那个红色的花瓶旁边的蓝色笔记本，把它拿过来。"对于人类来说，这个指令并不难理解。我们可以根据颜色、位置关系等线索，快速锁定目标物体。但对计算机而言，这却是一个颇具挑战的任务。它需要理解自然语言指令的语义，分析3D场景中物体的视觉特征与空间关系，才能正确执行指令。这就是3D-REC所要解决的问题。形式化地说，给定一个3D场景点云。

让我们用一个简单的比喻来理解。想象你是一名厨师，想要做一道你从未尝试过的新菜。模型方法（Model-Based Methods）：你可以详细研究每一种食材的特性，分析它们的化学成分，了解它们在不同温度下的表现，然后根据这些信息来设计你的菜谱。这就像是建立一个详细的世界模型，预测每个动作的结果。无模型方法（Model-Free Methods）：你可以直接开始尝试，把食材混合在一起，根据每次尝试的结果不断调整，直到你做出一道美味的菜。这种方法不需要详细了解每个食材的特性，而是依靠不断的试错和经验积累。

注1：本文系"概念解析"系列之一，致力于简洁清晰地解释、辨析复杂而专业的概念。

注1：本文系"概念解析"系列之一，致力于简洁清晰地解释、辨析复杂而专业的概念。本次辨析的概念是：ROC曲线的含义和绘制。

在信息安全领域，威胁建模就像是一位睿智的军师，他审时度势，为系统安全布局。这位军师会仔细分析系统的架构，找出其中潜在的薄弱环节，预判可能出现的安全威胁。他会问自己这样的问题：“如果我是敌人，我会从哪里发起进攻？我的目标是什么？我会利用系统的哪些漏洞？通过这样的分析，威胁建模可以帮助我们更全面、更系统地评估系统面临的安全风险，找出最需要防范的威胁，并有针对性地制定防御策略。这就像是在城墙上加固门禁，在易受攻击的地方布置更多的守卫。

注1：本文系"概念解析"系列之一，致力于简洁清晰地解释、辨析复杂而专业的概念。本次辨析的概念是：基础模型（Foundation Models）

注1：本文系"概念解析"系列之一，致力于简洁清晰地解释、辨析复杂而专业的概念。本次辨析的概念是：互补学习系统（Complementary Learning Systems）

注1：本文系"概念解析"系列之一，致力于简洁清晰地解释、辨析复杂而专业的概念。想象一下，你是一位音乐爱好者,正在欣赏一首优美的交响乐。这支乐队由多种不同的乐器组成,比如小提琴、大提琴、长笛等等。尽管所有的乐器都在同时奏鸣,但你的耳朵却能将每一种乐器的声音分离出来,分别去欣赏和感受。这就像是你对复杂的信号进行了分解,将其拆分为不同的"模态"或成分。这就是的核心思想!它是一种自适应的,可以将一个复杂、非线性、非平稳的信号,分解为若干个和一个残差序列。换句话说,EMD通过一种。

注1：本文系"概念解析"系列之一，致力于简洁清晰地解释、辨析复杂而专业的概念。。

胶囊网络：重现视觉的多层次本质注1：本文系"概念解析"系列之一，致力于简洁清晰地解释、辨析复杂而专业的概念。胶囊网络：重现视觉的多层次本质。

注1：本文系"概念解析"系列之一，致力于简洁清晰地解释、辨析复杂而专业的概念。本次辨析的概念是：异构图神经网络。

Embeddings是一种将离散变量（如单词、短语等）映射到连续向量空间的技术。在自然语言处理（NLP）领域，Embeddings通常指将词汇表中的每个单词映射到一个高维实数向量，这个向量捕捉了单词的语义、句法等信息。形式化地说，给定一个词汇表VVV，单词wiw_iwi​ewix1x2xdewi​x1​x2​...xd​其中，eee是Embedding函数，ddd是Embedding的维度，xix_ixi​是实数。

Prompt Engineering是指针对大型语言模型（如GPT-3、PaLM等）设计和优化输入提示（Prompt）的过程，以引导模型生成期望的输出。由于大模型在预训练阶段学习了海量的通用知识，通过精心设计的Prompt，我们可以在各种下游任务上引出模型的知识和能力，而无需针对每个任务进行昂贵的微调。一个优质的Prompt应该满足以下特点：明确性（Clarity）：Prompt应该清晰、无歧义地描述任务目标和要求，避免模糊或过于笼统的表述。信息完备性（Informativeness）

In-context Learning（ICL）是指大模型在没有经过显式微调（explicit fine-tuning）的情况下，仅根据输入的上下文信息（context）就能够完成新任务的能力。与传统的有监督学习范式不同，ICL不需要为每个新任务准备大量标注数据并进行专门的训练，而是通过模型内部蕴含的知识和对上下文的理解，自适应地生成合适的响应。ICL具有以下几个关键特点：上下文敏感性（Context Sensitivity）：大模型能够充分利用输入中的上下文信息，根据当前的语境动态地调整自身的行为。

注1：本文系“概念解析”系列之一，致力于简洁清晰地解释、辨析复杂而专业的概念。本次辨析的概念是：无人机集群解耦。

脂肪酸是构成脂肪的基本单位，它们由长链碳原子组成，这些碳原子之间通过化学键相连。在脂肪酸的世界里，碳原子之间的连接方式决定了脂肪酸的属性。通常，脂肪酸分为两大类：饱和脂肪酸和不饱和脂肪酸。不饱和脂肪酸中，如果碳链上的双键为顺式（cis）配置，那么它是我们所说的常见的不饱和脂肪酸。但如果这个双键变成了反式（trans）配置，它就变成了我们讨论的焦点——反式脂肪酸。

注1：本文系“概念解析”系列之一，致力于简洁清晰地解释、辨析复杂而专业的概念。。

揭开波数奥秘:波数的物理含义解读注1:本文系“概念解析”系列之一,致力于简洁清晰地解释、辨析复杂而专业的概念。揭开波数奥秘:波数的物理含义解读通俗理解: 致力于在无需任何专业知识的前提下，从本质上理解专业的概念背景介绍在研究波动时,我们常会遇到一个重要物理量——波数。它与波的频率、波长、传播速度等参数息息相关,在描述波动的传播特性方面发挥着核心作用。那么波数到底指什么物理含义呢?本文将从波动方程出发,深入解析波数的内涵,帮你彻底解开这个物理量的奥秘。

频率调制连续波（FMCW）雷达通过发送一个线性调频的连续波信号并接收从目标反射回来的信号来工作。通过比较发送信号和接收信号之间的频率差异，可以确定目标的距离和速度。

然而,这是一个非常困难的。例如,在MRI成像中,可以使用ISTA算法从少量的频域采样数据中重建MRI图像,大大减少了采样时间。认为,许多自然信号可以用一个稀疏线性组合来逼近,也就是说只有少数的系数非零,大多数系数为零。LASSO回归利用L1正则化进行稀疏模型选择,ISTA提供了一个简单快速的求解LASSO的算法。未来,在这个优雅的理论框架下,集成更多先进技术,必将继续开创信号恢复理论与技术的新局面。尽管ISTA算法优雅简单,但其收敛速度较慢,需要多次迭代才能达到高精度,这限制了其在大规模问题上的应用。

在机器学习和数据分析中,理解模型的预测是非常重要的。尤其是在深度学习黑盒模型中,我们往往难以直观地理解模型的预测行为。为了揭开黑盒模型的神秘面纱,Shapley值应运而生,它提供了一种公平而独特的方法来解释每个特征对模型预测的贡献。Shapley值源自于博弈论中的值分配问题。在联合预测任务中,我们需要分配每个参与者应该获得的合作收益。Shapley值给出了一个公平划分每个参与者贡献价值的唯一解。这为理解机器学习模型的预测提供了重要思路。

玻尔兹曼机(Boltzmann Machine)是一种随机神经网络模型,由。

随着目标环境、电磁环境和地形环境的不断变化,传统的波束扫描雷达已无法适应复杂环境下的需求。全息凝视雷达作为一种新型数字阵列雷达,可实现对空域的全时空连续覆盖,是当前雷达发展的热点方向。发射采用宽波束,接收采用同时多波束实现全空域覆盖;长时间积累,获得更高的增益和分辨率;同时多功能,提高资源利用效率;难以截获,具有隐身性能。这些特点使全息凝视雷达在目标检测、识别、跟踪等方面展现出巨大应用潜力。本文将详细解析全息凝视雷达的原理及其核心技术。全息凝视雷达是一种同时覆盖全空域、同时多功能的数字阵列雷达。

据估计，如果能实现大规模的光电神经网络，其计算效率可能比传统的电子神经网络高出几个数量级。随着科技的发展，我们期待在未来看到这种新型计算平台的成熟和普及。不仅如此，光电神经网络的发展还可能推动光学和电子学领域的交叉融合，开启新的科研领域。然而，这种技术的计算需求是巨大的，既需要大量的电力，也需要大量的硬件资源。光电神经网络的工作原理是将神经网络的权重编码为光路中的不同阻力，而神经元的激活函数则通过非线性光学效应来实现。是一种新兴的计算平台，它利用光子（而不是传统的电子）来执行神经网络的操作。

发表在 2023年的NDSS上,提出一种新的威胁模型,利用。

随着数字化转型进程的深入推进,网络空间安全问题日益凸显。当前的网络安全防护面临“未知大于已知”“防不胜防”“牵一发而动全身”等困境。为实现网络安全的颠覆式创新,数字孪生技术为我们带来了希望。数字孪生(Digital Twin)是指通过数据采集、仿真建模等手段,在虚拟空间创建物理系统的“镜像”,实现虚拟空间与物理空间的高保真映射和实时交互,从而预测、优化物理系统的行为。数字孪生已在工业制造等领域取得广泛应用。将数字孪生技术引入网络安全领域,构建网络安全数字孪生。

随着网络科技的发展,网络空间安全问题日益凸显。网络空间中的各种威胁使得如何构建一个可靠、完备的网络空间防御体系成为一个重要课题。网络空间防御要做到可靠和完备,需要从不同维度进行考量。可靠性和完备性是网络空间防御体系中的两个关键要素,它们彼此密切相关又有区别。本文我们将对可靠性和完备性进行阐释,解析它们的内涵及其区别,以加深对网络空间防御体系的认识。可靠性强调的是网络空间防御体系本身的稳定可靠,而完备性则关注防御覆盖面的全面性。简单来说,可靠性是内在质量的体现,完备性是外在覆盖面的体现。

在图像处理中,我们经常需要将不同来源的图像进行组合,使它们看起来自然协调。例如,将一幅风景照与人像合成在一起。但是直接拼接两幅图像通常会出现颜色、照明不协调的问题。为了解决这一问题,图像融合(Image Harmonization)技术应运而生。它通过调整颜色、对比度等使图像的视觉风格达到协调,就像它们本来就是同一场景拍摄的。这为创作数字艺术提供了强有力的工具。

在异质光学介质中,光线传播呈现出折射的行为。由于光速在不同介质中有所不同,光线在经过界面时,其路径也会发生偏转。17世纪,法国数学家费马根据这一现象,提出在非均匀介质中,光线传播遵循的路程最短原理,即费马原理。这为我们分析和计算光线在复杂介质中的传播轨迹奠定了基础。

在自然语言处理中,预训练语言模型通常需要在大规模通用域数据集上进行预训练,然后再在特定的下游任务上进行微调。随着预训练模型规模的不断扩大,对全模型进行微调变得越来越困难。例如GPT-3拥有1750亿个参数,独立部署多个针对不同任务微调的模型成本过高且效率低下。应运而生,它使用低秩矩阵分解的思想来进行高效的模型微调,大大降低了参数量和计算量,同时保持了微调后的模型质量。LoRA的核心思想是将模型的参数更新表示为低秩矩阵的乘积。对于预训练权重矩阵W0∈Rd×kW0​∈Rd×k。

当光从一种介质传播到另一种介质时,部分光会折射进入新介质,部分会反射回原介质。这一现象被称为光的折射和反射。19世纪初,菲涅尔根据惠更斯原理推导出描述光折射和反射的菲涅尔方程。这些方程揭示了入射角、折射角和反射光强度之间的关系,启发了许多光学理论的发展。

在图像处理中,图像获取时经常会存在模糊现象,这会严重影响图像的质量。去模糊(Deconvolution)就是试图恢复被模糊处理的图像,重现图像原本的清晰面貌。20世纪70年代,Richardson和Lucy分别独立提出了一种基于Bayesian理论的迭代去模糊算法,即Richardson-Lucy去模糊算法。该算法能够有效地进行图像复原,被广泛应用于天文图像处理等领域。

随着智能手机和物联网设备的普及，我们进入了一个全新的数据获取时代。移动群智感知（MCS）是这一时代的关键概念之一。MCS利用大量移动设备收集数据，通过用户的参与，实现了空间上广泛和多样化的信息采集。数据收集与处理流程图，详细描绘了移动群智感知中从智能手机和传感器到数据库，再到处理服务器，最后到分析仪表板的复杂流程。MCS的核心是利用移动设备如智能手机的传感器（如GPS、加速度计）收集数据。这些数据被上传到云端服务器，进行处理和分析。数据采集模型假设有NNN个移动设备，每个设备iii在时间tt。

随着科技的飞速发展，雷达技术作为电磁波的探测技术，已经成为现代社会不可或缺的一部分。然而，传统雷达技术在面对复杂环境和多任务需求时，往往显得力不从心。为此，雷达协同认知成像应运而生，它融合了协同感知、认知计算等先进技术，极大地提高了雷达系统的性能和智能化水平。

我们生活的世界充满了丰富多彩的颜色。这些颜色来源于各种物体反射或吸收不同波长的可见光。传统的RGB图像只记录红、绿、蓝三种颜色通道,而高光谱图像可以捕捉更为丰富的光谱信息,从而识别出物体的微小差异。高光谱图像一般指同一场景在数百个连续波段的光谱图像,它揭示了物体表面在不同光谱下的响应特征。与人眼只能看到约380-780nm的可见光相比,高光谱图像可覆盖更宽的波段,从而呈现人眼无法感知的“ Colors beyond colors”。