主题一：一种基于样本特征迁移的长尾图像分类算法
主讲：窦雅梅
（导师：杨钊）
主题二：宽角扫描的圆极化贴片天线阵列研究
主讲：高帅
（导师：唐冬）
主题三：基于时域滤波方法的稳态视觉诱发电位脑-机接口研究
主讲：夏国贤
（导师：王力）
主办机构
广州大学电子与通信工程学院
时间安排
2025年5月12日10：30-11：30
地点
黄埔研究院A1栋303教室
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，广州大学电子与通信工程学院主办的“研途青年说”第99讲于5月12日10：30-11：30在黄埔研究院A1栋303教室。本次主讲人为研究生窦雅梅、高帅、夏国贤。
窦雅梅同学主要介绍了，在长尾图像分类过程中，尾类样本数量远少于头类样本，导致尾类的分类准确率显著低于头类。通过混淆矩阵发现有大量的尾类样本被误分为头类样本，这表明了头类样本和尾类样本之间存在相似性。基于这一观察，提出通过特征迁移来弥补尾类样本的信息不足，从而提升尾类的分类性能。
为此，论文提出了两种特征迁移方法：线性特征迁移（LFT）和非线性特征迁移（NLFT）。这两种方法的核心思想是通过生成共享特征来实现特征迁移，其中共享特征代表了类别间的共性信息。线性特征迁移方法通过将原始特征与共享特征直接相加来实现迁移，而非线性特征迁移方法则进一步改进了这一过程，通过建立共享特征与原始特征之间的非线性关系，捕捉类别间的非线性差异，从而实现更优的迁移效果。
最后，本章在四个主流数据集上对提出的方法进行了验证。实验结果表明，所提方法与常用损失函数结合后，能够显著提升分类性能，尤其是在尾类样本上的表现。
高帅同学主要介绍了圆极化自去耦1×2微带贴片天线阵列，利用零场区去耦原理，实现天线E面隔离度的提升，结构简单，设计复杂度较低。圆极化自去耦2×2微带贴片天线阵列，基于零场区、极化正交自去耦原理实现天线E、H面隔离度的提升，为后续圆极化相控阵大角度扫描的研究打下坚实基础。宽角度扫描的1×8圆极化相控阵，应用自去耦单元采用分组旋转方式进行组阵，改善了大角度扫描时相控阵的圆极化性能，以及增益下降问题。设计相控阵能实现E面±52°的圆极化扫描，增益下降在1.5dB以内。宽角度扫描的8×8圆极化相控阵，应用自去耦单元采用子阵周期旋转方式进行组阵，改善了大角度扫描时相控阵的圆极化性能，以及增益下降问题。并添加虚假单元辅助结构，优化波束扫描过程。设计相控阵能实现E、H面±60°的圆极化扫描，增益下降在3.5dB以内。
徐国贤同学主要介绍了针对SSVEP中的时间噪声影响，研究提出一种基于F范数的隐性时域滤波器方法。该方法利用F范数二维线性判别分析作为基本模型，利用迭代法估计得到更加精准的空间滤波器，消除异常值的影响。基于扩展典型相关分析法，在F范数的基础上整合人工正余弦信号来充分提取SSVEP通用谐波特征，再结合个人特征与通用特征信息输出结果。该方法在两个公共数据集上均优于经典方法，且参数量低。在显性时域滤波方法角度上，基于训练数据驱动典型相关分析和邻接矩阵的特性，提出了一种用于稳态视觉诱发电位分类的新方法，该方法集成了空间滤波器并能抑制局部噪声。通过将正弦和余弦参考信号与各个模块相结合，对这一新颖方法进行了扩展。此外，通过引入人工参考信号来额外提取稳态视觉诱发电位中的信息，从而增强从各个模板中获取的信息。在两个数据集上进行了对比实验，以评估所提出的方法以及其他几种先进算法在不同场景下的性能。实验结果证明了我们所提方法的优越性。
窦雅梅
2022级电子与通信工程学院
新一代电子信息技术（含量子技术）专业
导师：杨钊
主要研究方向：计算机视觉-长尾图像分类
主要科研成果：论文一篇《Improving Long-Tailed Image Classification through Multi-samples Feature and Preserving Modules》；专利一篇《一种基于多样本特征迁移的长尾图像分类方法及系统》。
高帅
2022级电子与通信工程学院
通信工程专业
导师：唐冬
主要研究方向：圆极化天线阵列去耦
主要科研成果：
[1]. A Self-Decoupling Circularly Polarized MIMO Microstrip Patch Antenna Array[C]//2024 IEEE 10th International Symposium on Microwave, Antenna, Propagation and EMC Technologies for Wireless Communications (MAPE), IEEE, 2024: 1-3.
夏国贤
2022级电子与通信工程学院
通信工程专业
导师：王力
主要研究方向：脑机接口
主要科研成果：
[1] Xia G, Wang L, Xiong S, et al. Enhancing detection of SSVEP-based BCIs via a novel temporally local canonical correlation analysis[J]. Journal of Neuroscience Methods, 2025, 414: 110325.
[2]王力,夏国贤,熊诗明,等.一种脑电数据的识别方法、系统、设备及介质[P].广东省:CN202410446710.0,2024-07-16.
（撰稿人：唐文慧 审核：谢玲、张虓）
