电信在现代知识经济高度依赖的社会中扮演着重要角色。电信系统能够在成本效益的基础上通过通信信道传输和交换信息，这些信道受到干扰和噪声的破坏。课程内容：1. 介绍（2学时）；2. 模拟通信（18学时），包括AM、FM、解调、比较；3. 模拟到数字转换（4学时），包括抽样定理、量化、PCM、TDM；4. 数字调制与解调（9学时），包括ASK、FSK、PSK、QPSK、QAM、相干/非相干解调、误比特率、带宽/失真/噪声/定时误差的影响；实践：使用Matlab/Python在通信系统中的仿真/实验（6学时）。
课程大纲： 1. 计算机网络、服务与分层架构 网络和交换技术的发展；协议和服务；分层网络架构：OSI 7 层模型和 TCP/IP 架构。 2. 数据链路层的数字传输与协议 线编码技术，错误检测与纠正；自动重传请求（ARQ）协议和可靠的数据传输服务；滑动窗口流量控制；帧定界和点对点协议；流量控制与错误控制；高级数据链路控制（HDLC）协议和点对点协议（PPP）。 3. 局域网（LAN）与无线局域网（WLAN） 介质访问控制（MAC）协议：IEEE802.3 以太网和 IEEE802.11 无线局域网标准；局域网互联：网桥、交换机和虚拟局域网。 4. 网络层协议 网络层操作；面向连接与无连接服务；互联网协议（IP）：IP 数据报格式，IP 地址分配，子网划分，IP 路由与路由器操作；互联网控制消息协议（ICMP）、动态主机配置协议（DHCP）；网络地址转换（NAT）。 5. 传输层协议 传输控制协议（TCP）和用户数据报协议（UDP）。 可能的实验项目： 1. Cisco 路由器配置与编程。 2. 静态与动态路由。 3. 网络监控与分析。 4. 地址解析、ARP、IP 和 TCP。
本课程为学生提供了计算机操作系统及其相关系统编程技术的广泛介绍。 课程大纲： • 操作系统概述：操作系统的目标和功能；现代操作系统；微软Windows概览；UNIX和LINUX • 文件系统与管理：文件组织与访问；文件目录；文件共享；次级存储管理；文件、目录和I/O访问的系统编程 • 进程描述与控制：进程定义；进程描述；进程控制；进程通信；进程控制和通信的系统编程 • 线程与调度：进程与线程；线程管理与调度；线程同步；线程管理的系统编程 • 内存管理：内存管理要求；内存分区；分页；分段；动态链接库（DLL）；内存管理的系统编程 • 处理器调度：处理器调度类型；调度算法；多处理器调度；案例研究
项目应以AI软件开发为主，包含明确的里程碑（或子任务）。范围将包括AI和软件设计，但不排除扩展至计算机视觉、多媒体、物联网系统设计或图像处理等领域。学生需分组进行。每个子任务需在一定时间内完成。功能演示和进度报告将衡量项目进度。完成项目后，每个小组需展示并介绍已完成的系统，并提交最终报告。学生需在整个期间保持工作日志，日志将更频繁地进行评估。项目结束时，将收集并评分日志。
课程大纲： 1. 典型微控制器概述： 8位和32位微控制器的特性与架构；硬件连接、十六进制文件和闪存加载器；微控制器内置设备的概览； 2. 软件开发环境： 理解C编译器，C语言下的微控制器编程。 3. 微控制器编程： I/O编程，定时/计数器编程，中断编程，串口编程，连接到微控制器的其他（内置）设备的编程。 4. 实验室练习： I/O编程，定时/计数器编程，中断编程，串口编程，连接到微控制器的其他（内置）设备的编程。
学生将被分成小组设计并制造满足集成电路市场或特定行业客户现有需求的工程产品。在整个项目过程中，学生将遇到以下技能强化的情况：1) 项目规范：识别客户需求和愿望；识别资源限制，如时间、人力、设备、预算；制定项目计划。2) 工程设计：选择设计方法；协作设计；自制或外购决策；设计原型；测试和仿真。3) 产品制造：材料采购；组件加工；PCB 制作；编程；组装和微调。4) 项目协作：确定项目阶段和里程碑；CAD 和 PDM；领导力和协作决策；公差和配合；项目文档化。
• 图像形成与图像模型：颜色；相机。 • 图像滤波与局部特征：线性滤波；边缘检测；纹理；特征描述符。 • 使用分类器寻找模板：图像分割；分类器；从类别直方图构建分类器；特征选择。 • 类别级识别：物体识别；决策树；最近邻规则（NNR）；支持向量机；人工神经网络；深度学习。
1. 基本协议功能 IP 地址，IP 数据报结构，基本 IP 操作，IP 数据包的传输与转发 2. TCP/IP 协议 ARP，RARP，ICMP，IGMP，UDP，TCP 3. 路由协议 RIP，OSPF，BGP，多播路由 4. 基于 TCP/IP 的应用 DNS，TELNET，FTP，电子邮件，HTTP 5. 其他关于 IP 的问题 IP 传输到 ATM，移动 IP，多媒体，IP 电话，SIP，H.323，IPv6，IPSec 实验： 1. IP 电话实验 2. IP 安全
1. 移动通信系统 切换方案，资源分配，路由，安全 2. 现有无线系统 AMPS，GSM，PCS，3G，GPS，无线TCP 3. 自组网与传感器网络 自组网特性，自组网路由，传感器网络特性，无线传感器网络的MAC协议 4. 无线MAN、LAN和PAN WMAN，WLAN，WPAN 5. 最新进展 超宽带技术，无线网络中的组播，移动（位置）管理，蓝牙网络，线程和安全问题 实验室实验： 1. 计算无线网络MAC协议的效率和吞吐量 2. 移动站的位置确定
1. 人机交互（HCI）及其应用 1.1 日常生活中的HCI应用 1.2 多模态HCI的优势 1.3 HCI技术的发展趋势 1.4 虚拟现实、增强现实、混合现实和元宇宙 1.5 实际生活中的HCI案例 2. 统计学习基础 2.1 概率与随机变量 2.2 概率密度与分布 2.3 抽样分布 2.4 期望与协方差 2.5 贝叶斯规则与贝叶斯决策理论 2.6 维度灾难 3. 用于HCI的机器学习 3.1 模式识别系统的结构 3.2 无监督学习：主成分分析；Eigenface；K均值聚类；高斯混合模型；隐马尔可夫模型 3.3 监督学习：线性判别分析；支持向量机 3.4 深度学习：深度神经网络；反向传播；基于梯度的优化；卷积神经网络；表示学习；深度学习开发平台 3.5 手写识别和人脸识别的应用 4. 语音计算 4.1 语音计算：通过语音与计算机交互 4.2 音频特征 4.3 HMM和DNN在语音识别中的应用 4.4 语言模型 4.5 说话人识别：GMM-UBM；GMM-SVM；i-vectors；x-vectors；DNN说话人嵌入；LDA；PLDA 4.6 语音计算的应用：语音搜索；语音对话系统；自然语言处理；语音情感识别；说话人识别；语音克隆
1. 网络管理 1.1 网络管理的功能区域 1.2 网络管理站、代理、管理信息库（MIB） 1.3 简单网络管理协议（SNMP）的架构 1.4 网络管理处理流程及附加功能 1.5 管理信息库（MIB）的概念及应用 2. 网络安全 2.1 开放系统互连（OSI）安全服务与安全机制 2.2 基本密码学、认证协议、数字签名及公钥基础设施 2.3 防火墙和虚拟专用网络（VPN）及应用层安全 2.4 网站威胁模型及网站安全概念
本课程将为学生提供分布式系统和云计算的基本原理。使学生掌握在Web和云上开发和构建分布式服务的技能。通过一系列实验练习，学生将能够开发互操作性和分布式Web及云应用程序。
课程大纲： 1. 移动和无线网络介绍 移动蜂窝网络（3G/4G LTE），IEEE无线网络（IEEE 802.11, IEEE 802.15），移动网络（NEMO, MANET）。 2. 无线网络的安全性 电信系统中的威胁与风险，有线通信到无线通信的安全漏洞，基本的安全机制。 3. WiFi安全 针对无线网络的攻击，IEEE 802.11标准中的安全性，802.11i中的安全性，无线网络中的身份验证，第三层安全机制。 4. 移动电信网络的安全性 信号系统中的安全性，GSM和GPRS的安全性，3G的安全性，网络互联。 5. 移动系统与开发策略 移动设备面临的主要问题，安全移动应用程序开发的建议，移动HTML安全性，短信安全性，移动定位。 6. Android和iOS安全性 Android IPC机制，安全模型，权限审查，安全工具。iOS安全测试，应用程序格式，权限和用户控制。移动安全渗透测试工具。
课程大纲： 1. 数字与计算取证背景 数字与计算取证简介；数字与计算取证的历史背景；不同类别的取证技术：基本概念、框架和应用；取证证据类型及其示例 2. 取证过程 基本的取证框架；数字证据识别；初步筛选过程、数据分析技术及取证报告撰写 3. 基于内在/外在数据的取证 数字数据捕获设备的模型；内在数据在数字取证调查中的应用理念；介绍使用内在数据的取证技术；源设备识别、设备关联及完整性验证的应用。介绍多媒体内容保护和认证技术；攻击建模 4. 机器学习取证 不同类型的基于机器学习的取证技术；提取式取证；归纳式取证；演绎式取证。机器学习取证的应用案例 5. 数字证据 数字证据的模型；事件分析：监控、取证和安全；文件剥离：概念、不同类别的技术；用于文件剥离的软件工具 6. 取证技术的稳健性 取证技术的稳健性和安全性；对手模型；取证技术可靠性的案例研究 实验课程： 实践作业： 1. 研究文件剥离技术 2. 研究源相机识别技术 3. 研究取证分析 4. 研究机器学习和人工智能取证分析
课程大纲： 1. 监控研究概览 监控技术的历史背景，关键发展及其对当前监控技术的影响；公共争议与责任问题。 2. 监控技术与方法 视觉监控；音频监控；航空监控；无线电波监控；GPS监控；传感器；计算机、互联网和社会媒体监控；数据卡；生物化学监控；动物监控；生物识别；各种监控技术的优缺点。 3. 案例研究：视频监控及其技术 视频在安全计划中的关键作用；视频和闭路电视监控系统的演变，网络视频；摄像机——模拟、数字和网络，摄像机技术；模拟和数字视频；视频压缩技术；视频处理设备；视频记录器、服务器和存储；视频管理；视频运动检测；视频分析。 4. 隐私与法规 监控设备的普及；执法需求与守法公民隐私之间的平衡。 实验课程： 1. 监控系统中视频压缩的分析 2. 监控系统中的关键场景检测 3. 视频信号分析
项目的进展将包括以下阶段： 项目规范 在这一阶段，学生将与项目导师合作，制定一个具体的项目计划，至少包括以下内容： 1. 项目的背景 2. 目标和任务 3. 交付成果 4. 采用的方法论 5. 时间表 项目执行 项目将按计划进行，确保目标得以实现；交付成果将根据时间表生产。学生和项目导师将定期会面讨论进度。特别需要展示以下内容： 1. 遵守时间表 2. 学生工作实现目标 3. 学生的工作主动性（包括工作、设计和解决问题的主动性） 4. 学生的好奇心（例如探究不同现象或尝试不同方法） 5. 学生在项目上投入足够努力 6. 在项目实施过程中系统地记录数据、设计、结果等 项目报告 学生应具备传播结果的能力，以便他人评审。通过这一传播过程，项目成果可以得到传达，经验可以分享，学到的知识和技能可以保留和转移。以下元素将作为成果的证据： 1. 项目日志（记录一年的工作内容） 2. 项目报告（纸质版和电子版） 3. 演示 4. 问答环节中的表现 5. 展示
课程大纲： 1. 计算机网络的安全漏洞与威胁 漏洞来源，攻击类型，针对各种安全目标的攻击，攻击的防御措施。 2. 渗透测试方法与流程 白盒/灰盒测试，评估的安全表面，用于漏洞扫描和渗透测试的自动化工具。 3. 入侵检测与预防技术 主机基础入侵检测系统（IDS）/入侵预防系统（IPS），网络基础IDS/IPS。入侵检测技术，误用检测：模式匹配，基于策略和状态；异常检测：基于统计，基于蜜罐；混合检测。 4. IDS和IPS架构 分层架构，单层，多层，对等。传感器：传感器功能，传感器部署与安全。代理：代理功能，代理部署与安全。警报管理：警报类型，警报管理器部署与安全。IDS和IPS中的信息流，防御IDS/IPS。 5. 网络安全监控 网络流量的收集与存储，检测机制和指示器，数据包分析，友商和威胁情报。 6. IDS/IPS的部署 商业和开源IDS案例研究。 可能的实验室实验： 1. 漏洞扫描与渗透测试 2. 协议和流量分析 3. 使用Snort进行入侵检测
课程大纲： 1. 机器学习技术 机器学习简介；基本概念与分类；监督学习与无监督学习；分类与聚类；神经网络；支持向量机；降维；深度学习技术如CNN、LSTM、自编码器、GAN及其他最新结构。 2. 机器学习开发环境 实现机器学习技术的软件工具；泛化性能；过拟合与欠拟合问题。 3. 恶意软件分析 恶意软件分析简介；恶意软件分析类型；静态分析与动态分析；行为分析与代码分析；不同机器学习技术在恶意软件检测中的应用。 4. 钓鱼检测 钓鱼检测简介；通过分析电子邮件/网站/消息特征进行钓鱼特征化；不同技术在钓鱼检测中的应用。 5. 异常检测 异常定义简介；异常检测技术概览；静态规则技术；不同机器学习技术在异常检测中的应用。 实验课程： 实践作业： 1. 机器学习框架简介 2. 研究钓鱼检测中机器学习技术的特征提取与评估 3. 研究钓鱼检测中的深度学习技术
1. 深度学习与深度神经网络的高层次视角 1.1 什么是神经网络和深度神经网络？ 1.2 AI、机器学习、深度学习和DNNs之间的关系 1.3 神经网络：从浅层到深层 1.4 DNNs是如何从数据中学习的？ 1.5 实际应用示例：计算机视觉、语音、文本分析和医疗健康 2. 从ANN到DNN 2.1 生物神经元与人工神经元 2.2 感受器和多层感知器 2.3 MLP、GMM和SVM之间的关系 2.4 为什么要深层？ 2.5 DNN在分类和回归中的应用 3. 深度架构 3.1 自编码器和去噪自编码器 3.2 卷积神经网络 3.3 残差网络和DenseNet 3.4 循环神经网络 3.5 长短期记忆和门控循环单元 3.6 序列到序列模型 3.7 转换器模型和注意力机制 3.8 图神经网络 3.9 生成模型：VAEs、GANs和扩散模型 4. 深度学习 4.1 损失函数：均方误差和交叉熵（softmax）损失 4.2 基于梯度的优化：动量和学习率调度 4.3 反向传播 4.4 梯度消失 4.5 批归一化和层归一化 4.6 正则化：Dropout、权重衰减、L1和L2正则化、数据增强和提前停止 4.7 负责任任的AI 5. 软件和硬件工具 5.1 软件栈：CUDA、cuDNN、Tensorflow、PyTorch和Keras 5.2 云平台：Amazon EC2、Azure、Google Cloud、Nvidia GPU云、阿里云、Google Colab等 5.3 硬件：GPU、TPU、Nvidia Jetson
1. 机器人平台及相关硬件介绍 • 人形机器人、制造用工业机器人及研究用机器人平台的实例。 • 机器人硬件介绍：传感器、电机、执行器、末端执行器及连接器。 2. 现代机器人软件架构 • 机器人软件介绍：机器人操作系统、数字孪生、机器人学习与思考 • Dassault Systèmes 和 NVIDIA 的演示。 3. 智能控制与自主机器人 • 机器人智能控制方法 • 自主机器人系统研究 4. 现代机器人中的体态智能 • 现代机器人中体态智能的技术 • 体态智能大型语言模型驱动的机器人的前景。 5. 物体检测与跟踪 • 使用视觉传感器进行移动物体的识别与跟踪。 6. 视觉跟踪控制 • 基于摄像头的跟踪控制 7. 人体动作捕捉技术 • 使用 Kinect 传感器进行人体动作跟踪。 8. 机器人操作臂的避障 • 避障策略及碰撞预测算法。
