为实现通用滤波多载波(UFMC)通信系♂统高效、可靠的通信性能，需在最大程度上补偿由记忆型高功率放大器(HPA)引起的非线性失真.为解决HPA造成的失真∴问题，本文提出了一种基于Volterra滤波器的非线性失真补偿(V-NLDC)技术.该技术利用了Volterra级数的稀疏特性和能够模⊙拟任意精度非线性系统的性质以逐次逼近的方式对信号进行预失真.将预失真后『的信号传送至HPA，然后采用噪声消除器做进一步噪声消除处理，以达到更小失真度的目的.同时，本研究采用收敛速度快、性能稳定的自适应最小二乘法(RLS)，可根据环境∞变化自适应地计算Volterra滤波器和噪声消除器的系数.通过大量蒙特卡罗仿真实验证实了所提出的非线性失真补偿技术可以很好的补偿由记忆型HPA非线性失真所造成的影响，从而优化系统性能.

本文提♀出的改进的DE-NSGAII算法，利用差分进化算法的变异交叉操作代替NSGA-II算法的交叉算子，将快速非支配排序机制与剪枝方法相结合用于父代种群▲的生成与非支配集的更新.为保证初始种群均匀分布，该混合算法▼采用拉丁超立方体抽样技术生成初始种群.然后在参数取值固定的前提下，将该混合算法与NSGA-II算法、AMGA-II算法进行横向对比.为了进一步提升该混合算法的优化性能，该混合算法采用了参数自适应策略，并且基于此策略纵向比较了该混合算法在不同参数组下︽的优化性能.经过一〒系列对比发现：合理的参数选择能使该混合算法表现出良好的综合性能.

针对在不确定情况下如何保证传感器布局取得最优效果问题，本文在初始部署节点时考虑节点存在的不确定】性，采用基于CVaR的子模效益模型来最小化这种不确定性对传感器网络布¤局效果的影响，为了快速有效获得该模型下的最优传感器布局，对传统贪婪算法进行改进，根据模型中存在的参数τ对全局最优解进行有序搜索，同时引入lazy evuluation减少算法的时间复杂ζ度.仿真实验表明︼，在不确定◣情况下对传感器进行布局时，CVaR模型可以〖有效提高网络布局的鲁棒性，与改进的贪婪算法相结合，可以快速获☆得保证较高信息增益下的布局点集.

针对城市路网交通流数据的空ω　间相关性、非线性和平稳与∩非平稳的特点，提出一种ω采用基于交通流量数据相关性分析改进的路网聚类算法与基于交通流量分段加权适应度函数的粒子群小波神经网络算※法(MC-MPSOWNN)相结合的预测方法，来提高算法的预测精度.首先，利用基◤于交通流量数据相关性分析的路网聚类算法筛选出空间中与预测点交通流量数据相关系数高∞的其他观测点，以此精简了样本输入数据，减少冗余数据对预测精度的干扰，提高★整体预测精度；其次，再构建一种新型的粒子群算法的适应度函数，给予整体预测样本中非平稳数据段更大的调节力度，以此来进一步提高非平稳数据段的预测精度.最后经实验结果分析，提出的改进预测算【法相比未进行改进前预测算法而言，明显提高了整体及非平稳数※据段预测精度，达到较好的预测效果.

本文提出了一种内嵌于8GS/s-14bit RF-DAC中数字上变频器(DUC)的设计方案，该方→案采用ASIC实现，能够得到采◆样频率达8 GHz的输◤出信号，并提供插值因子分别为2、4、8、16的上变频功能.基于CORDIC算法，提出16路时域交织的数控振荡器(NCO)结构，同时采用全半带滤波器(HB-FIR)折叠结构级联实现内插滤∏波器组.基于40 nm CMOS工艺，完成RTL级设计和GDSII版图设计，并将其内嵌于8 GS/s-14bit RF-DAC中完成♂混合SOC的电路设计与验证.测试结果显示，该设『计可以在500 MHz的工作时钟频率下达到设计目标，数字∞部分的版图面积为2 551*2 580 μm²，仿真功耗约为1 365.4 mW.在40 nm CMOS工艺下流片，流片测试结果◎显示该芯片设计能够完成预设目标，且∑　在插值为16的模式下，测得芯片数字部分功耗为为1250 mW，符合设计预ㄨ期.

全卷积神经网络近年来被应用于深度学习中∑的多个领域，其不仅能处理简单的图像分类任务，还能应用于例如物□　体检测、语义/图像分割以及基于生成式对抗网络的生成型任务.典型的全卷积神经网络中不仅包括了传统的○卷积层，还有反卷积层，它们都是计算密集型的.现在大多数研究者大都关注卷积层的设计优♀化，而反卷积的㊣　加速优化很少.本文提出了一种双向脉动数据流的全卷积神经网络加速器，可以同时高效地处理普通卷积层以及反卷积层.实验中选取了多个具有代表性的全卷积神经网络模型，例如DCGAN，Cascaded-FCN等.相较于以往传统的未优化的加速方案，本文所设计的加速器平均可以达到2.8倍的加速比，并且能耗降低了46.3%.

在直觉模糊关系中，对象之间通过隶属度和々非隶属度的刻画使得拥有了更为优越的关系评估效果.为了对信息系统的不确定性达到更卐好的度量，首先引入基于直觉模糊关系对信息系统进行直觉模糊∞粒化，然后在粒化的结果中依据隶属度和非隶属度分别定义了信息熵的概念，并将它们结合作为直觉︼模糊关系下信息系统的信息熵，最后根据该信息熵构造一种属性约简算法.实验结果表明提出的算法具有较优的属性约简性能.

多核系统是当今处理器发展的主方向，如何合理高效进行任务调度，确保全部处理核心处于有效工作状态是当今多核系统研究的一个重要方向.多核任务调度的关键难①点在于发掘任务并行性，为解决这一▼问题，本文借鉴指令级多线程思想，结合多核系统※中任务的粗粒度特性，提出了一种新型的粗粒度多线程多核体系结构，建立了多№线程取指策略、资源分配策略和线程切换机制，同步完成了这一结构多线程调度器电路设计.围绕此调度器构建了一个粗粒度多核计算平台，并在FPGA芯片上进行硬件实现，实验结果表明，该设计方案←相对于单线程使多核计算平台的卐任务并行度平均提高约34.29%.

针对云存储※完整性审计公正性问题，提出一种基于联盟区块链的云存∩储完整性审计模型(CSACB, Cloud Storage Integrity Auditing Model Based on Consortium Blockchains).首先，该模型以树型结构描述审计联】盟(AC, Audit Consortium)构成，同时利用层级证书链(LCC, Layer Certificate Chain)对联盟成员进行身份标识和权限控制.其次，采用完整性审计链与动态操作链的双链形式支持可变云存储审↑计.最后，利用智能合约(SC, Smart Contract)并结合数据块标签索引机制构建公正的动态操作审计模型，理论分析和实验结果表明该模型在安全性和性能上具★备明显优势.

针对边缘处前景和背景视差易混淆问题，提出一种边缘保持立体匹配方法.在代价匹配阶段，采用级联Census变换增强代价的抗噪特々性.在代价聚ζ集阶段，引入SLIC超像素分割信息进行快速边缘保持代价聚集.在视差后处理阶段，通过导向十字滤波器〖进一步优化边缘视差.实验结果表明，文中提出的立体匹配方法在Middlebury测试集以及︽实际场景获得高质量视差效果，并在边缘处的视差较以往非局部立体匹配方法有所提升.实验还发现在点云上采样时，引入本文所提的导向十字滤波器，可以解决ζ　点云在边缘处的过渡.

具有高频谱效率和低带外衰减的滤波器组多载波传输/偏移正交幅度调制(FBMC/OQAM)系统由Ψ于仅满足实数域正交条件，在实际应用中固有干扰严重影响信道估计(CE)性能.基于干■扰消除的算法可以通过设计合理的导∴频结构消除导频周围固有干扰的影响，该类方法简单，但是信道估计的性能容易受到噪声的影响.块状导①频结构的子载波之间具有比较强的相关性，导致信道估计结果中存在冗余信息.为了利用这些冗余信息，提出一种估计值加权的新【算法，以提高信道估计的性能.仿真≡结果表明，新算法的误码率性↑能明显优于传统算法.

针对双支持向量机模型易受异常点影响导致泛化性能较低的问题，提出了一种基于戴帽L1范数的双支持向量机♂模型.采用带有上限值的戴帽L1范数代替L2范数ㄨ来构造最优化问题，一定程度上削弱了离群点、噪音点对于两个超平面构造的影响，增强了模型的鲁↓棒性.另外，针对构造的新的双支持向量机模型最优化问题提出了一个简单有效的迭代算法并且在理论上证明了该算法的收敛性.在无噪以及有噪UCI数据集上的实验结果▂表明，与其它支持向〖量机模型相比，该模型有着更强的鲁棒性以〇及稳定性.

针对传统卷积神经网络(CNN)同层神经元之＠间信息不能互传，无法充分利用同一层次上的◆特征信息，以及无法提取长距离上下文相关特征的问题.该文针对中文●文本，提出字符级联合网络特征融合的模型进行情感分析，在字符级的基础上采用BiGRU和CNN-BiGRU并行的联合网络提取特征，利用CNN的强学习能力提取深层次特征，再利用双向门限循环神经网络(BiGRU)进行深度学习，加强模型对特征的学习能力.另一方面，利用BiGRU提取上下文相关的⌒特征，丰富特征信息.最后在单方面上引入注意力机制进行特征权重分配，降低噪声干扰.在数据集上进行多组◆对比实验，该方法取得92.36%的F1值，结果表明本文提出的模型能有效的提高文本分类的准确率.

本文提出了一种新型混合基可重构FFT处理器，由支持基-2/3FFT的新型可重构蝶形单元和多路并行无冲突的存储□器组成，实现了FFT过程中多路数据并行性和︾操作的连续性.本设计在TSMC28nm工艺下的最高频率为1.06GHz, 同时在Xilinx的XC7V2000T FPGA芯片上搭↓建了混合基★FFT处理器硬件测试系统.对混合基FFT处理器的FPGA硬件测试结果♂表明，本『设计支持基-2、基-3和基-2/3混合模式FFT变换，且执行速度达到给定蝶乘器数量下的理论周期值，对单精卐度浮点数，混合基FFT处理器可提供10^-5的结果精度.

针对同一宿主计算机上多虚拟机之间数据交换开销大且带宽分配不灵活的问题，提出了一种硬件支持的多虚拟机数据交换及动态带宽分配方法，并进行建模和实验.该方㊣法釆用IO虚拟化的思想，面向以太网控制器的硬件架构进行改进】与优化♀.通过对虚拟机的发送数据进行解析，同时扩展发送引擎对接收BD环的访问权限，实现数据从发送引擎直接向目的虚拟机接收队列的交换过程；通过对虚拟机中接收队列的数据信╱息进行统计Ψ与分析，实现对各个№虚拟机的带宽进行动态分配与调整.以自主研发的千兆以太网控制器为原型搭建测试平台进行实验.结果表明，本文提出的方法不仅减小了多虚拟机之间数据交换和带宽分配的CPU开销，而且对以太网控制器和虚拟机管理程序均保持了兼容.