本文针对10 Gbase-KR的应用场合，设计了一款基于相位插值器的二阶CDR，通过对其进行线性建模分析，折中抖动容忍、锁定时间以及抖动峰值的关系，选取合适的增益系数，并采用SMIC 40 nm CMOS工艺完成了电路设计.其中二阶滤波器的比例和积分系数可调，可以追踪1 000 ppm的偏差，恢复时钟的抖动最差情况为24 ps.

为了优化乘法器关键路径延时并减少电路面积，提高乘法器的整体性能.本文在运用基4booth算法的基▅础上，针对部分积生成器延时相对较大的问题，提出了一种新型的booth选择器，用于提高部分积生成的效率.同时，本文又提出一种新型的4-2部分积压缩器，用于提高部分积压缩器的压缩效率.基于tsmc28nm工艺，对运用上述优化点的有符号16比特乘法器进行仿真验证和综合，本文设计的乘法器关键路径延时为0.98 ns.实验结果表明，本文提出的两点新型设计，能较好的提升乘法器的计算性能.

本文通过对G.729语音编码算法的分析，根据实时语音处理的特性，设计一种以三帧语音＠ 数据为整体的帧轮转结构；对于算法中的相关值计算过程、滤波过程、以及硬件设计时SRAM的读取特性，结合并行结构和流水线结构，实现了语音编码算法的高吞吐量设计.完成相同计算所需时钟周期仅为优化后DSP设计的1/68.采用一组加入pink-noise噪音的语音对设计芯片进行了编解码后的PESQ音质评分测试，在信噪▽比不小于5 dB的情况下，语音PESQ评分均大于4.0分，完成了高吞吐率、高音质的语音实时压缩.

针对磁盘数据集中正负样本数目严重不平衡导致基于机器学习的分类算法易出现故障预测准确率低的问题，本文提出一种基于自适应加权Bagging-GBDT算法的磁盘故障预测模型.首先，提出基于聚类的分层欠采样方法对健康磁盘样本进行多次抽样，解决随机欠采样方法易丢弃潜在有用样本的问题；其次，将每次采样后样本与全部故障磁盘样本组合得到多个样本子集，通过训练这些子集建立多个预测精度较高的GBDT子分类模型；最后，根据待测点邻域样本类别自适应确定各子模型权重，据此通过加权硬投票集成最终的磁盘故障预测模型.在8组KEEL不平衡数据集上实验结果表明，与现有典型不平衡学习算法相比，少数类的召回率平均提升了9.46%；同时在磁盘公开数据集和某调度系统磁盘数据上对比验证了该方法在故障预测率上的先进性.

基于0.35 μm工艺，设计了一种工作在15~30 V的宽电源电压的高电源抑制比(PSRR)、快速瞬态响应的线性LDO.该LDO主要包含电源电压预调节模块、基准源模块、误差放大器模块.电源电压预调节模块，降低输入电压波动范围，同时采用了PSRR增强电路，提高LDO的线性稳定性和PSRR；误差放大器模块，采用了一种带正反馈增益增强差分放大器电路，提高了电路的增益，同时采用双环反馈技术，提高LDO的瞬态响应速度.仿真结果表明：输出电压为5 V，PSRR低频时为128 dB，100 kHz时为60 dB，瞬态响应时间约▓为0.1 μs.

属性约简是粗糙集理论的重要研究内容，混合型信息系统下的属性约简是目前的主要研究方向.在邻域粗糙集模型中，基于邻域熵的方法在进行属性约简时，由于未考虑属性之间的独立性，本文通过融入邻域互信息熵≡提出一种改进的属性约简算法.文中首先在邻域熵的基础上，提出了混合型信息系统下的邻域互信息熵，然后通过理论分析表明了邻域互信息熵可以作为属性之间独立性的评估，最后将邻域互信息熵融入传统的邻域熵属性约简中，提出一种基于最小化邻域互信息的邻域熵属性约简算法.仿真实验结果表明，该算法可以进一步地提高属》性约简结果中属性的独立程度，比相关的属性约简算法具有更高的约简性能.

针对现实世界中多个论域之间信息分类和属性约简问题，提出了U×W型双论域变精度粗糙集模型，通过对U×W型双论域中等价关系的研究，得到了二维等价关系的等价类，在此基础上对该模型结构和数学特性进行了深入研究，得到了一些有用的结论，最后利用粗糙熵和信息熵对其不确定性进行了度量，并通过实例对模型及度量结果进行了验证.

语音端点检测(Voice Activity Detection, VAD)，是指在给定语音信号帧中判别语音是否存在，鲁棒的VAD有助于提高语音应用的自动化效率，例如语音增强、说话人识别、助听器等.为了提高低信噪比下语音端点检测的精度以及效率，提出了一种新的语音特征—低频消噪能量(Low Frequency De-noising Energy，LFDE)，将其应用于VAD中，并利用LFDE与现有的声学特征(梅尔频率倒谱参数、共振峰频率)结合训练极限学习机(Extreme Learning Machine, ELM)分类器.仿真实验发现，端点检测的精度与效率都有提高.

针对低秩矩阵恢复算法复杂度过高和训练集样本存在遮挡的问题，本文提出一种基于低秩矩阵恢复和Gabor特征的鲁棒表示与分类↘的遮挡人脸识别方法.该方法首先通过快速低秩矩阵恢复算法，准确并且快速地求得训练样本图像对应的误差图像；然后，分别对“干净”人脸图像和遮挡误差图像进行Gabor变换，得到Gabor特征向量；接着，本文提出一种基于Gabor特征的遮挡字典压缩算法，可以计∑算出压缩后的Gabor遮挡字典，并用其与训练样本的Gabor特征向量构成Gabor压缩字典；最后，利用压缩字典对测试样本进行协作表示，获取最终「的识别结果.在Extended Yale B和AR数据库上的实验结果表明，本方法不仅对遮挡人脸识别具有较强的鲁棒性，而且大大降低了对遮挡人脸图像编码的计算量，缩减了算法的运行时间.

在非密集计算任务下，分布式路由片上网络表现出良好的性能.然而当片上网络布局密度接近1时，受算法制约，高链路拥塞率会严重降低分布式路由网络执行大批量数据传输任务的性能.考虑到片上网络需传输数据的密集/非密集特征，由此设计集成有可定向传输事务的混合式路由，通过配置路由节点分配两种路由策略的权限，在片上网络中构建点对点高权限专用数据链路，避免分布式路由自寻链路带来网络长时拥塞、事务处理迟延问题，保证事务并〒行度，提高网络节点挂载计算核布局的容忍度.同时论文在8×8Mesh结构下对集成有混合路由网络性能进行了测试，结果表明采用混合路由有效提高了传输带宽和链路成功率等网络性能指标.

为实现超宽带无线收发片上系统中低相位噪声、相互正交的两路本振信号，并避免高集成度环境下发射机中大功率载波信号对锁相环的牵引，本文采用SMIC 90 nm工艺设计了一款振荡频率二倍载波频率的电荷泵整数分频锁相环.实现过程中，本文提出※了分别在鉴频鉴相器上开关控链路和下开关控制链路上插入传输门的方法，减小死区的同时降低电流失配对环路的影响；采用了低分频系数和高频率的参考信号方案改善了环路的相位噪声；采用了电容阵列的方式来校正压控振荡器方案以减小工艺偏差以及寄生参数对调谐范围的↘影响.本文完成锁相环版图设计后，提取了各模块的参数并进行了∩后仿真.SPECTRE仿真结果表明：该锁相环的相位噪声为-125 dBc/Hz@1MHz，且通过差分二分频可获得两路相互正交的本振信号.

针对分类器在不均衡数据集上对小类分类准确率较差的Ψ 问题，提出了改进K-means的双向采样算法KMBS(k-means bi-directional sampling)，并将集成学习应用在分类算法上.首先，使用改进的K-means聚类算法将原始数据集划分为不同的聚类簇.其次，在聚类簇中使用改进的SMOTE算法对小类样本过采样，对聚类簇内的大类样本欠采样，使数据集平衡.多次执行该算法可以产生多个差异较大的数据集，因此训练出多个差异较大的分类器，提升集成学习的效果.通过分析实验结果，该算法较现有几种算法不仅能提高整体分类性能，并且有效提高小类样本的分类性能.

随着军用电子系统的信息化、智能化、集成化水平不断提升，其所需实现的任务种类和数量越来越多，其所处作战环境也越来越复杂，使得ζ　其对高性能高可靠处理器的需求越来越迫切.针对军用电子系统对处理器的高性能应用需求，本文运用双发射指令执行技术、分支预测优化技术以及紧耦合的片上存储管理技术等提升处理器的指令执行效率；针对军用电子系统对处理器的高可靠应用需求，本文◇应用基于锁步结构的指令恢复技术来提高处理器的容错能力，并采用ECC校验技术和冗余备份技术来提高片上存储系统的纠检错能力和可靠性水平.最终，实现了一款性能达到2 DMIPS/MHz、主频达到300 MHz的面向军用电子系统高性能高可靠处理器.

针对时钟抖动与ADC信噪比的关系，提出了一种基于ADC噪底能量分布的亚皮秒级时钟抖动的测试方法.通过建立ADC的采样误差模型，推导出时钟抖动引起的采样误差表达式，分析了时钟抖动造成的采样精度与采样频率上限, 剥离出不同频点ADC噪声的成∩因，从而得到利用双频点采样的时钟亚皮秒级抖动测试方法.并对该方法进行了仿真和测试验证，结果显示GHz以上频率的时钟亚皮秒级抖动测试误差小于10 fs，表明该方法简洁、有效，具有很高的测试精度.

无线携能通信(Simultaneously Wireless Information and Power Transfer，SWIPT)作为一种新兴的用于能量受限网络的技术近来受到广泛关注，但现有SWIPT接收机资源分配策略只考虑实现当前时刻内网络最佳性能，没有考虑未来时刻内的网络性能优劣，无法满足服务质量要求高的网络.针①对此问题提出了一种基于神经网络的接收机资源分配策略，首先从能量和时间的角度分别考虑延迟受限(Delay-Limited，DL)传输模式下的网络中断概率及其相应的中断区域，推导出理论上实现最大吞吐量的资源分配策略，然后利用神经网络预测未来时隙信道状态信息动态调整此策略.实验结果表明在不同信道状态下，所提策略能够实现更为稳定的网络性能.