设计了一种既支持软件定义网络又能在有硬件木马的情况下正常工作的交换机包解析器.使用以查找表为核心的可重构基本处理单元构成包解析器，同时将输入数据与随机▂密钥进行异或(去协同变码)后再送入包解析器以破坏包头中潜藏的木马触发指令.采用模板同步变码的方式进行关键字匹配，从而避免原㊣　文在模块内部出现.基于该结构实现的L4以太网交换机包解析器，使用40 nm工艺库综合的时钟频率可以达到220 MHz，基本处理单元的々面积约为176万门.测试结☉果表明，该包解析器可以破坏不同类型的木马触发指令.

为满足用◥户端芯片识别、分类统计的需求，针对光照系统光不均匀性问题，提出一种基于改进Otsu算法的芯片识别分类系统.通过对全局灰度值判断的方〓法，能够自适应地选择阈值分割方式，以达到识别不同底色芯片盒的目的; 通过采取︼改进Otsu自适应阈值的方法，以消除光◥照不均匀性带来的影响; 通过使用芯片轮廓先验信息，以对最终提取的芯片轮廓进行修正，保证每一个芯片的完整性.实验结果表明，采取该算法能够有效对不同类型芯片盒内芯片的轮廓进行提取，实现了芯片的识别与分︼类.

针对目前主流文本检测算法对多方向文本检测效果显著，但对曲线◢文本检测不佳的问题，提出一种基于感受野增强和改进型损失函数的文本√检测算法，适用于曲线及任意方向文本.该算法基于TextSnake网络改进，加入ASPP网络增大感受野以获得在深层网络中更高层次的语义信息，并逐层进行特征融合提高对复杂背景下的文本检测精度；同时针对数据正负例样本不平衡问题在损ζ失函数部分采用加权的Focal Loss，提高检测过程中难检测像素点的损失.该算法在Total-Text和ICDAR2015数据集上测试，实验结果表明该算法在准确率和F值上均有较好的表现.

针对PCB缺陷检测系统对配准的要求，提出了一种基于图像降采样和相ζ　位相关法的配准算法.首先，为了解决使用单侧峰的相位相关亚像素配准方法在整数位移处误差较大的问题，提出根据两侧峰峰值差值占主峰的比例来判断是否需要使用双侧峰法修正的方Ψ法; 其次，为了解决算法应用中的效率问题，讨论了不同降采样倍率对配准速度和精度的影响.实验结果表明，该改进算法的最大误差和平均误差均比原单侧峰∏法小; 二千万像素的图像在五倍降采样情况下就能获得高精度，且速度约有20倍提升，该算法具有鲁棒性和实时性.

深度强化学习在各个领域中都展现出了巨大↘的潜力，但现有的深度强化学习算法需要大量样本才能学习到一个较好的策略，而在实际场景中，深度强化学习样本通常存在数量少、成本高等特性.因此，改善样本利用率是拓展深度强化学习应用范∑围的关键.除了㊣　基于模型的方法之外，智能体的探索策略也是影响样本利用率的重「要因素.本文在▆智能体的行为策略中引入基于记忆的探索方法，其可以通过搜索过去的记忆来快速产生高回报的样本供状态价值网络学习，加快算法的训练过程.通过在仿真环境中利用基准任务来对所←提算法进行评测，验证了其有效性.

为了降低DC/DC电源芯片过流期间的功耗，本文设计了一种可频率迁移的高精度振荡器，芯片出现过流∞情况时，振荡器频率可降至100 kHz以下.基于CSMC 0.25 μm 30 V-60 V BCD工艺完成了电路设计、仿真.该振荡器常温下可以得到信号幅值为0.6 V~3.2 V、频率为260 kHz的锯齿波.温度偏差在±4.23%以内，电源灵敏偏差在±1.6%以内.出现工艺角偏差时，采用熔丝修调对振荡器的频率加以修正.

针对单目视觉系统姿态估计精度不高的问题，提出了一种基于半直接法视觉里程计(SVO)的单目视觉惯性系统.系统使用误差状态卡尔曼滤波器以松耦合方式对☆视觉信息和惯性导航信息进行融合.视觉前端〗采用SVO处理图像数据，并修改了SVO的关键帧选择策略以及解决了相机前视场景中由于重定位失败导致姿态估计失败的问题.使用EuRoc数据集中的MH 01子集对所提算法进行验证.实验表明，基于SVO的单目视觉惯性系统能够有效的提高姿态估计精度.相比单目SVO算法，所提算法的位置误差减少了13.4%, 旋转角的误差减少了30%.

针对当前YOLOv3算法在遥感图像中复杂场景飞机漏检、误检等问题，提出一种基于自适应特征融合及多尺度输出的遥感图像飞机检测算法.该算法首先使用K-means++代替K-means算法对数据集进行聚类，解决了K-means初始聚类中心不稳定性；然后，在YOLOv3网络基础上增加了一个含有分辨率信息的尺度，更有利于检测小目标飞机；最后，在网络模型四尺度输出△前增加了自适应特征融合层，解决了不同尺度的特征融合不充分以及减少或消除反向传导受到负样本的影响.实验结果表明，改进的YOLOv3算法在遥感图像上飞机检测精度达到96.17%，比YOLOv3算法精度提高了2.6%.

本文提出了一种对云虚拟机进行异□常检测的模型LsGrbmAd.该模型首先通过长短期记忆网络(LSTM)捕获云虚拟机性能指标的时序特征，同时利用Dropout以防止数据过拟合；其次利用高斯玻尔兹曼机(GRBM)得出自由能；最后利用得出的自由能与训练阶段得到的参数基准模型进行对比，判断云虚拟机是否出现异常.实验表明该模型能够对云虚拟机进行异常检测，且准确率有较大的提升.

针对现有去雾算法去雾效果不理想的问题，提出了一种基于注意力机制的单幅图像去雾算法.通过引入注意力机制构建通道注意和像素注意，并将两者结合实现特征注意模∮块；再通∴过多尺度卷积、局部残差学习和特征注意搭建基本模块；最后结合全局残差学习实现端到端的去雾处理.实验结果表明，该算法在峰值信噪比(PSNR)、结构相似度(SSIM)、特征相似度(FSIM)三种图像评价指标上均高于对比算法，取得了良好的去雾效果，有效地解决了去雾效果不理想√的问题.

设计了一种基于移动端深度学习目标检测算法MobileNetV2- SSDlite的小规模、高精度的人脸检测算法.在算法基础上，围绕硬件架构、片上缓存、性能及功耗等方面进行移动端专用型神经网络加速器的研究与设计; 在ALINX AX7350 SOC平台上实现了实时多人脸检测加速器系统.结果表明，本系统在100 MHz时钟下，平均计算性能为56.01 GOPS，功耗为7.3 W.与现有的MobileNetV2-SSDlite加速器相比，运算①速度提高了28.7%，资源平均节省了44.46%，功耗降低了26.3%.在224×224分辨率下，达到了83.4 FPS，满足实时性需求.

针对近眼显示器扩大视场角的需求，本文配合光学系统设计了一种基于FPGA的近眼显示实时预畸变系统.本系统采用基于片外存储查♂找表结构的坐标校正方法，结合双线性插值的灰度校正算法，利用片内Block RAM资源设计了一种图像数据按奇偶行分别存储的数据缓存结构，减小了数据缓存量，降低了输出延时，实现了高分辨率、高帧率视频图像的实时预畸变处理.实验结果表明，实时预畸变系统对光学系统产生的非线性几何畸变具有良好的校正效果，且处理延时小，显示图像清晰完整且可扩展性强.

传统的社区发现算法中网络节点相似度多以空间距离度量，这种度量往往不容易理解，或者只能从距离的角度予以解释.本文提出一种基△于文本内容相似度的谱聚︾类方法，它以网络社区用户的文本信息的相似性来度量网络节点的属性相似度，考虑网络结构的同时使节点的属性联系更有意义.在此基础上使用谱聚类的思想进行社区划分.本文以实际数据进行实验发现，发现划分结果的模块度和节点平均相似度较高，聚类效果良好.

针对无线传感器网络节点能耗不均衡，网络生存期短等问题，提∩出一种基于人工蜂群算法的能量高效分簇路由协议.在簇头选举阶段，通过定义簇头的能量因子、位置因子和向心率因子设计高效的适应■度函数，评估人工蜂群算法生成的解的质量，选出最优簇头.在稳定传输阶段，提出一种基于←最小生成树的高效路由算法，通过在每个簇头和基站之间寻找合☆适的路径来平衡并降低网络能耗.为进一步提高网络〇吞吐量，将区分忙闲节点的轮询控制机制引入簇内通信.在不同规模的场景中对所提协议的性能进行了评估，仿真测试结果表明，与KUCR协议、FIGWO协议相比，基于人工蜂群算法的分簇路由协议能够有效→地延长网络生存期，提高网络吞吐量.