在大数据时代，特征选择是对数据进行预处理的必要环节.特征选择作为一种数据降维技术，其主要目的是『从原始数据中选择出对算法最有益的相关特征，降低数据的维度和学习任务的难度，提升模型的效率.现阶段，有关特征选择算法方面的研究已取得阶段性成效，但也面临着重大挑战，其中维度灾难就是特征选择与分类问题所面临的重大挑战.首先，介绍了特征选择算法的基本架构, 依次描述了子集的生成、子集的评估、终止条件、结果验证四个过程；其次，综述了特征选择领域的研究方法及研究成果，对特征选择方法分别依ぷ据评价策略、搜索策略、监督信息进行分类阐述，并对这些传统方法进行比较，指出它们的优势和不足；最后对特征选择进行了总结，并对其未来的研究方向进行了展望.

基于深度学习的飞速发展，语义信息逐渐成为SLAM(Simultaneous Location and Mapping)领域的研究热点.由于环境以及传感器本身带来的噪声问题，现有大多数语义SLAM算法所构建的语义地图中存在一些异常点，导致构建的语义地图缺乏一致性，并且影响算法精度.损失函数可以调整对异常点分配的权重，从而抑制异常点的存在.但是大多数语义SLAM算法使用的损失函数本身模型固定，不能很好地适应周围环境噪声的变化.为了解决此问题，提出了一＠ 种变结构的鲁棒语义SLAM算法，称为VS-SLAM.采用高斯混合相关熵权重函数作为损失函数，利用其可以通过调整参数，随周围环境噪声变化来改变其模型结构的特点，最大程度地拟合噪声的分布，更有利于降低算法对异常点的权重分配，提高对异常点的鲁棒性.在公开KITTI数据集上的实验表明，本文算法在建图的时间几乎相等的情况下，平均相对平移误差和旋转误差分别降低了5.36%和8.82%，并且构建的语义地图更加具有一致性.

针对麻雀搜索算法存在的容易陷入局部最优、收敛速度慢等问题，提出一种基于自适应t分布与黄金正弦改进的麻雀搜索算法(t-GSSA).首先，通过黄金正弦算法改进发现者的位置更新方式，增强算法局部开发和全局探索能力，并且提高算法的收敛能力；其次，利用自适应t分布变异方法，对个体位置进行扰动，提升算法跳出局部最优的能力；然后，在仿真实验中与4种基本算法和3种改进算法基于10个基准测试函数进行比较，结果表明所提算法具有更好的收敛性和求解精度；最后，将t-GSSA算法应用到比例-积分-微分(PID)参数整定中.仿真结果表明，所提算法优化后的控制器具有更快的响应速度的更稳定的精度.

随着深度学习的发展，自然场景的文本检测取得了进步，但多方向和弯曲中文文本检测效果仍不理想.针对多方向和弯曲中文文本的〓检测问题，提出一种融合注意力机制的多尺度文本检测方法.为了平衡模型准确性和降低计算复杂度，采用轻量级Resnet18为主干网络.针对特征金字塔(FPN)提取的特征分布不确定性的问题，嵌入平衡注意力机制(BAM)提取有效文本特征并抑制低效特征通道，进而提升检测方法的鲁棒性.针对空洞空间金字塔池化网络(ASPP)下采样时图像局部信息和细节信息丢失的问题，改进ASPP以降低特征图分辨率的损失.针对FPN提取特征不足以及感受野小的问题，将嵌入注意力机制的FPN和改进的ASPP并行增强特征提取融合.针对正负样本的不平衡性的问题，基于可微二值化模块在二值图损失中引入对数化的AC Loss，从而增强检测模型的泛化能力.在公开数据集MSRA-TD500上的实验结果表明，该算法与目前快速高效的DBnet相比，准确率、召回率和F值分别提升0.1%、1.4%和0.6%，并且该算法的检测速率也有较好表现.

针对传统卷积神经网络在表情特征提取阶段容易丢失大量有用信息，无法提取到高判别性表情特征，从而导致表情识别率低的问题，提出一种基于多尺度特征融合注意力机制的人脸表情识别方法.首先，采用VGGNet16来提取卷积特征.为了避免表情特征信息的丢失，将网络中不同层次卷积层的输出特征图进行多尺度特征融合，引入上下文信息的同时提取更加丰富的表情特征信息；为了能够着重关注关键表情特征，在网络中引入了注意力机制.该机制利用分组卷积操作对通道注意力模块进行改进，学习不同通道的权重信息，获取注意力特征图，增强特征的表达能力，抑制冗余信息的影响.为了进一步提高提取到表情特征的可判别性，引入孤岛损失函数，并与Softmax分类损失函数联合使用构成新的损失函数.最后，由于对全连接层进行了删减.为防止网络出现过拟合问题，在卷积层引入了DropBlock策略.实验结果表明，该模型在Fer2013和CK+数据集上分别取得了73.32%和97.40%的平均准确率.

新闻推荐是根据用户的阅读习惯，为其推送更符合需求的内容，然而现有的方法仍存在特征学习不足的问题.针对此问题，提出了一种基于多通道CNN-BiGRU与多特征融合方法，主要由以下四部分组成：(1)词嵌入层.在词向量中融入实体嵌入向量，弥补单独仅使用词向量的不足，完成多通道词向量的构建；(2)多通道CNN-BiGRU模型.此部分模型使用卷积神经网络(CNN)提取语句的局部特征，使用双向门控循环单元(BiGRU)提取文本的长序列依↑赖关系，同时，借助最大池化操作以减少参数数量，避免冗余，借助注意力网络以关注重要词汇的特征，获取精确的特征表示；(3)多特征融合.借助注意力机制融合多个新闻特征，并关注重要特征的内容，完成新闻表征的构建；(4)用户表征提取.通过多头注意力机制提取用户历史浏览记录中新闻间的交互关系，以构建准确的用户表征，完成推荐.实验结果表明，所提出的CBMR模型相对现有的CNN、DKN、TANR和NRMS模型，在AUC、MRR、nDCG@5和nDCG@10指标上表现更优异.

多输出回归是指针对一组输入变量来估计其对应的多个连续属性值，其在数据挖掘领域有着广泛的应用.当前关于多输出回归任务的研究都是基于标签值准确的假设下实现的.然而在实际情况中，数据集的部分标签可能并不准确，即部分标签存在一定的噪声.在这种情况下，传统多输出回归方法性能较差.为了解决上述情况下的多输出回归问题，利用大数据中数据样本大的特点来提炼各个标签间的相关性，从而利用标签间的相关矩阵重构标签.由于多输出问题中的标签个数通常较多，因此可以一定程度上稀释掉部分标签的噪声干扰.此外，利用低秩矩阵分解对上述思路建立数学优化问题，并在此基础上引入核技巧『以提升模型的非线性拟合能力.最后，采用非凸近似的手段求解该优化问题，从而保证了多输出回归模型的预测性能.实验18个数据集上同现有的6种多输出回归方法进行了比较，提出的方法在样本量较大的场景下性能优势较为明显.

传统的跳频同步捕获方法中，串行捕获方法捕获︽时间较长，并行捕获方法系统复杂度高，而使用同步引导码又容易受到干扰.为了解决这些问题，学界提出了一种基于子序列搜索，以跳频序列本身来表征时间信息的捕获策略.该策略的一种实现是基于序列部分频点匹配的同步捕获方案，使用类似并行捕获方法的系统结构，通过多支路检波的方法，得到跳频序列的一个短的子序列，并在接收端本地的跳频序列中进行搜索匹配，进而得到当前接收的信号的在跳频序列中的位置.本文对该策略的实现进行了研究，对子序列的获取这一关键步骤进行优化，主动而非被动地改变接收机各个支路用于检波的频率，增大了检波成功的概率，加快了获得子序列的速度；同时，使用多路并行的方案同时进行同步确认和数字检波，加快了捕获失败后开始下一次捕获的速度。理论分析和仿真结果显示，优化方案在捕获概率上，相对基于序列部分频点匹配的方案有了较大提升；在同等性能前提下的系统复杂度上，相对传统的并行捕获方法和基于序列部分频点匹配的方案有了明显的降低.

端信息扩展被用来解决高速端信息跳变系统中同步认证难的问题.其使用多项端信息组成的扩展序列来表征身份信息并使得各项端信息与所表示数据本身无关，达到隐藏真实信息的目的.然而，现有算法生成的端信息扩展序列存在伪随机性差、抗分析能力弱等弊端，不利于保障原始数据的安全与隐私.针对上述问题，首先将m序列引入端信息扩展序列的生成过程中，提出了基于⌒　m序列的端信息扩展序列生成机制，使其具有良好的机密性与伪随机性；其次，详细介绍了基于m序列的端信息扩展序列生成机制中包含的消息预处理、m序列生成与调制、端信息扩展序列生成等模块；随后，对其所具有的机密性、容失性及抗截获性等特性进行了理论分析；最后，对所提出机制生成的端信息扩展序列进行了性能测试实验并以现有端信息扩展序列生成算法作为对比方案.实验结果表明基于m序列生成的端信息扩展序列具有更好的伪随机性及鲁棒性，对保障秘密信息的安全可靠传输具有重要意义.

医学图像自动分割技术具有辅助临床医※学诊断的功能.为改善CNN模型在医学图像分割中存在感受野小及细节特征不敏感等问题，基于多尺度策略以及注意力机制，提出一种多尺度综合注意力的U形网络架构，以提升医学图像分割质量.首先，提出一个新的双路径因式分解多尺度融合块，以扩展图像特征的感受野，进一步提取图像特征的细节信息.其次，在架构中融入通道和空间融合自注意力块，利用注意力机制的特性，抑制不相关的部分或背景以突显深层特征的空间信息.最后，引入多尺度注意力卐块.该模块通过融合多个尺度的特征信息，以突出不同尺度中最显著的特征图来适应当前分割对象的大小.为验证模型的可靠性，将所提出的网络模型应用于肺部、细胞轮廓及肝脏等医学图像分割任务.实验结果表明，所提方法在准确率、Dice系数、AUC及灵敏度等评估指标上均优于目前用于医学图像分割的主流方法.

国内基于RISC-V指令集的嵌入式处理器的研究在近几年内得到了快速发展.在性能评估研究上多集中于2-3级流水的小规模、低功耗处理器，针对5级流水架构处理器的性能量化研究较少.针对该问题，在传统5级顺序流水架构的基础上，分别从RISC-V指令预测、流水线机制、乘除法算法、存储架构等方面分析处理器优化的策略.针对不同策略优化的处理器以AHB片上互联、APB桥接的方案实现外部模块的搭载.在FPGA上完成软硬件协同仿真验证，并在Xilinx的XC7K325T开发板上运行性」能评估测试程序CoreMark，依据运行结果着重分析不同静态预测算法、不同周期乘除法运算、外挂存储的容量与设计等因素对处理器的影响.最终实现的处理器基于RV32IMZicsr架构，采用了半静态预测(资源优化)、流水线检测转发机制(处理优化)、短周期乘除法(计算优化)、最优存储架构(取指与访存优化)等性能优化策略.CoreMark跑分达到3.06 CoreMark/MHz.

长时间的大声聆听增加了人们出现不可逆听力受损的风险.为更好预防因长时间大声聆听而造成的听力受损问题，本文基于优化的多通道宽动态范围压缩(WDRC)算法实现了一种主动护耳的护耳语音处理加速器.相比于传统WDRC算法，该加速器将输入音频声压级作为WDRC算法的输入参数，并对输入音频进行压缩处理.输入语音按照梅尔尺度被分为16个通道.在每一个通道内响度过大的输入语音会被压缩，压缩处理后的语音信号经综合滤波器组合成，ΔΣ调制器处理后以脉冲密度调制(PDM)的形式输出.测试结果显示对于不同频段较高声压级的语音输入产生了较好的声压级控制效果，实现了对输出语音声压级的实时控制.

由于3D NAND闪存芯片面积较大，其电源分布网络庞大、复杂，既需要满足多个块(block)并行读写时所需的600 mA峰值电流要求，也需要满足芯片在待机状态下的低功耗要求-针对以上问题，设计了一种为3D NAND闪存芯片进行供电的无片外电容的分布式功率级LDO电路.通过设计Active和Standby两种工作模式下的LDO进行切换以降低系统●功耗；采用基于电容的升压电路驱动分布式功率级结构，适应大面积CMOS芯片的供电要求；设计了输出电压检测电路前馈控制输出级以进一步提高环路瞬态响应速度.基于长江存储工艺完成电路设计，仿真结果表明，设计的LDO的负载调整率为0.018mV/mA, 带载能力达600 mA. 重载600 mA时的下冲电压为0.21V.通过流片、测试验证，设计的电路满足3D NAND闪存芯片的工作要求.

GaN不仅具有与硅媲美的较高声速，而且也有与氮化铝相当(AlN)的大压电系数, 所以是制作MEMS谐振器的有力备选材料.研究设计了一款硅基压电氮化镓(GaN)MEMS谐振器.利用GaN中的二维电子气(2DEG)可作为开关嵌入电极的特性，通过GaN压电材料实现由电极、压电薄膜、电极组成薄膜微机械谐振器.工作时在两个电极之间的压电薄膜内产生厚度剪切振动模式，压电薄膜内部就形成了振荡，通过压电效应的正交应力(σx和σy)能够提供相关的应力场从而增加机电共振.使用微机电系统技术和平面加工工艺对谐振▓器进行了制作，GaN谐振单元物理尺寸90 μm².采用了无需加载功率对于谐振器无损伤的XeF2气体释放硅基底(111)形成了GaN谐振器，这样能够减少谐振器的粗糙度♂、较小残余应力，避免杂质和缺陷造成的散射.测试表明，谐振频率为12.56 MHz，谐振腔的品质因数为3 600.

针对宽带微功率无线通信技术(470 MHz~510 MHz)高速率、信号突发传送的特点≡，在设计宽带微功率射频前端芯片过程中，提出了一种去环路滤波器和去ADC的数模混合反馈型高速双模AGC设计方案(DFA-AGC)，本文对该方案的关键电路和算法进行了详细描述.为实现AGC快速响应，提出了一种新型的环路电压环路恒跨导轨到轨输入和改进型电流镜负载推挽式输出结构来提升转换速率，并设计了一种全对称差分结构的全波包络检波器来减少差分信号包络检波时间.同时，考虑到实际应用场景可能的电磁干扰，设计了一种快慢锁双模自适应切换算法以实现快锁模式下信号快速跟踪和锁定，慢锁模式下有效躲避尖峰干扰.该AGC采用SMIC 40nm CMOS工艺设计，版图尺寸约200 μm×140 μm.仿真结果：快锁模式下锁定和增益稳定时间小于10微秒，接收增益动态范围大于90 dB.实际测试结果，快锁模式下稳定时间约为9微秒，慢锁模式下稳定时间约为30微秒，功耗小于1 mW.