时间敏感网络是★新一代确定性网络技术，其主要面向工业ω　物联网，工业自动化，车载网络以及航空航天电子系统网络等安全关键领域.该技术以标准以太网为基础，扩展了时间同步、时间感知流量调度和流无缝冗余传输的能力，支持实时数据和非实时数据共网传输，可实现信息网络与控制卐网络的融合.本文调研了近年来时间敏感网络技术的研究现状并进行了系∮统的梳理和总结，首先阐述了时间敏感网络技术产生的背景和发展々历程，然后对时间敏感网络的核心技术进行了介绍，包括时钟同步◎技术、流量整形技术、网络管理配置技术和流可靠性技术，并对当前国际上重要的企业、高校和研究机构的时间敏感网络技术相关研究成果进行了详细的分析和讨论，此外，还对时间敏感网络的仿真和应用的相关研究进行了详细分析.在此◥基础上，总结出目前时间敏感网络技术在实际工程应【用中所面临的挑战.最后，讨论了时间敏感网络技术未来的发展趋势.

目前，大多数讽刺识别模型都是针对文本数据进行研究，推文中包含的图像数据未得到有效利用，导致讽刺识别任务准确度不」高.针对这一问题，提出一种结合注□　意力机制的联合神经网络模型RCBA，用于图文混合的多模态讽刺识别任务.RCBA模◤型首先利用结合空间注意力机制和通道注意力机制的深度残差网络(ResNet101)进行图像特征自适应提取; 同时，使用图像属性分类器提取图像属性特征; 其次，将图像属性特征作为双向长短时记忆神⊙经网络(Bi-LSTM)的初始状态，完成文本特征的提取; 随后，通过两层神经网络融合图像特征、图像属性特征和文本特█征; 最后使用两层的反向传播网络(BP)作为分类器，完成讽刺识别.该模型在图文Twitter讽刺公开数据集上进行实验，与图文讽刺识别任务的基线模型〗相比，准确率和F1值分别提╲升了6.19%、5.29%.实验结果】表明RCBA模型能够有效提取多模态数据特征，在讽刺识别任务上具有更好的性能.

红外光和可见光(RGB-IR)下的跨模态行人重识别(Re-id)对于现代视频监控，尤其是夜间监控具有重要意义.现有的单模态行人重识别领域的◣研究成果已达到＠ 较高水平.然而，除了№光照条件、人体姿势、摄像机角度等常↓见问题外，跨模态行人重识别问题难点主要在于同时存在模态间的巨大差异和模态内的类内变化，为此本文提出了基于卷积注意力机制和多损失联合的跨模态行人重识别方法.此方法基于双流网络结构，首先在双流网络的两支路中使用Resnet50网络前三层卷积层■分别提取行人图片的浅层特征，然后嵌入√卷积注意力机制模块以抑制颜色等无关信息的提ζ取，并融合中层特征和支▽路骨干网络获取的最终特征提升获取特征的辨别力，最后采用双向跨模态三元组损失和身份损失联合约束双流网络，加快网络模型收敛，有效应对模态间的差异以及类内变化.实验←结果表明本文提出的方法使跨模态行人重识别问题的精度得到了有效的提升.

针对现阶★段基于深度学习的调制识别算法中出现的检测效率低下ω　的问题，提出一种高效的调制识别算法—RadioFSDet(Radio Frequency Spectrum Detection)检测算法.RadioFSDet算法利用信号在频谱图上的特征差异，使用目标检测算法YOLOv4检测频谱图上的调制信号.相较于主流的基于深度学习的调制识别算法，RadioFSDet算法不仅能够在一次模型推理中检测出多个信号的调制类别，还能够大致确定每个信号的中■心频率.实验结果表明，RadioFSDet算法对在真实场景下采集的√多个超短波全频段中的AM、FM、GSM和QPSK信号均实现良好的检测，平均检测精度达到71%，同时在公开数据集RadioML2016的实验中，RadioFSDet算法对信噪比在0~18dB下的AM、FM和QPSK信号实现87%的平均检测精度.此外，为了进一步加快RadioFSDet算法的检测速度，本文结合计算机视觉领域的最新研究成果，提出一种高效的轻量级检测网络RadioFSNet，该网络的参数量不仅由原来的6 400万下降至220万，而且模型的检测精度不会下降.实验结果表明，在超短波全频段◥的数据集中, RadioFSNet的检测速度达到77FPS，平均每秒钟检测231个信号，大幅度提高模型的检测效率.

针对现有文本分类算法处理中文数据时存在的分类精度低、参数量庞大、模型难训练等问题，对BERT算法进行了优化.BERT算法处理中文文本时无法提取词向量特征，为此提出了均匀词向量卷积模块AWC.通过在传统卷积神经网络中引入注意力机制来提取可靠词向量特征，再进一步获取到文本的局部特征，由此弥补〖了BERT模型无法提取词向量的缺点.BERT模型本身具有的自注意力网络可提取到文本的全局特征来突出全文的重点含义，与此≡同时在BERT算法中又引入了局部特征，通过将描述文本的局部特征以及全局特征按照重要程度进行融合，最终生成了更加丰富的文本信息.将融合后的特征输入softmax层得到模型的分类结果.平衡多头设计、层级参数共享机制、全连♀接层优化等方法的运用在保证算法准确度的前提下大大降【低了模型参数量，最终形成了一种基于混合注意力机制的BERT-AWC轻量化文本分类算法.在多个公开数据集上的实验结果表明，相较于基准算法BERT，该算法〒在多个公开数据集上的预测精度均有1~5%的提升，而模型参数量仅为BERT的3.6%，达到了设计预期.

图像描述任务〓是使计算机自动生成给定图像的自然语言描述文本，它涉及计算机视觉与自然语言处理两个领域，可应用于检索↓系统、盲人导航和医学报告生成等领域.针对现有的图像№描述模型对视觉语义关系挖掘不充分，及多层注意力机制建模特征存在注意偏差的问题，提出一种融入视觉常识和注意力的图像描述模型.在编解码器结构框架下，编码部分引入了视觉常识来指导局部特征产生常识语♀义关系，采用Faster R-CNN和VC R-CNN提取图像的局部特征和视觉常识特征；并对多层注意◆力挖掘的高层语义施加AoA(Attention on Attention)机制，以增强特征并获得更好的相关性，从而减少注意偏差误导解码端序列生成.解码部分采用注意力机制对特征加权选择相关信息，使用LSTM和门控线性单元生成输出单词序列.在MS COCO数据集上进行测试，实验结果表明，所提出的模型在BLEU、METEOR、ROUGE-L、CIDEr和SPICE多种评价指标上有一定程度的提升，表明了该模型能够更加准确且丰富地表达图像语义内容.

针对目前现有算法不能很好适用于水下目标检测，同时为提高水下目标检测的实时性和准确性，提出一种基于F-CBAM注意力机制的YOLOv5水下目标检测网络模型FAttention-YOLOv5.模型采用单阶段目标检测网络模型YOLOv5作为基础模型，在模型中嵌入提卐出的F-CBAM注意力机制，通过在CBAM结构中引用FReLU激活函数，在激活函数阶段通过二维空间捕捉复杂的特征分布情况，实现像素级的空间信息建模能力，提高模型准确率；采用F-CBAM中的通道注意力机制和空间注意力机制提高目标物体的通道权重以及扩大目标对原图的感受野，提高目标检测模型对特征的学习能力；并在FAttention-YOLOv5模型中融合递归网络特征金字塔，通过特征递归使网络充分≡学习不同尺度的图像特征，从而提高小目标的检◥测精度；最后对改进模型的损失函数进行优化，避免新模型梯度消失或爆炸.实验结果表明：所设计的水下目标检测模型FAttention-YOLOv5，可以提高模型的特征提取能力，从而有效提高水下目标检测的准确度，为海洋生物捕捉提供新型解决方案和技术♂辅助.

针对分类任务中样本数据不均衡，分类模型在少数类上准确率不高的问题，本文提出一种基于EnsNet和MCGAN模型的背景风格迁移和字体风格迁移的级联处理方法，EnsNet模型较好地实现复杂背景的字体擦除和※字体提取，MCGAN模型实现提取出的字体进行风格迁移与〖数据扩充.在确保满足样本多样性的前提下，通过两组▂模型的级联方法，实现了少数类样本跨数量级扩充.实验结果表明，首先，选用优化后的LeNet5-BN样本扩充效果进行验证，在数据分布严重不均衡的原始真实数据上，少数类识别准确低于99.50%，在使用数据扩充方法后的合成数据集上，原少数类识别准确率达到99.98%，其次继续采用Resnet和Mobilenet模型进一步验证扩充样本前后分类识别准确率，扩充前后的分类准确率分别】从99.88%和99.8%，分别提升到99.96%和99.95%，样本扩充效果通过多组模型得到了很好的◥验证，最后，选用LeNet5-BN模型，实现了十次交叉验证实验，平均识别准确率从99.50%提升至99.98%，进一步表明样本跨数量级扩充模型具有较好的鲁棒々性.

深度极限学习机(DELM)由于其性能好ξ　↓、泛化能力强等优点成功应用于许多领域.针对现有入侵检测技术存在检测效率低等问题，将DELM引入到网络入侵检测中，并针对其初始参数随机性较大等问题，提出了一种基于改进的麻雀搜索算法(RSSA)优化DELM的入侵检测♀模型RSSA-DELM.首先在麻雀搜索算法(SSA)中，对麻雀发现者和麻雀警戒者的位置更新公式进行改进，有效避免了SSA算法陷入局部最优并引入随机游走策略对麻雀最优解进行扰动，进一步提高麻雀搜索能◆力，增加种群多样性.改进的麻雀搜索算法(RSSA)与标准麻雀搜索算法(SSA)、粒子群优化算法(PSO)和鲸◤鱼优化算法(WOA)在四种测试函数上相比，收敛速度︻更快、收敛精度更高，具备良好的性能.然后利用改进的麻雀搜索算法对DELM的权值和偏置进行联合优化，最后采用优化的DELM算法对NSL-KDD网络数据集进行分类检测.实验结果表明，RSSA-DELM与DELM、SSA-DELM、RNN等算法相比有更高的检测率，分类性能平☆均提升了18%.

随着云计算的飞速发展，如何利用云服务器进行数据的安全存储成为相关领域的研究热点问题.云存储可以在节省本地管理成本的同时，增强存储数据的可访问性和可用性，但也会面临数据隐私泄露的风险，从而№威胁数据安全.而用户将文件加密后上传又会面临如何在云端对加密数据进行ㄨ有效搜索的问题.应运而生的可搜索※加密技术不仅能高效检▃索出访问者所需的数据，而且保障了用户信息的隐私性和数据的安全性≡.针对传统可搜索加密方案中存在的密钥验证、证书管理和交易不透明等问题，提出了一种安全性增强的无证书可搜索公钥加密方案.首先引入密钥生成中心，在保障搜索性的同时避免证书管理和密钥托管问题；其次在对密文进行有效搜索▲的基础上增强了方案的安全性；接着通过智能合约确保数据♂使用者和数据所有者之间卐交易的可追溯性与透明性；最后在随机预言模型下证明了此方案可抵Ψ御离线关键字猜测攻击.与其他无证书可搜索加密方案对比可得，本方案结合智能合约不仅提升了方案的安全性和交易的可靠性，而且在检索时间和方案拓展性方面也具有一定的优势.

人工智能的迅速发展使得现代卷积神经网络在图像识▂别和分类任务上取得了巨大成功.然而，复杂神经网络模型不断向更深层的网络结构发展，在面积、功耗受限的移动设备上部署时无法保持高性能和高精度.针对该问题，面向可编程阵列芯片(FPGA)平台提出了一种基于软硬件协同方法的MobileNet-SSD目标检测硬＠件加速器设计.首先采用剪枝和∏量化算法对原始MobileNet-SSD模型进行压△缩，其中剪枝是针对点卷积层参「数冗余问题而提出的卷积核剪枝算法，量化则是将训练后的网络模型中的浮点数统一转换为定点数参与卷积计算.然后，设计了一种可配置的卷积计算加速阵列，通过∮循环分块实现不同规模网络层的多粒度并行.在此基础上，进一步设计了一种针对输入缓存的行缓存优化机制，结合直接存取存储器(DMA)和数据流接口传输数据解决传输延迟的瓶颈.实验表明，所提出的目标检︽测系统的性能功耗比相较于CPU和GPU分别提升了79倍和1.9倍，相比于以往工作中提出的目标检测系统具有更高的准确度和更优的性能.

针对〓当前可穿戴跌倒检测系统存在的精度低、隐私保护性差等问题, 设计并实现了一款高精度、低延时的跌倒检测系统.首先使用Arduino Nano 33 BLE开发板为检测装置的主控部件，借助专门针对物联网场景的轻量级开源机器学习框架TensorFlow Lite，设计了采用主成分分析PCA结合人工神经网络ANN的跌倒检测算法(简称PCA-ANN)；其次使用TensorFlow框架对网上公开的跌倒数◥据集进行模型的训练和转化，并将模型部署到嵌入式∮跌倒检测终端；最后使用得到的跌倒检测装置对志愿者进行实际环境的跌倒检测实验，实验结果表明系统的跌倒检测准确率达到了99.04%，敏感度和特异性分别为97.57%和99.58%.该系统利用边缘计算技术完成了在计算能力和存储单元受限的嵌入式设备上运行深度学习的任务，将这项技术应用到可穿戴跌倒检测装置中，为后续的研究提供了资料.相比现存的需要进行云端数据传输【的跌倒检测系统，本系统还具有低延时和↑高精度的特点，同时消除了用户隐私方面的隐患，适合老∮年人佩戴.

面向科研领域应用的CMOS图像传感器，需要具∩有低噪声、高动态范围和高灰度分辨率的特点.本文分析№了多通道扩展计数ADC结构的性※能，提出了一种基于相关多采样技术(Correlated Multiple Sampling, CMS)的15位四通道♂扩展计数ADC.该ADC的4个并行输入通道采用增量型ADC，第二级采用1个循环型ADC在通道间复用.ADC电路基于0.11μm CMOS工艺进行设计，仿真结果显示，在128次多采样下，ADC的分辨率为15位，信号信噪比可提高9.22 dB，此时积∏分非线性(INL)和微分▓非线性(DNL)分别为-3.32 LSB和-2.58 LSB，4通道最高采样率为╱133 KSPS，在3.3 V电源电压下，平均每通道功耗为650 μW.

相变存储器(PCM)作为一种新型存储媒介，具备了高传输速率与非』易失性的特点，可以同时满①足内存与外存的应用需求，在实际应用中需要根据其特性设计相应的存储器控制电路.本文针对于使用了DDR传输协议的相变存储器读写电路，为满足其验证过程中的时序控制需求，提出了一种适用于PCM控制器的基于通用验证方法(UVM)的验证方案.该方案将命令间时序控制功能从UVM中的序列发生器模块转移到了驱动模块中，通过建立命令队列与时间表来优化这一控制过程★，简化了时序判断结构.为了解决PCM读写速度差距导致验证模型数据阻塞的问题，采用了system Verilog中的旗语机制对命令与数据进行了并行化处理，以较简单的代码结构避免了高数据延迟导致后续命令数据发送被阻塞.结果表明，随着UVM中驱动模块的测试用例数从2000个提高到100, 000个时，仿真效率提升幅度从20%提高到了127%，大幅提高了√仿真效率；并且实现了读延迟期间穿插写命令的数据、命令并行控制效果.本文提出的方案优化了原有控制◎电路的验证结构，也可以作为各〖类DDR存储器验证环境的参考.