平衡◣优化器(equilibrium optimizer，EO)是受控制容积动态质量平衡启发而提出◇的一种新型智能算法.因其结构简单，搜索能力强以及易实现等优点而广泛应用于连续或□离散，单目标或多目标问题上.而EO算法在迭代中容易出现陷入局部停滞现象，导致无法对勘探和开采阶段进行有效平衡，进而引发各界学者在EO算法上不断改进来提升算法全局寻优能力和逃离局部◣最优能力.对近年EO算法改◆进理念、方式以及国内外在各领域研究上取得的进步进行了系统性地分析归纳.首先，通过平衡优化器算法的物〓理学背景、工作流程及其相关概念将EO算法分为连续型和离散型两大类.其次，从控制参数、混合算法以及多目标优化三个不同改进方向进行分析并总结了其优缺点，进而提炼出各类策略在三种改进方向上的优势与不足.再次，对改进EO算法应用领域进▃行归类.目前基于改进平衡优化器算法已→经证明了其可行性和优越性且实现了更好的控制▅效果.最后，提出EO算法进一步研究范畴，提供一定的理论参考价值.

将深度学习方法结合进目标检测算法突破了传统算法的性能瓶颈，成为计算机视觉领域一个热门的研究课题.本文对当下最流行的基于深度学习物体目标检测算法进行深入研究■，得出一个∞整体认识，为目标检测↓应用系统开发的先进性与高效性提供有益的理论指导.沿着时间顺序梳理了深度卷积神经网络进入物体目标检测算法的发展过程，按照两阶段和一阶段实现对主要的算法划分两大类别；同时，参考是否采用锚框又分为基于锚框和非锚框的两种方式.围绕发展更成熟的基于锚框的检测系统详细探讨了算法的实现原理，并指出当前物体目标检测系统面ㄨ临的难点→问题和关键技术.最后，对物体目标检测算法发展的方向进行了展望.

人脸聚类是利用未标记人脸数据的重要工具，在人脸标注和检索等方面有着广∏泛的应用.如何有效地聚类，特别是在大规模(如百万▼级或以上)数据集上，是一个悬而未决的问题Ψ. 最近的研究表明，基于图卷积神▼经网络(GCN)的聚类可以显著提高性能.然而这些方法需要生成大量的重叠子图，严重限制了模型的精度和效率.由于这些GCN算法没有分析过不同数据特征对模型的影响，通常仅在特定的数据集上表现出优异的性能.本文综合分析了距离、实例个数分布差异对模型的影响，提出了一种基︽于DBSCAN的图卷积网☆络模型.通过两段距离形成二ξ　次聚类模型，消除了DBSCAN对距←离的依赖，提高了模⊙型精度，在多个数据集中最高提升了20%；通过探索融合one-hot特征编码方式、多种邻接矩阵构图方法，进一步提升了模型的鲁棒性；通过邻接矩阵稀疏化算法解决了人群数量♀动态变化问题.在多个大型基准上的实验表明，相较于现有GCN算法，所提算法精度∩提高了2%~7%，并降低了对硬件的要ω求，提升了运行效率，可以应用于百万级的人脸聚类场景.

目前主流的推荐系统模型需要在获取到足够多的数据时才有良好的表现，当获取的数据稀疏时推荐结果精确度较差；同时，把新加入推荐系统的项目推送给潜在用户以︼及获取新用户的兴趣点也都需要更好的解决方案.提出了一＠ 种基于对象特征组合联合知识图谱的推荐系统模型OCKG(Recommender System based on Object Feature Combination Embedded and Knowledge Graph).该模型以用户和项目为对立对╳象，通过用户和项目多维信息分别嵌入获取到相关性标签，加以训练得到同类共通性；同时，对嵌入↑后的的标签进行权重处理，将不同属性特征传播到知识图谱中以增强模型学习迁移能力，对推荐结果按照相关性紧密进行横向和纵向排◣位，从而实现推荐结果的预测.使用两个不同的公开数据集进行了对比实验，证明了该ω模型在稀疏数据和冷启动下推荐的有效性.实☉验结果表明，合理的特征组合以及控制知识图谱上的传播强度提升ㄨ了模型的推荐性能，增强了模型鲁棒性.

多标签特征选择指在多标签场景下选出代表↘性属性.已有的多标签特征选择方法大多集中在事先获得全★部特征空间，而没有考虑流式特征情况.随着时间的推移，这些特征不断地流入卐模型中.此外，一些流方法需要在学习之前指定参数.因此，在训练〇不同类型数据集之前，如何选取统一和最优参数成卐为一种难题.基于此，本文定义自适应邻域粗糙集关系-Gap，并提出自适应领域粗糙集多标签在线流◣特征选择方法(Multi-Label Online stream Feature Selection based on Adaptive Neighborhood Rough Set，ML-OFS-ANRS).其中邻域粗糙集的数据挖掘不需要任何特征空间结构的先验知识，在处理混合数据时也不会破坏数据的邻域和顺序结构.在第一阶段，根据动态最大依赖将相关和重要的特征选择到已选子ㄨ集中.为过滤冗↙余特征，计算每个特征的重要性，并在已选子集中→执行并行归约作为第二阶段.因而，采用"动态最大依赖、在线冗余减少"评价标准，ML-OFS-ANRS可以选择高相关性、低冗∑余的特征.实验表明，在10种不同类型的数据集上，ML-OFS-ANRS在特征数量相同的情况下优于传统特征选择方法和先进的在线流特征选择算法.

类脑计算领域目前的研究主要聚焦于如何进行高性能且低功耗的大规模类脑仿真.NEST类脑仿●真器应用生态完整，可支持大规模仿真并且具有良好的可扩展性，是目前类脑计算领域中应用最为广泛的仿真器.针对NEST仿真器进行大规模仿真时运行速度慢、运行功耗高的问题，设计㊣　并实现了基于异构计算平台的NEST类脑仿真器.本设↙计采用硬件加速神经元更新、数据重排序设计、多线程设ξ　计、软硬件协同设计等方法优化了系统整体性能，在保证NEST仿真器良好应用生态的同时获得更高的计算能效.通过在Xilinx ZCU102异构计算平台上实现该仿真器，实验结果表明：在对经典的类脑应用皮质层视觉模型进行仿∏真时，神经元更新部分性能是AMD3600X的11.9倍，PYNQ集群的1.2倍，能效是AMD3600X的57.9倍、PYNQ集群的3.1倍; NEST仿真器整『体性能是AMD3600X的2.0倍，PYNQ集群的2.1倍，能效是AMD3600X的10.1倍、PYNQ集群的5.8倍，为基于NEST进行】大规模类脑仿真提供了一种更高能效＠的方式.

在复杂环境下将神经网络部署到边缘设备时，复杂的现实环境的影响可能会出现各种类型的故障，因此，神经网络模型的鲁棒性和潜在的容错特性∮受到广泛关注.目前有种容错神经网络设计策略为显式增加◣计算冗余，通过在全卷积增加计算层①冗余的结构来提︼高可靠性.然而这种设计策略来实现高容错性却忽略了引入ξ　大量的模型参数和计算量，虽然可以一定程度上提高网络模型的可靠性，但是这样的模型不适合在存储资源和计算资源有限的嵌入式设备上部署.为了解☉决这个问题，提出使用贝叶斯优化算法来获取神经网络上最佳的计算冗余结构，实现高容错性能的神经网络.同〓时在加速器系统硬件上做少量的改动，来找出决定嵌入式端部署加速系统稳定性的关键模块◥.相比于全卷积层计算冗◣余结构的设计，该方法使神经网络在1e-4作为均匀错误率下模型Top5精度下降不超过2.6%，计算量平均减少了々37.7%.

用户验收测试是保证G银行软件质量的重要环节，不充分的测试会引发生产问题▅，而◥过度的测试则会造成资源的浪费.为保证测试资源的有↘效利用，需要对测试过程与测试质量进行定量评估.以G银行软件开发模式为基础，针对银行软件短周期版本迭代的▓特点，选取测试用例数量、功能点数量卐、需求变更次数、关联系统数量及开发工作量作为版本特征指标，通过熵值法进行指标》权重确定并计算缺陷潜量.同时，提出了解决短周期特征的模型系数的估算方法.对Bass模型进行改进，创建了基于版本特征差距的软件测试缺陷预◇测模型，可根据相邻№历史软件版本的测试执行周期缺陷数据及版本特征值预※估当前版本的软件测试过程及测试质量，为测试活动的安排及测试停止准则提供理论依据.实证结果表明，构建的模型在瀑布式开发模式的内部管理软件▃缺陷数量趋势及监控测试过程方面预测精度可靠，在保证测试质量的同时极大提高了测试资源与测试活动的安排合理性.

演化硬件（EvolvableHardware，EHW）是可编程逻辑器件和进化算法的▲结合，可根据不同∏演化目标自主动态调整自身电路结构.在演化硬件方法中，由于其自演化特性和上层遗传算法为参数敏感型，面对不同演化对象自适应性较差.同时遗传算法有早熟缺陷，在大型演∩化目标后期经常无法演化到目标真值表，成功率较低〓.本文在传统演化●硬件方法上，改进为基于强化学⌒习和分块并行的演化硬件方法，并分三阶段进行演化.第一阶段使用基于强化学习的RLGA算法获得参数自学习能力，提高自适应性.第二阶段使用上一阶段学习到参数演化一定代数.第三阶段使用分块并行演化方法，提高末端演化能力，最终提高演化成功率.使用C语言对传统方法和三『阶段法进行仿真比较，结果表明三阶段方法在面对大∏型真值表演化目标时可缩＠小演化硬件的演化代数，演化成功率『提升至95%以上.

针对未来体系化作战对航空电』子系统提出的平台功能可变、体系快速融入与集成、新技术新能力快速插入等需求，在综合分析了未来▲航空电子系统架构发展趋势〓的基础上，提出了以网络为中心的分布式综合模块ぷ化航电系统架构.研究了分布式综合模◤块化航电系统架构的概念、模型和特征，重点分析了分级综合与管理、航电轻量云计算、计算和通信模型等分布式架构工程化应用需解决的核心技术.通过与传↑统架构进行了对比分析，提出了分布式综合模块化航电系统架构为作战使用带来的好处，为未来航空电子系统设计与研发提出了一♀种可行的解决方案.

为了实现能源的高效利用，通过减小器件的导通电阻和栅◥漏电容来降低MOSFET的功耗一直是功率电子学的研究热点，但二者存在折衷关系.碳化←硅的材料优势使碳化硅MOSFET更适合高频应用，在不过多增大导通电阻的情况下，减小栅漏电容以降低器件在高频应用中的▅动态功耗是本文的设计重点.提出了一种带有沟槽型源端和N型包裹区的碳化硅沟槽MOSFET结构，被称为⊙槽源N包裹型(Trench Source With N-type，TSN)器件，通过将栅漏电容转换为栅源和漏源电容串联的形式，在维持MOSFET的导通电阻不过多增大的前提下，降低了栅漏电╱容.介绍了TSN碳化硅沟槽MOSFET器件结构和制备工艺流程，通过TCAD仿真对栅沟槽深度、N型包裹区的掺◣杂浓度和宽度、P+型埋层的垂直注入和横向注入深度、源极槽深度进行了优化设计.仿真结果表〗明，器件的击穿电压◆达到1 420 V，特征导通电阻为3.1mΩ·cm²，特征栅漏电容为12.4pF·cm^-2。在与常规UMOS结构近似相等的击穿电压下，虽然特征导通№电阻略有增大，但特征栅漏电容明显降低，这两项参数的乘积降低了78.9%.

为了解Ψ决电感值不准确导致的boost变换器模型偏差，进而⊙不能实现良好的临界导通模式控制问题，提出了一种基于电流自恢复的数字预测纹波控制电路.根据电感电流的纹波特性，该控制器预测开关元件的导通及关断时间，将电感╱电流控制在临界导通模式.基于电感电流阻尼模型，证明了电感电流具有自动恢复到临界导通模式的特性，因而不需要电流检测一般所需的电流传√感器或零电流检测电路; 同时也证明了在电感失配的情况下，该控◆制器也能确保实现临界导通电流模式.此外，所提出的电感∩电流阻尼模型在分析和优化功率电路上具有潜在价值.仿真与实验结果验证了基于预测纹波电流下boost变换器的自恢复特性及电●感容差特性.

基于CMOS工艺，提出并实现了一种高精度的基于双极晶体管(BJT)的温度¤传感器，其由★模拟前端和放缩式模数转换器(Zoom ADC)构成.模拟前端由偏置电路、感∑温电路和数字控制电路构成.其中，在偏置电路中加入了斩波器(Chopper), 并用低通滤波器滤除其纹波，降低了电路的噪声，提升了感温ξ精度。为实现对模拟前端输出结果准确的数字化，采用了放缩式模数转换器，其融合了基于逐次逼近(SAR)的粗转换和ξ基于Σ-Δ的细转换.首先，由5-bit SAR ADC对于模拟前端的输出进行粗量化，随后，再由Σ-ΔADC对经过粗量化后的剩余电▲压进行细量化.该结构能够々在较低的功耗下，实现高精〓度和高线性度.在110nm CMOS工艺下实现该∏温度传感器，以验证上述结构的有效性，芯片的面积为0.18mm².测试结果表明，该温度传感器，在3V供电电压和-45~+85℃的温度▃范围内，实现了±0.25℃的转换误差，过采样率为128倍，转换时间为】4ms，电路功耗为※12.3μA.

针对芯片面临的侵入式物理攻击和侧信道攻击等安全威胁，结合2.5D硅转接板技术，提出了一种新型的芯片高安全、高密度々集成方案.芯片被置于硅转接板的埋置槽中，而在该埋置槽中特地设计了能够实▲现攻击实时检测的高密度◤立体化金属屏蔽防护网络↘.埋置槽采用湿法腐蚀的方法进行制备，具有制造工艺简单、成本低等优点，也能够使得金属屏蔽防护网络设↘计更加灵活.同时，阐述了具体的设计方法和工艺实现流程，详细分析了湿法埋置槽、槽中光刻布线等制备技术，并利用三款芯片对所设计的方案●进行了流片实现.实验结果表明：该技术能够【实现针对芯片的侵入式物理攻击的防护检测╲，最小检测∞分辨率可到60微米.由于立体化金属屏蔽防护》网络构成一个完整的法拉第笼，能够大幅降低芯片对外的电磁辐射强度，增强芯片抵御电磁侧信道攻击的能力.

微系统封装需要综〒合考虑电、热和力学性能的多物理场耦合问题.以某款2.5D微系统封装结构←为研究对象，实测验证了2.5D微系统封◤装仿真模型准确性，完成了关键部件-TSV转接板(Through-Silicon-Via, TSV)的电-热-力多物理场耦合◣仿真分析.综合分析了TSV转接板的︼电性能、热性能和力学性能，仿真结果表明，初始TSV转接板结构电信号传输效率仅为73%、局部⊙温度高达122.3℃以及受热发生的形变量为2.24um；由电-热耦合造成的结构形卐变使得电信号传输效率降〖低了6%.结合哈默╱斯雷实验设计方法、遗传算法等优化理论完成了TSV转接板结构的多物理场协同优化设计.仿真结果表明，优化后的TSV转接板插入损耗S21减小，电信号传输效率提高到80%，最高∩温度降低18%，最大形变减少19.6%.