本文〖研究了自主开发的40 nm工艺PDK中的LOD效应和WPE效应.LOD参数SA和WPE参数left影响CMOS器件特性, 尤◢其饱和电流I_dsat和阈值电压V_TH.随着SA减小, NMOS的I_dsat减小4.25%而V_TH增大2.79%;PMOS的电参数与SA关系曲线¤与NMOS的一致, 但比NMOS趋势要强, I_dsat减小8.32%而V_TH增大6.78%;并解释了LOD效应的物□　理机制.随着left的减小, NMOS的I_dsat减小9.03%而V_TH增大12.5%;PMOS的电参数与left关系曲线比NMOS的要弱, I_dsat减小8.50%而V_TH增大4.61%, 并提出了WPE效应下器件电◥参数变化原因.在纳米工艺PDK中, LOD效应和WPE效应的准确应用可以更好地模拟器件性能并改◢善电路设计精度.

粒子群算法在处理优化问题时缺乏有效的参数控制, 易陷入局部最优, 导致收敛精度低.提出一种新的改进粒子群优化算法, 算法根据粒子的适应度值动态自适※应地调整算法中惯性权重和学习因子的取值, 其中惯性权重采用非线性指数递减〇, 有利于平衡算法的全局卐搜索与局部搜索能力, 避免算法陷入局部极值; 学习因子采◥用异步变化的策略, 以增强算法的学习能力, 进¤而提高算法的性能.数值实验结╳果表明, 与SPSO、PSO-DAC算法相↘比较, 改进后的算①法无论在收敛速度、稳定性以及收敛精度上都有显著提高.

为了解决无线传感器网络(WSN)的覆盖优化问题, 提出了一种自适应果蝇优化算法.该算法在原迭代步长算子的基础上增加了自适应能力, 并针对后期最优解连续∏几代没有变化的情况, 提出了♂利用降维、增大步长的↙方法来提高收敛精度, 使算法在具有很强的全局优化性能的同时又不易陷入局部最优, 可以快速并高效的实现WSN网络节点布局优化, 得到更高的网络█覆盖率.通过仿真实验对比, 可以看出★本文提出的自适应果蝇优化算法, 在寻优性能方面不仅优于原始的※果蝇算法, 与其他的『改进算法相比也有一定的优势.

随着网络「技术的飞速发展, 以太网技术凭借其优良特性已经成为当今使用最广泛的局域网技术, 以太网标准包含多种协议构成完整体系, 10Gbase-R协议作为其中重要的基础协议得到重视.本文基于10Gbase-R协议的PCS层, 深入探究PCS层内部关键模块:弹性∑缓冲器、64B/66B编解码器、加解扰码器〓、位宽◎转换器等, 提出完整设】计架构, 使用verilog语言完成其RTL级模块设计, 搭建仿真验证平台, 使用Modelsim软件进行功能验证, 完成了相关设计.

针对←传统模糊C-均值聚类算法对在噪声干扰下图【像的分割效果不理想问︼题, 提出一种核空间与自适应中值滤】波相结合的改进算法.算法利用自适应中值滤波获得像素的局部空间信息, 并由此生成一种新的模糊因子加入到目标函数中, 然后在核空间中对目标函数进↑行优化求解, 得到最优聚类中■心和隶属度.实验结果∞表明∑　, 该算法对被高椒盐噪声污染的图像具有较高的精度和鲁棒性.

本文基于IEEE标准设计了▓一种通用的、低成□本的嵌入式IP核测☉试方法.该方法通过仅重∞新定义待测IP的端口数量√和名称, 即可完成各种数◣字IP核测试◆电路设计以及集成, 该方法支持IEEE1500标准中的所定义的全部11条通用指令所对应的工作模式, 以此来提供丰富的IP核测试控制以及观测模式; 测试软件兼容符合IEEE1687的测※试数据, 可做到↑无需修改测试图形文件即可自动完成测■试、提取诊断信息.为了验证本方法的有效性, 我们在FPGA上实现并测试了多种异构IP核和大量的同构IP核, 在整个测试过程中, 该测试◥方法在保证支持国际主流测试标准、具有较高的测试自动化程度→的同时, 利用其通用性简化了▓数字IP核的测试集成ㄨ和复用过程.

为了降■低网络维护成本和统一网络架构, 实现面向FC的多协议融合型网络.本文给出IP over FC网关的设计方案和实现方法, 详细介绍基于FPGA的嵌入式网关其№系统架构和数据处理流程.同时⌒对千兆以太网与FC之间帧格式的转换与地址映射进行仿真分析, 并结合某型号航天▲器具体应用场景完成前期工程∑　验证.结果表明, 嵌入式IP over FC网关能够高效实现数据帧的解析与路由, 协议转换最小时延为25 μs, 完好地实现FC与千兆以太网的无缝衔接与协议转换.

针对在一些链状◆结构拓扑应用中, 传统WSNs路由→存在严重的能耗不均衡问题.提出了一种能耗均衡的非均匀分簇路由算法.在簇首选举阶段, 提出了一种基于定△时器的选举方法, 在全局网络中每个节点根据相对剩余能量和与汇聚节点的距离设置竞争簇首的时间, 时间⌒　越小成功竞选概率越大; 在成簇阶段, 节点根据保存的簇首信息, 选择加入距离最★近且通信半径更大的簇; 在数据传输♀阶段, 簇首以相对剩余能量和能量开销指标为＠参数构建基于最小生成树的最优多跳路径.仿真结果表明, 与已有的分簇路由协议LEACH、DEEC和EEUC相比, 所提算法更能有效均地衡能量消耗, 延长网ξ络生命周期.

本文采用果蝇优化算法来优化广义回归神经网♀络的平滑因子, 提出了基于改进果蝇算法优化广义回归神经网络的弹痕深度建模方法, 将该方法与未经优化的广义回归神经网络测试函数逼ㄨ近误差, 结果明显优于未经优化的广义回归神经网络.最后, 通过与未经优◥化的广义回归神经网络、原始果蝇优化算法优化的广义回归神々经网络以及BP神↓经网络进行比较, 其々性能明显优于另外三种方法, 验证了该方法在弹痕深度预测中的有效性.

针对当前三维片上网络(3DNoC)路由算法中路径单一且◤不能适应性调节负载而引◥起的网络性能受限的问题, 本文提出一种具有路径【多样性特征的↑自适应路由算法.首先, 对现有的路由算法进■行分析, 总结出最优路由路径范围∞并对路由策略进行建模, 使得数据包能够以最短路径路由到♀目的IP.随后, 对三维片上网络路由器的负载进行分析, 得到不同位ぷ置路由器负载的规律.最后根据路由器负载态势对路由策略模型进行优化←, 使网络在路径多样化条件下降低网络拥塞.实验结果表明, 在各种网络负载情况下时, 该算法大※幅提高吐量, 并能降低数据包延时.随着网络负载的提高, 该算法依然具有优势.

车联网是目前世界交通领域的一个▆热点.车联网可以通过实时处理和挖掘№这些数据中的新信息而变※得更加智能化.随着车联网的发展, 从设备监控中采集到的海量数据需要更高的数据存储和查询性能.本文将Apache Spark作为基于HDFS高可用集群的统一集群计算平台, 提出并设计了一种基于Spark的车辆轨迹数据分析方法, 通过区域划分对海量数据进行了挖掘, 解决道路堵↓塞问题, 对辅助城市路径规划有一定的研究意义.

针对现有背景提取算法中存在鬼影等使得背景提取不清晰等问题, 提出了一种高效的背景提取算法, 根据每相邻两视频帧之间的同一像素点位置的灰度值变化情ζ况, 判断出每一像素点在不同视频帧中属于前景或背∩景, 最后剔除掉每一位置』像素点属于前景的序列, 得到完全属于背景的部分帧, 最后得到完整的背景图像▲.实验结果表明, 该算法原理简单, 提取的背景清晰, 效果优于其他现有的背景提取算法.

为了解决传统果蝇算法在全局优化过程中存在的问题, 将传统果蝇算法的步长进行改进, 该算法在寻优过程中用当前迭代果蝇群中最佳浓度值与最差浓度值之差与前一次迭代果蝇群中最佳浓度值与最差浓度值之差作对比, 得到浓度差值变化率.根据浓度差值变化率的大小相对应动态改变果蝇◥寻优步长, 能够有效的权衡全ζ局寻优能力和局部探索能力.本文改良的果蝇算★法在收敛速率和寻优精度上明显优异于其他三种果蝇算法.

本文提出了一种基于分组模块的卷积结构, 先将输出特征图分成数量相等▂的两组, 每一组采用不同的卷积核进行操作以提取更充分的信≡息, 而后将分组得到的多样性特征图像进行级联, 最后通过1*1的卷积核将所有特征图整合.与传统的CNN比较, 使用本文模块的网络在数据集Caltech256上将识别率由50.1%提升至52.2%.在数据集101_food上将识别精度由66.3%提升至68.9%.实验结果表明网络在识别精度性能上有所提升.

本文设计了一种能够々兼容AMBA主从设备◥的AHB总线矩阵, 旨在实现多个主设备并行访问多个从设备, 并且提高带宽, 减少多路主机访问从机时产生的延迟.对主体架构和微架构进行描述, 详述了各模块的设计思路, 并通过Verilog HDL对所设计的总线系统进行了RTL行为级描述, 并通过参数化设计, 实现从机地址和▂总线支持主从机数量可配.最后搭建测试环境, 对所设▆计的总线系统基本功能进行测试, 证明8组主々设备输入的情况下, 在多主设备交叉访问多从设备的测试条件下, 相比于传统AHB总线, AHB总线矩阵最多可减少3倍总线访问延迟、增加8.5倍总线吞吐量.

车载云计算卸载存在高网络延迟、核心∩网负载严重等问题, 本文提出了一种计算切换策略ㄨ来降低车载边缘计算环境下的任务☉完成时间.基于Matlab R2016a平台对最小执行时间算法和最小完成时间算法进行了2组仿真实验, 结果表明:通过本文提出的计算切换策略能改良任务卸载效率, 缩短任务的完成时间.

针对BP神经网▆络和SVM这两种机器学习算法中存在参数选择困难和时间开销较大的问题, 本文提出了一种基于随机森林的硬件木马分类方法.首先, 将硬件木马检测转化为二元分类问题, 对芯片的能量消耗进行多次采样, 再通过PCA对功耗曲线进行特征提取, 最后√利用随机森林分类模型对特征向量进行分类, 达到检测硬件木马芯片的目的.实验结果表明, 经PCA处理的相同①硬件木马数据, 随机森林的判别准确率与BP神经网络∏相比提高了9.13%, 与SVM方法相比判别准确率提高了15.96%.而相比其他两种方法, 时间开销也降低了8倍左右.

本文提出了一个深度时空信息网络.加入了反映动作时空信息的』光流来获取时序信息, 通过3D卷积网络检测结果, 得到视频中动作发生的候选区域及其动作分类.在此基础上, 本文通过构建动作状态检测网络, 对得到的候选区域进行修补, 从而可以得到更为精确的动作发生的时间区域.实验结果表明, 相对于现有的方法, 本文的方法有效地提高了时序动作区域的定位精度.

为了解决存■储器测试数据映射到失效存储单元效率较低且精确度不够的问题, 本文提出一种存储器测试辅助分析的方法:首先通过修改存储器编译器(memory compiler), 使其自动生成●存储阵列版图的物理坐标文件(bitmap).然后将测试得到的存储单元的失效信息在已生成的坐标文件中进行寻址, 找出被测试失效单元位于版图中的具体物理坐标.最后通过得到的坐标信息自动输出该失效存储单⊙元的译码信息及该存储单元位于整个存储阵列中的物理坐标二维图像.

针对增强复杂网络环境下监控预警能力的需要, 研究构建了一种基于数据融合分析的网络监控系统框架, 探讨了IP分组缓存管理、通联特征提取、目标关ㄨ联识别、关系结构Ψ分析等关键技术, 对网络流量实现整体监控、综合挖掘和融合利用, 为网络监控技术手段的完善拓展提供方案借鉴.

云服务环境下的大数据具有多标◥签属性, 导致数据访问过程中的分类性不△好, 为了降低大数据分类的误分率, 提出一种基于极限学习机优化神经网络的云服◥务大数据分类方法。采用高维相【空间重构模型对随机采样的云服务大数据先验特征进行信息重排, 采用关联规则挖掘方法提取数据的标签属性特征量, 采用多维标㊣　签属性的主成分分析方法进行大数据的主特征分析, 将主特征量＠输入到神经网络分类器中, 结合极限学习机进行神经网络分类的加权控◥制, 提高数据分类的←自适应性, 实现云服务大数据优化分◇类。仿真结果表明, 采用该算法进行云服务大数据分类的准确性较高, 误分率较低, 在云组合服务中提高了数据的召回能力.