随着深度学习和神经网◥络技术的发展，为了充分挖掘卷积神经网络(CNN)计算的并行性，硬件加速器以其※高速、低成本、高容错能力等特点得到更加广泛的应用.本文提出了一种可以逐层优化∴CNN网络的新算法，设计了对应的指令集.所提出的算法可用于为具有特定计算资源和存储资源的不同网络找到最佳加速方案.在优化过▆程中，可以将不同类型的数据▓量化为半精度以减少内存访问.基于40 nm CMOS工艺和提出的算法，完成了一种指令集控制的卐神经网络加速器设计.该加速器在200 MHz的工作频率下，峰值性能可达到416 GOP/s.在设计的加速器上实现了VGG16网络的推理过程，整个网络的延迟仅为116毫秒.

目前flash扰动失效测试算法无法检测SONOS型flash存储器◎的全部扰动失效，特别是对☆读扰动失效检测的失效覆盖率低，且测试效率不高⌒.针对这一问题，本文对March-FT测试算法进行扩展和优化，提出了一种用于检测SONOS型flash存储器的扰动失效测试算法——March-SONOS.结合算法评估系统验证，March-SONOS测试算法可检测SONOS型flash存储器ω　的全部扰动失效，且失效覆盖率达到〖100%，同时算法测试效率提高55.97%.

数字电路的亚稳态现象会导致数据发生误码，同步寄存器链常常被用于降低︾亚稳态发生的概ω　率.为了量化由亚稳态导致的数据误码发生概率，本文从亚稳态产生的本质出发分析了亚稳态在同步寄存器链中传递】的原因；推导了考『虑线延迟与逻辑门延迟影响的精确亚稳态稳定时间公式；设计了一种新亚稳态测试电路计算三种亚稳态输出结果发生的∮概率.在平均故障时间参数的基础上，计算了因为亚稳态而○造成的同步寄存器链误码率和整个系统的误码率，给出了降低系统误码率的措施.

为了提升电感【电流断续模式(discontinuousconductionmode，DCM)下开关电源转换器的瞬态响应性能，提出了一种基于电荷平衡原理和平均电流的差分外√推控制方法.以Boost转换◣器为例，该方法利用采样的输出电压进行差分外推(differential extrapolation，DE)，预估负载对电荷的影响，进而通过平衡算法◥得到电流控制量.相较传统的使用电荷平衡原理的电流控◤制方法(charge balance principle based current control，CBPC)，差分外推控制方法缩短了负载估计的延迟，减小了负载估计误差，为DCM转换器的控制设计提供了有效参考.通过Boost样机实验对比了CBPC控制与DE控制在输入、负载和参考电压发生扰动时的响应波形，结果表明，本文提╳出的DE控制对扰动的响应更加优异.

RISC-V作为近年来发展迅速的开源处理器架构，对其验证方法的研究具有很高的工业应用价值.提出了基于遗传进化策略的处理器验证优化方案，利用遗传算法产生指令的权重系数，为测试用例的生成确⌒　定方向，并对RISC-V处理器RV32I部分指令完成了模拟验证.与基于伪随机策№略生成测试用例的方案相比，应用遗传进化策略生成测试用例时，能够维持对功能覆盖率贡↓献更高的方向，在验证末期即将□　陷入局部最优解时，仍然能够突☆破当前状态，使整体功能覆盖率进一步提高.同时，该验证优化方案对验证环境的调整实现卐了完全自动化，具有较高的可扩展性和可维护性.

嵌入式系◎统在使用UM-BUS总线时，总线〗仲裁时隙大小、协议包大小等关键参数对总线性能有↑很大的影响；必须通过数学模型建立与仿真分析等手段确定总线关键参数，确保¤总线传输时延满足系统的实时性需求.本文针对UM-BUS总线的实时性进行了建模和分析，利用网络演算理论建立了总线系统数据服务模型，得出了数据传输时延上界卐的解析结果表达式.给出了一个典型的无人艇控制系统实例，确定了最优的关键参数设置.通过仿真分析结果与实验统计结果的对比，验证了模型的准确性.

为了解决由非技术性损失所造成的用户用电异常问题▂，本文提出了一种◤基于双向长短时记忆神经网络(Bi-LSTM)的用户异常用电行为◥检测方法.该方法首先采用插值法处理用电缺失数据，并通过分位数归一化平滑用电异常行为值的不对称分布性.然后，结合LSTM神经网络单元和双向网络构建Bi-LSTM模型，用于获取用户异常用电行为中的隐含关系.最后，采用交叉熵确定最优参数，从而识别出异常用电々用户行为.实验表明，该方法的识别性能显著优于其他模型，并且结合国家电网的实际数据验证了该方法的准确性和稳定性.

针对当前基于卷积神经网络的双目立体匹配算法需要较高☆的特征提取能力且网络的参数量过多的问题█，提出一种基于注意力机↑制的立体匹配网络，在特征提取阶段采用改进后的通道注意力机制根据通道内所含的信【息进行特征加权，同时采用改进的空间金字塔结构实现多尺◥度特征提取，以提高网络的特征提取能力；设计3D注意力模块和3D可分离卷积进行视差计算，相比于标准卷积不仅○可以降低网络的计算参数同时增加了通道维数可以保︼证匹配精度.最后，在Scene Flow数据集、KITTI 2012数据集和KITTI 2015数据集上进行评估，实验表明，本文的网络模型在保证匹配精度的同时有效⌒减少网络的计算参数.

为了防止攻击者在深度学习图像分类过程中还原训练集数据并保护输入图像数据√，提出一种基于层级相关性传播的差分隐私分类算法.该算法首先采用层级相关性传播模型量化¤图像的特征相关性，然后利用相关性自适应地向损失函数添加噪声并利用Adam算法进⌒　行模型优化，最后依据相关性分配隐私预算并构造差分隐私变换层★以扰动输入数据.实验¤结果表明，该算法在实现隐私保护的同时，能够保证较高的分类准确率.

针对无线传感器网络能耗不均衡、网络生存期短的问题，提出一种基于改进灰狼优化的分簇路由算法.在簇构建阶段，首先采♀用自组织神经网络映射(SOM)对网络节点聚类分簇，然后在簇内使用改进的灰狼优化算法选择最优簇头；簇间▃路由阶段，综合考虑节点的剩余能量和地理位置，为簇首选择合理的下◥一跳；簇内通信阶段，引入轮询控制机制，进一步降低网络能耗.仿真结果表明：在不同规模的场景下，所提算Ψ法均能够均衡网络能耗、延长网络生存々期、提高网络吞吐量.

设计了一种↘高PSRR高精度多阶电流补ぷ偿带隙基准源电路.采用改进威尔逊自偏置电路与放大器结合的方▂法来获取高PSRR；采用4阶精确补偿电流㊣来补偿高温段和低温段基准电压的曲率.基于0.13 μm工艺进行设计，仿真结果表明：在3.3 V电源电压及温度从-100 ℃到140 ℃的情况下，带隙基准电压的温漂系数为1.68 ppm/℃，电源电压抑制「比为90.4 dB。

在机器学习不平衡分类方法研究中，由于多数类与少数类样本数量之间存在较←大差异，导致分类器易出现判定准确率低的问题.以SMOTE为代表的一类过采№样方法是处理该问题的一种▅有效手段.该类方法在选定的线段中随机生成少数类新点来重新平衡←数据集，但存在忽略少数类样本在超维空间中分布多样性的缺陷.本文提出一种面向不平衡数据分类的高维超球体过采样(HS-SMOTE)方法.在少数类样本集上通过随〗机抽样获得需要平衡的样本数目，在此基础上依次对每一样本通过欧氏距离选取其在少数类分布空间中的对应最近邻点，以两点连线中点为球心在超维空间构建采样超球体，在此区域内通过维度空间距离迭代随机生成所需的少数类新点，在类别样本数据再平衡的基础上增加少数类样本的空间分★布多样性.在15组KEEL不平衡数据集上结合随机森林(RF)分类器开展了大量实验，与6种典型过采样方法相比，所提方法在G-mean以及F1-score指标上均有较好的表现，并通过了2种统计学假◣设检验方法的有效性验证.

为提高标准单元在空间辐射条件下抗单粒子闩※锁能力，基于65 nm CMOS工艺使用TCAD工具♂建立了4种保护环结构的3D模型.设计对比了多种抗单粒子︾闩锁加固方法，对↘抗辐照性能和设计开销进行了优化.仿真结果显示，使用半封闭型保护环结构可在满足▲抗辐照要求的情况下最小化设计开销，同时通过模拟辐照仿真对该结构的关键设计参数进行了优化.基于提出的版图加固设计标准单〇元开发了测试芯片并完成了重粒子试验，经过99.8 MeV*cm²/mg重离子辐照未观察到闩锁现象.

硬件安全已经成为当今◥时代备受瞩目的焦点问题，硬件木马检测的技术也逐渐变得多样化.针对硬件木马的检测，本文提出一种基于电路▃结构分析的集成模型.该方法利用遍历的方法提取硬件木马三组门级特征，采用NLP思想与方法和RobustScaler标准化的预处理，将复杂繁琐的电路图转化为向量数据格式，通过极限梯度提升树和长短期记「忆神经网络的集成模型来检测硬件木马.86.5%TPR和97.9%TNR的实验结Ψ果，有效说明本方法的高效性和准确性.