针对基于深度学习的多尺度边缘检测不可避免出现自适应性低，参数增加，计算量大，检测边缘不连续等问题，本文提出一种基于改进整体嵌套的多尺度边缘检测方法.该方法将多尺度检测与弱监督模型相结合，解︾决参数多计算量大的问题.为了充分利用︻卷积强大的特征表达能力，在整体嵌套边缘检测的基础上，提出了一种多尺度下深度学习结构，一个相互独立的多网络多尺度结构，由不同深度和输出的多个网络组合.同时引用整体嵌套的权重混合层，权重混合层将所有的弱监督预测结果连接到一起〇，并在训练的过程中学习混合权重。将所提方法在数据集BSDS500上通过评价指标进行性能评价.实验结果表明，所提方法能够在数据集BSDS500上达到很好的性能.

针对Xilinx公司7系列/Virtex-6 FPGA中存在的StarBleed漏洞，通过分析漏洞攻击过程及其关键环节，提出了基于配置位流混淆的加固方法.首先针对Vivado生成的密文位流进行解密▃得到明文位流.针对明文位流中的配置指令，提出了指令顺序混淆、指令字混淆和指令参数混淆方法.针对明文位流中的HMAC签名区域，混淆其中的i_key_pad和o_key_pad数据区.而后对混淆后的位流重新进行HMAC签名计算.最后重新进行AES加密得到混淆后的密文位流，实现以多种方式对漏洞攻击中最关键的修改密文位流环节进行防御.完成混ㄨ淆后，利用机器学习算法对混淆效果进行评估.实验表明，混淆方法可以提升明文数据与密文数据的相似程度.在不需要』修改硬件的条件下，能有效地增加漏洞攻击难度，可以用较低的代价增强针对StarBleed漏洞的防护能力.

针对嵌入式系统处理器代码量指数式增长带来的设计与验证难题，提出一种适用于RISC-V指令集架构处理器的Bitmask代码压缩技术.结合RISC-V指令集特点，设计了混合编码与分离字典相结合的Bitmask代码压缩算法; 在不影响处理器结构和Cache工作机制的基础上，设计精简的硬件解压缩单元，减小了嵌入式系统处理器所需的程序内存空∮间.采用面向RISC-V指令集的混合编码○压缩指令格式，减小原始指令码的码字长度，改善了代码压缩¤率; 采用分离的两个字典结构，在不影响代码压缩率的前提下，减小了硬件解压缩延迟.结果表明，在RISC-V指令集架构上不增加过多硬件开销的情况下，代码压缩率平均为61.1%，大大减小了处理器所需的程序内存空间.

提出一种提高片上系统的UVM验证重用♀性方案，应用直接编程接口技术，实现通用验证方法学和C语言程序的交互通信.该方法不仅降低了◥通用验证方法学使用的复杂度，而且使得C语言测试用例可以在不同的测试层次中移植重用，例如C测试代码可以从模◢块级到片上系统级的重用.以SPI控制器验证本方案，搭建其UVM验证平台，编写大量的UVM和C测试用例，使其功能覆盖率达到100%，并通过虚拟处理器方案保证C测试用例从模块级复用到系统级的可行性.实验过程中激励开发简单且调试方便，可以实现UVM环境和↑测试用例的重用，从而提高片上系统的UVM验证重用性，达到缩短芯片开发时间的目的.

最近基于卷积神经网络的端到端学习算法在去雾方面取得了进展，但这些算法大都使用过深过大的网络去拟合含雾图像数据，从而㊣导致去雾速度偏慢.为解决此问题，本文提出了一个用于单幅图像快速去雾的高效去雾模型.该模型基于改进的Ghost模块构建轻量级神经网络; 将金字塔池化和注意力机制结合获取图像不同区域的上下文信息，从而提高了网络获取含雾图像全局信息的能力.该网络在RESIDE的室外数据集进行训练和测试.实验结果表明：相比较DCP、MSCNN、AODNet等先进算№法，所提出的方法具有令人满意的去雾质量和速度.

针对目前时⊙间敏感网络(Time Sensitive Network, TSN)中多采用离线调度，在处理动态需求时调度开销过大的问题，提出了一种适用于TSN的基于整数线性规划(Integer Linear Programming，ILP)的动态流量均衡调度算法.该算法以已生成的离线调度¤表为基础，通过一种增量计算方式，有效降低拓扑〗和业务变化带来的开销; 同时，针对链路负载可能出现的极端情况，制订＠了流量均衡策略，避免出现延时瓶颈问题，进而提升〒通信实时性.实验数据表明，与传统静态调度算法相比，在处理动态流量时的运算时间减少，链▲路负载更加均衡.

肺结＠ 节早期检测可以提高病人的生存率，自动检测算法可以有效辅助医生进行诊断.为了提高肺结节检测精确度、降低漏诊率，提出了基于循环残差注意力门机制的U-Net(Recurrent Residual Attention Gate U-Net，R2AGU-Net)肺结节检测模型.首先在原始的U-Net基础上改进，添加循环残差卷积模块并融合注意力门机制，在增强特征提取性能的同♀时将注意力放在目标结节区域，通过抑制无关的特征响应获得较高的检测精度；其次改进损失函数解决肺结节图像数据不均衡问题，获得较高的检测敏感度；最后通过三维卷积神经网络(3D CNN)分类候选结节，降低检测的假阳性.在两个数据集上进行实验验证，结果表明本文提出的算法提升了检测速度和敏感度，取得了比现有算法更好的性能，具有较好的泛化能力。

楼梯是室内∮移动机器人面对的主要障碍之一，攀爬过程中需要估计机器人相对于楼梯的位姿.大多数室内定位的方法均应用于二维空间平面，而攀爬楼梯属于三维空间的运动，多了高度上的位移，为位姿估计带来了很大的挑战. 本文提出了一种基于二维图像和部分深度信息的机器人攀爬楼梯时的位姿▃估计方法.该方法利用水平楼梯边沿线与楼梯台阶的高度和宽度边沿相交的特性，提出三线相交法来检测楼梯边沿点.然后结合边沿点的深度信息得到其在相机坐标系下的三维坐标，建立楼梯坐标系并求解位姿.同时，利用边沿点到相机距离的周期变＠化特性实∮现行走楼梯阶数的计数.最后利用kinect相机在楼梯上的移动模▲拟机器人的攀爬并对提出的方法进行测试，结果显示了其有效性和实用性.

在以到达角(AoA)和到达』时间(ToA)为观测量的三维目标跟踪中，异常值导致非线性滤波性能明显下降甚至发散ξ　∑　.针对该问题，提出了一种基于M估计的鲁棒偏差补偿卡尔曼滤波算法(MR-BCKF).该算法首先利用AoA和ToA的等价几⌒　何关系对非线性观测方程进行伪线性化，接着依据M估计准则推导鲁棒伪♀线性卡尔曼滤波，然后采用偏差补偿策略提高跟踪精度.MR-BCKF利用马氏▓距离判别异常值，不依赖于噪声统计特性，并且通过构建改进的三段式权重函数增强鲁棒性.仿真结果表明，MR-BCKF相较于其他鲁棒滤波算法不仅能提高孤立型异常值的抑制效果，而且在连续型异常值情况下也取得更高的跟踪精度.

针对运动想象脑电信号(EEG)的非线性、非平稳性特点，提出了一种结合小波包≡变换(WPT)和串并行卷积神经网络(SPCNN)的脑电信号分类方法.在小波包变换过程中，对脑电信号进行时频分解，选取与运动想象密切相关的频率段进行重构，重构后的脑电信号保留了有效的时频信息.考虑到脑电信号不同通道之间以及通道内的特征，构建了SPCNN网络模型自动提取有效的特征并进行分类.利用公开的竞赛数据集BCI competition Ⅳ 2b进行验证，结果表明：该方法能自适应的提取到有效特征，平均分类准确◥率达到了84.77%，比卷积神经网络提高了6.49%，为脑机接口系统的研究提供了一种分类方法.

针对传统的结构图提取方法难以在纹理平滑的同时更好的保持结构这一问题，采用迭代重加权最小二乘优化框架构建优化模型.针对图像中纹理与结构的梯度的不同，提出了相对↑极值变分.首先通过形态学中的闭合运算提取梯度图的极值图，然后扩展了窗口内在变分的指数权重，进而构建了新的优化模型.最后根据模型的非凸性，构建了Toeplitz矩阵进行数值求解.实验结果表明所提「算法可以有效的移除∩图像纹理，更好的保持边缘结构与对比度，在图像质量分析方面也展现了较好的优势.

提出了一种新型带隙基准结构，该电＠ 路结构用于在大范围电源电压下产生高精度与温度成正比的电流源.通过将三极管作为运放的输入端，预先产生一个与▆温度成正比的电压差，来降低∏运算放大器失调电压的影响，同时降低带隙基准电路对电源电压的要求.通过0.18μm CMOS工艺搭建电路进行功能与性能的仿真验证，仿真结果表明该电路在电源电压从1.1V变化到4.8V，输出为2μA时，电流偏差不到2nA，电源抑制比达到100dB.在用于温度测量时可以显著减小由电源电压变化引起的误差.

精度在14bit以上的Sigma-Delta调制器均采用高阶结构，从而存在复杂性较高的问题。本文采用二阶结构并借助Matlab SDToolbox设计一种使用开关电容电路结构实现的二阶16bit高精度Sigma-Delta调制器。通过对调制器的输出结果进行验证证明其具有16bit精度，从而降低了14bit以上调制器的⌒阶数。通过对实际晶体管级电路的仿真，验证了该方法的有效性。

传统的利用传感器模式噪声的相机源识别方法，自动化程度低.直接使用深度学习方法进行识别，提取特征阶段又更倾向于学习到图像内容有关的特征，而不是相机“指纹”特征.为了解决上述问题，本文设计了一种基于孪生网络的数字▃图像相机源识别架构，两个网络分支共享权重.采用加入注意力机制的深度残差网络进行特征提取，抑制图像内容等因素对整个相机源识别任务的影响.对比实验结果表明，本文提出的方法在一定程度上提高了相机源识别的准确率.

随着识别率和实时性的提高，卷积神经网络目标检测算法的计算复杂度和内存需求急剧增加，难以应用在小尺寸和低功耗的嵌入式平台上.本文在分析现有目标检测神经网络模☉型结构的基础上，根据FPGA高实时性、低功耗以及并行处理的特点，提出了一种在FPGA上高速运算的神经网络模型规整化方法.在此方法指导下设计改进了一款目标检测神经网络模型结构，包括删除LRN层、Scale层的融合和替换Leaky-ReLU为ReLU.通过在voc2007数据集上的◆对比实验验证了算法结构的有效性，在PC上其速度相比传统YOLO-V1算法提升了11.5%.在Xilinx ZCU102开发板上的仿真表明：该改进的目标检测算法速度达△到29 FPS(Frames Per Second)，精度达到62.3 mAP.

针对实时变化且不同时段差异大的时间序列，提出一种基于高斯过程混合模型的预测算法.该算法首先对时间序列进行预处理，并采用密度空间含噪聚类(DBSCAN)去除奇点.然后针↘对扩展迪基-福勒(ADF)检验结果将时间序列分为常数项、平稳和非平稳←三类，最后基于▓高斯过程混合(GPM)模型对各类时间序列进行预测，并和差分自回归移动平均模型(ARIMA)、支持向量机(SVM)、高斯过程(GP)模型进行性能对比.以采购商品报价时间序列为例进行的预测结果表明：GP模型与GPM模型均能输出预测置信区间，给出预∩测结果的可信程度；GPM模型的优势是能够更精准刻画时间序列各时段差异，预测精度更高.