智能反射平面（IRS）和认知无线携能通信技术被视为是提高能量效率和频谱利用率的潜在关键技术。文中研究了基于非线性能量采集模型的IRS辅助认知无线携能通信网络，其中次用户发射机同时给多个次用户接收机发送信息和能量，每个次用户接收机采用功率分割方式实现信息解码与能量采集，目的是通过联合优化次用户发射机的波束成形矢量、次用户接收机的功率分割系数以及IRS相移使次用户发射机的发射功率最小化。为了保证次用户发射机的信息与能量传输效率并限制次用户发射机对主用户接收机的同频干扰，考虑次用户接收机具有最小信干噪比约束、最小能量采集约束与功率分割系数约束，次用户发射机对主用户接收机有最大干扰功率值约束，以及IRS具有反射相移约束。所构建的问题属于非凸的二次约束二次规划问题，并且优化变量之间高度耦合，难以求解。文中提出一种基于半正定松弛法和连续秩一约束松弛法的交替优化算法进行高效求解。为了降低复杂度，进一步提出一种基于IRS分组的低复杂度优化算法。仿真结果表明，与几种基准算法相比，所提算法能够有效降低次用户发射机的发射功率。

针对具有间隙拒绝服务（DoS）攻击的工业信息物理系统（ICPS），研究一种基于观测器的自适应事件触发稳定控制方案。首先构造一个观测器估计系统状态，并采用一种新的自适应事件触发通信方案以节约网络资源；然后通过受频率和持续时间限制的间隙DoS攻击对ICPS的影响建立攻击模型，将受到DoS攻击的ICPS划分为DoS攻击活跃期系统和DoS攻击休眠期系统，并用一些过去成功触发状态重构当前受到攻击的状态，得到基于动态估计器的攻击补偿机制，保证系统在DoS攻击活跃期间的渐进稳定；最后运用分段Lyapunov泛函方法、Jensen’s不等式和Schur补引理，得到系统的稳定条件，并提出自适应事件触发参数、观测器增益和控制器增益的协同设计方案。用间歇反应器系统模拟间隙DoS攻击下基于自适应事件触发的ICPS系统稳定性能。仿真结果表明，自适应事件触发策略和基于动态估计器的补偿机制不仅能够提升系统的稳定性，还能有效降低数据传输的次数，系统在静态事件触发策略下的触发次数大约是在自适应事件触发策略下的4.5倍。

体域网是远程医疗和健康监护的重要环节，现有研究多采用电磁波传输。相比之下，人体软组织中超声波传播衰减小，产生的热量少，比电磁波传输距离远且致病风险低，利用超声波实现人体范围的通信和组网具有一定优势。现有的超声波宽带通信多采用超短脉冲减少多径交叠及其带来的干扰，结合直接序列扩频技术可以共享信道实现多点接入。但是，增加通信数量带来的干扰使目标通信链路接收节点的信噪比降低，采用固定帧长与码长无法保证通信可靠性。文中针对多点接入的场景，对节点的通信速率进行数学建模，研究竞争与合作两种场景下的自适应速率调整方法，利用凸优化理论的拉格朗日乘数法推导了帧长和码长的闭式解，在多点通信中动态改变帧长和码长实现速率调整。仿真结果表明，文中方法随着通信链路数及其干扰变化可实现自适应速率调整，其中，基于协商对策论的合作方案可以平衡不同节点的通信速率，获得更好的网络性能，基于速率最大的竞争方案有助于提高目标通信链路的有效通信速率，实际应用中需根据应用场景进行选择。

陶瓷柱栅阵列（CCGA）封装具有优良的电热性能和高密度的信号互连特点，是航空航天等高可靠应用领域的首选。当引脚超过1 000以上时，由于封装形式及材料本身特性，高密度CCGA在温度变化环境中更容易出现失效。针对CCGA1144结构开展温度循环试验，通过微观结构观察和有限元仿真，研究在-55~125 ℃温度循环条件下，焊柱应力分布、变化规律、失效原因及模式。结果表明，温度循环过程中外圈焊柱与内圈焊柱相比，等效形变、等效应力、等效应变及塑性应变变化范围更大，更容易发生失效，特别是外圈的边缘焊柱。研究给出了热疲劳试验过程中焊柱的薄弱点，指出0.15~0.60 mm及2.17~2.43 mm两个区间是焊柱发生裂纹和断裂失效的危险区域，且后者区间更易产生裂纹及断裂。提出了焊柱热疲劳的3种失效模式，指出焊柱在疲劳机制、蠕变机制共同作用下产生损伤或失效，给出了加固和优化设计方向的建议。研究结果对高密度CCGA的质量改进提升、发展和应用具有指导意义和参考价值。

辅助谐振变换极逆变器（ARCP）在高频大功率领域具有高效率和低损耗的优势。然而实际应用中，中点电压偏移问题会使ARCP软开关失败率增加。文中针对ARCP母线分压电容中点电压偏移以及中点电压偏移导致的主开关管零电压开通失败的问题，提出了一种中点电压自抗扰控制策略。分析了母线电容等效串联电阻（ESR）对中点电压和交流侧电压的影响，建立了可变时序控制模式下包含母线电容ESR的中点电压模型。在此基础上设计了中点电压自抗扰控制器，利用辅助管控制过充电调节时间，实现了三相辅助支路谐振电感电流平衡，达到了中点电压稳定、主开关管零电压开通和提高逆变器效率的目标。与PI控制模式下97.0%的逆变器效率相比，自抗扰控制模式在最大功率下可达97.5%的逆变器效率。该控制策略无需改变电路结构，易于实现。仿真和实验结果验证了所提控制策略的有效性。

针对传统音唇一致性判别方法主要对正面唇动视频进行处理，未考虑视频采集角度变化对结果的影响，且容易忽略唇动过程中的时空特性等不足，文中以唇部角度变化对一致性判别的影响为研究重心，结合三维卷积神经网络在非线性表示和时空维度特征提取上的优势，提出了基于正面唇重构与三维耦合卷积神经网络的多视角音唇一致性判别方法。该方法先通过在生成器中引入自映射损失来提高正面重建效果，并采用基于自映射监督循环一致性生成对抗网络（SMS-CycleGAN）的唇重构方法对多视角唇图进行角度分类及正面重构；然后设计两个异构三维卷积神经网络，分别用来描述音频和视频信号，并提取包含长时时空关联信息的三维卷积特征；最后引入对比损失函数作为音视频信号匹配的相关度鉴别度量，将音视频网络输出耦合到同一表示空间，并进行一致性判别。实验结果表明，文中方法能重建出更高质量的正面唇图，一致性判别性能优于多种不同类型的比较方法。

污水处理系统是一个复杂的非线性、大时延的动态系统，由于工艺的复杂性、检测设备的不完备性以及经济成本的限制，一些重要的出水指标无法实现精准的检测。为解决此问题，文中提出了基于集合卡尔曼-Elman网络的软测量方法。传统动态神经网络具有能够处理时延信息数据的动态记忆能力，可用于基于数据驱动的软测量建模过程。但是，常规训练方法容易使神经网络陷入局部最小值，导致模型预测性能欠佳。鉴于此，文中引入集合卡尔曼滤波技术和对偶有限样本集合卡尔曼技术对典型的动态神经网络——Elman神经网络进行无梯度训练，构建新型软传感器模型，不仅有效提高了传统Elman神经网络的预测能力，而且提供了一种简单、无梯度的神经网络训练方法。将该方法在加州大学欧文分校的污水处理数据（UCI数据）上进行验证，结果表明，文中方法具有较好的预测性能，集合卡尔曼滤波技术可作为一种无梯度的替代方法来训练神经网络。

近年来，随着人们对视频数据需求的不断增加，视频的分辨率和帧率也在不断地提高，而实时视频序列的压缩编码速度往往受到帧率和分辨率的影响，分辨率和帧率越大，编码所需要的时间越长。为了实现更高分辨率和更高帧率的视频序列实时压缩编码，文中设计了一种新的帧内率失真优化预测模式的并行流水线硬件架构，该架构支持最大64×64编码树单元的帧内预测编码。首先设计了9路预测模式并行方案；然后，按照Z型扫描顺序实现以4×4块为基本处理单元的流水线硬件架构，并复用32×32预测单元的预测数据，用以代替64×64预测单元的预测数据，减少运算量；最后，基于该流水线架构，提出了一种新的哈达玛变换电路，用以实现高效的流水线处理。实验结果表明：在Altera Arria 10系列的现场可编程门阵列上，该9路模式并行架构仅占用75 kb的查找表和55 kb的寄存器资源，主频可以达到207 MHz，完成一个64×64编码树单元的预测仅需要4 096个时钟周期，最大能够支持1 080 P分辨率99 f/s全I帧的实时编码；与已有设计方案相比，文中方案能够用更小的电路面积实现更高帧率的1 080 P实时视频编码。

在科学实验与工业生产中，力传感器动态特性会直接影响传感器的精度，因此研究力传感器动态特性具有重要意义。针对应用于手术机器人的应变式力传感器动态特性难以满足精度要求的问题，文中研究了基于最小二乘参数辨识方法在力传感器振动结构中的应用。由于递推最小二乘（RLS）对于二阶振动系统模型辨识难以同时保证快速性和抗干扰性，文中提出了一种基于可变遗忘因子的递推最小二乘参数辨识方法。首先，通过建立随机振动系统模型，对系统的输入/输出特性进行仿真与分析，确定了遗忘因子函数中的参数，仿真结果表明，文中提出的方法在保持更快收敛速度的同时，使参数辨识误差和收敛预测误差相比于RLS有明显的降低，相比于最小二乘有良好的时变性；然后，在阶跃测试标定法基础上对微创外科手术机器人力传感器的动态参数进行辨识，获得该传感器系统的结构动态特性，即固有频率和阻尼比。实验结果表明，文中提出的方法有较好的收敛性和稳定性，有效地提高了辨识精度。

双模超声广泛用于医学临床诊断，其中B模式脉冲用于成像，多普勒脉冲则用于血流速度估计。数据采集时间在两种模式之间共享。为了提高B模式图像的更新频率，需要减少多普勒脉冲数量，即发射稀疏多普勒脉冲进行血流速度估计。然而现有的适应稀疏脉冲采样算法，如迭代自适应算法、稀疏贝叶斯法以及基于阵列虚拟拓展的子空间类方法，计算开销巨大，难以满足实时成像的要求，且在稀疏度大的情况下会产生明显的伪影。为此，文中提出了一种基于稀疏脉冲采样的低复杂度血流速度估计算法。根据超声多普勒回波信号是由血红细胞的散射产生，具有强相干、信源个数时变的特点，文中首先从子空间角度解析了伪影的成因，并验证了包含均匀脉冲的稀疏发射脉冲排布方式可以有效地抑制伪影；然后以均匀脉冲回波构建协方差矩阵，并进行空间平滑获取特征值，以较大特征值的个数和相互的比值作为标准，判断血流不同时刻的频率分布特征；最后以此频率分布特征为标准，自适应采用B-MUSIC算法或TBVAM算法进行血流速度估计，以降低算法的复杂度。Matlab仿真和人体实测数据的实验结果表明，该算法在极大地减小计算复杂度的同时，可以获得较为连续、清晰且伪影抑制效果较佳的血流速度估计结果。

针对卫星导航高精度定位定向射频（RF）接收机面临的需求种类多、体积大的问题，介绍一种应用于高精度定位定向的高集成可重构全球导航卫星系统（GNSS）射频接收机。通过采用集成四个可重构接收通道的架构，并行接收全频段GNSS信号的方法，实现了单芯片支持高精度定位或定向应用，显著降低了导航终端的体积和成本。为改善宽带信号接收，提出了一种新型无电感的高线性低噪声跨导放大器（LNTA），消除了源极电感和负载电感的使用，减少工作在不同频点导航信号时的增益和噪声波动，有利于多模多频接收的重构和降低LNTA的功耗；针对IQ相位不平衡问题，提出了一种新型的补偿方法，直接在二分频电路的钟控锁存器通路上设计阻抗可变的可编程开关阵列，通过改变25%占空比正交本振的延迟时间实现相应支路输出本振相位调整，实现了IQ不平衡的校准，提升了射频接收机的镜像抑制和处理镜像干扰的能力。测试数据表明，射频接收机实现了1.15~1.65 GHz的GNSS全频段信号覆盖，2.7 dB的最小噪声系数（NF），34.7 dBm的输出三阶交调截点功率。采用低中频、零中频可重构的架构，可灵活接收0.8~80 MHz带宽的多模GNSS信号。通过IQ不平衡补偿和通道版图布局改进，实现了58.1 dB的镜像抑制（IRR）和57 dB的通道隔离度，可有效降低镜像干扰和通道间干扰的影响。在1.2 V供电下接收通道功耗仅24.7 mW，可满足高精度定位定向GNSS射频接收机的高集成和多样化应用需求。

近年来汽车的智能网联化程度日益提高，现代车辆已经转变为拥有导航系统、娱乐系统、气候控制系统、车辆性能系统等信息系统的可移动计算机平台，驾驶员在车内可以访问和交互的信息量显著增加。然而在驾驶时操作功能繁多的汽车信息系统会分散司机大量的视觉和听觉注意力，造成分心驾驶，增加了发生交通事故的可能。驾驶时使用触觉模态可以与视听模态形成互补，减轻驾驶员视听负担，提高驾驶安全性、交互可靠性、使用舒适性。在总结触觉反馈技术在汽车中应用的发展历程的基础上，阐述了车内交互活动和触觉模态在车内可展现信息的具体种类；重点从车载触觉警告系统、车载触觉导航系统和车载触觉操作协助系统3个方向分析了触觉反馈技术在汽车信息系统中应用的研究进展，并分别总结了在车载警告系统、导航系统和操作协助系统中触觉激励的主要来源；分析总结相关文献，详述了汽车触觉信息系统对驾驶性能影响研究的实验环境、评估指标、评估方法和结果；基于现有技术和研究方法的不足，从触觉反馈激励信号的位置、模式和参数的选取、行为适应问题的研究、实验环境的改进、对影响触觉感知不同因素的考虑、多种汽车触觉信息系统的整合等方面，对未来汽车触觉信息系统的研究进行了讨论与展望。

自动语音识别（ASR）技术目前已发展得较为成熟，通用ASR引擎已经广泛应用于交通、医疗、通信等行业。但是，由于行业专有词汇在大规模训练语料库中呈非独立同态分布，通用ASR引擎在各细分行业转写时存在对行业专有词汇识别准确率低的问题。相较于互联网环境的16 kHz音频采样率，电话呼叫中心语音为窄带低采样（采样率8 kHz），转写后精度下降尤为明显。为了提高行业词汇的语音转写准确率，文中提出一种基于行业词表的ASR转写后优化技术。首先，对语料库文本数据分别采用卷积神经网络模型和深度神经网络BERT模型进行预测分词，生成行业纠错词表。随后，在生产环境中，使用通用ASR引擎对电话呼叫语音数据进行初始转写。然后，对一次转写后的文本，通过Soft-Masked BERT模型结合纠错词表实现文本数据的纠错，从而提高语音识别准确率。使用广州12345热线客服通话语音数据进行训练和测试，结果表明，使用文中的转写后优化技术可以将通用ASR引擎的行业用词转写准确率提高约10个百分点，且纠错速度较快，具有良好的适用性。

针对低维度多目标优化问题，目前的众多多目标优化算法已能保证足够接近问题的最优前沿，并兼顾解集的收敛性和多样性。然而，大多数算法往往忽略了解的分布性。在具有不规则帕累托前沿的多目标优化问题上，解的分布越均匀，越能充分覆盖问题的最优前沿超平面，提供给决策者的选择区间也越趋于合理。文中针对解的分布性的改善问题，以SPEA2算法为主框架，在改进个体适应度计算的基础上，提出一种新的多目标优化算法CM-SPEA2。该算法首先通过不等权重层次聚类法将种群划分为若干簇；然后改进原有杂乱度计算方法，衡量个体在所属簇内的杂乱度，寻找杂乱度最低的个体作为参考点；最后，基于其他个体与参考点的Manhattan距离计算表征分布性的算子并改进适应度函数，设置适应度阈值筛选参考点附近的非支配个体，从而间接调整环境选择策略，使保留的个体分布更加均匀，进而提升收敛性和多样性。对比实验结果表明，与一些类似的多目标优化算法相比，CM-SPEA2算法在IMOP、ZDT和VNT类型的测试问题上具有一定的优势。

高效视频编码标准（HEVC/H.265）是目前国际市场上广泛采用的视频编码标准。基于上下文自适应二进制算术编码（CABAC）作为HEVC熵编码的核心编码方式，通过建立更加精准的概率模型，提高了算术编码的压缩效率。此外，HEVC定义了更多种类的语法元素并建立更复杂的编码结构，进一步减少信息冗余，从而降低了码率。然而，语法元素作为CABAC的输入，其预处理过程的高复杂性，增加了硬件并行难度，导致熵编码硬件的吞吐率难以提高，成为HEVC编码器实现更高分辨率实时编码的瓶颈之一。为了进一步加快熵编码模块的速度，本文设计了一种基于现场可编程门阵列（FPGA）的高吞吐量CABAC熵编码架构。该架构提出的预头信息编码、上下文模型初始化和编码单元（CU）结构优化策略，可以加快语法元素的产生，以供自适应二进制算术编码器使用；通过高效的残差编码架构和部分上下文索引流水计算方案，在保持高吞吐量的同时，可以减少由复杂计算带来的路径延迟，提高工作频率。本设计使用90 nm标准单元库进行综合，共使用了2.099×10⁴个逻辑门数，工作频率可以达到200 MHz。本文对HEVC官方提供的视频序列进行仿真测试，统计了在不同量化参数（QP）下编码1个编码树单元（CTU）所需要的时间，实验统计数据表明，本文设计使得编码1个CTU的时间平均节省了38.2%。

粒子滤波器作为常用的非高斯非线性的滤波方法，已成功地应用于各种工程领域。然而传统的重采样方法导致了粒子贫化的问题，严重降低了滤波估计的精度与鲁棒性。文中提出一种结合跟踪失败检测与改进差分优化融合的自复位粒子滤波方法。首先通过跟踪失败识别方法对滤波估计值进行初步检验，在正常跟踪时不启用优化策略，算法性能与标准粒子滤波无异；在跟踪失败时，通过差分算法对粒子集进行复位，复位过程中设置了粒子置信区间的上下界以防粒子过度集中，并结合检验指示值规避对粒子的多次优化，以缩短算法的估计时间。仿真结果表明，文中算法通过动态调节方式继承了标准粒子滤波和差分进化粒子滤波的优点，有效提高了滤波估计的鲁棒性与估计精度，可在滤波成功时避免启用优化策略以降低算法的整体时间复杂度，并在滤波失败时启用差分优化策略进行自我复位以提高算法估计精度；且在相同定位精度下，其所需粒子数较标准粒子滤波更少，整体时耗较差分进化粒子滤波更低，在建模不确定时也可表现出良好的效果。

足迹作为人体生物特征之一，在生物识别领域具有重要意义，而同一对象的不同鞋型压力足迹图像在足迹轮廓特征上具有显著性差异，导致其类内差异大。针对压力足迹图像的跨域检索，文中提出了一种基于互信息解耦表示的跨域压力足迹图像检索方法。首先，构建了一个包含200人足迹图像的多域压力足迹数据集，从定性和定量两个角度分析跨域压力足迹图像的特点；其次，采用两个独立的编码器实现图像解耦模块，该模块将压力足迹图像解耦为域特定表示和域共享表示，通过域分类法保证域特定表示包含更多域相关的信息；然后，通过最小化互信息损失扩大域特定表示和域共享表示之间的距离，同时，为避免解耦过程中信息的丢失，基于域特定表示和域共享表示重构原始压力足迹图像；最后，通过特征提取模块进一步提取域共享表示的深层卷积特征，经过度量模块计算不同特征间的关联度，从而实现跨域压力足迹图像检索。对比及消融实验结果表明，该方法的解耦模块具有一定的有效性，在多域压力足迹数据集上的性能表现良好，首位查询结果的检索准确率达到79.83%，平均准确率达到65.48%。

当前，基于数字电路的脉冲神经网络硬件设计，在学习功能方面的突触并行性不高，导致硬件整体延时较大，在一定程度上限制了脉冲神经网络模型在线学习的速度。针对上述问题，文中提出了一种基于FPGA并行加速的高效脉冲神经网络在线学习硬件结构，通过神经元和突触的双并行设计对模型的训练与推理过程进行加速。首先，设计具有并行脉冲传递功能和并行脉冲时间依赖可塑性学习功能的突触结构；然后，搭建输入编码层和赢家通吃结构的学习层，并优化赢家通吃网络的侧向抑制的实现，形成规模为784~400的脉冲神经网络模型。实验结果表明：在MNIST数据集上，使用该硬件结构的脉冲神经网络模型训练一幅图像需要的时间为1.61 ms、能耗约为3.18 mJ，推理一幅图像需要的时间为1.19 ms、能耗约为2.37 mJ，识别MNIST测试集样本的准确率可达87.51%；在文中设计的硬件框架下，突触并行结构能使训练速度提升38%以上，硬件能耗降低约24.1%，有助于促进边缘智能计算设备及技术的发展。

无人驾驶汽车在跟踪避障控制过程中，被控对象具有非线性特征且被控参数多变，线性模型及固定的无人驾驶车辆数学模型难以保证车辆在复杂环境下的安全性和稳定性，并且无人驾驶离散化控制过程增加了控制难度。针对此类问题，为提高无人驾驶汽车实时控制跟踪轨迹的精度，同时降低整个控制过程的难度，文中提出了一种基于蒙特卡洛-深度确定性策略梯度（MC-DDPG）的无人驾驶汽车避障跟踪控制算法。该算法基于深度强化学习网络搭建控制系统模型，在策略学习采样过程中采用优秀的训练样本，使用蒙特卡洛方法优化网络训练梯度，对算法的训练样本采取优劣区分，使用优异的样本通过梯度算法寻找最优的网络参数，从而增强网络算法的学习能力，实现无人驾驶汽车的更优连续控制。在计算机模拟环境TORCS中对该算法进行仿真实验，结果表明，应用MC-DDPG算法可以有效地实现无人驾驶汽车的避障跟踪控制，其控制的无人驾驶汽车的跟踪精度及避障效果均优于深度Q网络算法和DDPG算法。

5G网络的可用带宽是影响实时视频业务的关键要素之一，但如何在低延时实时视频业务下完成准确预测依旧是个难题。传统可用带宽预测算法通常依靠业务层的数据指标，根据发包策略完成预测。但此类算法在网络频繁变化的复杂场景下会出现预测滞后问题，严重影响了用户的接收视频质量。为解决此问题，文中提出了一种基于跨层多维参数的可用带宽预测算法，该算法综合考虑了业务层、物理层、网络层等的相关数据指标，并通过多个维度参数提升无线网络带宽探测的准确性。文中采用深度强化学习作为模型框架，针对不同的运动场景，通过跨层多维度的数据模型学习实现离线预测和在线预测的融合。同时，将网络丢包率、图像质量评估和端到端时延等链路影响因素作为约束条件，以实现预测模型在传输过程中的实时调整和优化。在半物理平台上的实验结果表明：文中所提算法的预测性能优于传统的预测算法，预测曲线与实际曲线的拟合程度高达95.8%以上；相比于单层预测算法，所提算法在步行、驾驶场景下的丢包率分别降低了47.3%和30.9%，接收视频质量提升了12%。

时间敏感网络（TSN）作为新一代以太网技术，因其能够保障时间敏感流量的低延迟和低抖动传输而在工业控制、车载网等领域发挥着越来越重要的作用。基于信用的整形（CBS）技术作为TSN关键整形技术之一，通过预留带宽保障了音视频桥接（AVB）流量的确定性传输。现有基于网络演算的带宽分配方法基本上未考虑路由对AVB流量可调度性的影响，并且在网络规模较大时带宽分配结果差且求解时间长，因此，文中提出了一种基于链路负载均衡的AVB流量带宽分配方法：首先采用链路负载均衡的路由算法为每一条AVB流量计算最优路径；然后基于流量路径和网络演算分析了各交换机出端口流量的到达曲线和服务曲线，从而获得各端口流量的最坏转发时延；最后建立了带宽分配的优化目标及约束，采用启发式算法对带宽分配进行求解，并在求解过程中对带宽参数配置进行了优化。实验结果表明，与现有基于网络演算的带宽分配方法相比，基于链路负载均衡的AVB流量带宽分配方法可以使AVB流量的可调度性提升15~45个百分点，优化参数配置可以使带宽求解速度提升1倍以上且得到更优的带宽分配结果，能够很好地应对大规模动态变化的TSN网络。