针对YOLOv4目标检测算法在一些应用场景的参数多、网络复杂、精度低等问题,提出一种改进的轻量级的目标检测算法GD-YOLO. 首先,通过使用轻量级网络GhostNet替换掉YOLOv4的主干特征提取网络CSPDarknet,GhostNet网络极大降低了算法的参数量及计算量,使得算法更加轻量化;其次,提出双重注意力机制(DATM),其不仅增强模型对空间和通道上的特征进行加强,而且其结构参数量小,使用在对主干网络提取出来的三个有效特征层添加双重注意力机制,让模型对特征提取更加有效;最后,新增ACON激活函数代替原有的GhostNet网络中的ReLU激活函数,进一步提高算法检测精度. 在VOC2007+2012数据集上的实验结果表明,GD-YOLO算法的平均准确率(mAP)达到84.28%,与YOLOv4算法相比提升了4个百分点,与YOLOv5算法相比低了大约1个百分点；从模型参数量方面,与YOLOv4算法相比减少了11 M,与YOLOv5相比减少3 M. 所提GD-YOLO算法相对于YOLOv4不仅减少了模型参数量,而且也保存了较高的平均准确率,表明该算法是更具有轻量化及高准确率的.

随着多核嵌入式实时系统的发展,DAG任务同步问题得到了广泛的关注. 目前的任务同步方法大都采用锁机制,但锁机制存在许多问题,如自旋锁存在任务忙等状态,浪费CPU资源；使用互斥锁的任务若获取不到共享资源会被阻塞,产生上下文切换开销；顺序锁允许写任务有更高的优先级,但写任务不能频繁更新数据,否则读任务会产生饿死现象. 上述锁机制如果应用于多核平台下的DAG任务同步,不仅会影响系统整体执行效率,导致后继任务无法执行,严重时会引发死锁现象导致系统崩溃. 因此,提出了在DAG任务同步过程中使用DCAS无锁机制,有效避免了锁机制存在的问题. 在LITMUS^RT多核平台下,以多任务同时申请、填充和释放Vxworks网络缓冲区为例,对缓冲池中的三元组mBlk,clBlk,cluster分别使用DCAS无锁机制. 实验结果表明,相比传统锁机制,DCAS无锁机制在DAG任务同步方面有较好的效果,响应时间减少了10.4%,系统的整体执行效率提高了4.2%.

在自然场景文本检测领域,现有的深度学习网络仍存在文本误检、漏检、定位不准确的情况. 针对这一问题,本文设计出一种基于大感受野特征网络(Large Receptive Field Feature Network,LFN)的文本检测算法. 首先选取速度和准确度更好的轻量级主干网络ShuffleNet V2,并加入细粒度特征融合模块以获取更多隐藏的文本特征信息；再通过分析不同尺度的特征图感受野不同,并对比不同尺度的特征图进行归一化后得到的特征图尺寸对结果的影响,构造了双融合特征提取模块,对输入图像提取多尺度特征以减少文本特征丢失,增大感受野；最后为处理正负样本失衡的问题,在可微二值化模块中引入Dice Loss,增加文本定位的准确度. 在ICDAR2015和CTW1500数据集上的实验表明,该网络无论是在性能还是速度上对文本检测效果都有显著提升. 其中在ICDAR2015数据集上F1为86.1%,较性能最优的PSENet网络提升了0.4%,速度达到了50 fps,较速度最快的DBNet网络提升了约1.92倍,在CTW1500数据集上F1为83.2%,较PSENet网络提升了1%,速度达到了35 fps,较EAST网络提升了约1.65倍.

目前大多数图像去噪算法在去除噪声的同时,通常会丢失图像的边缘细节信息. 针对这一问题,提出了一种基于边缘特征融合的图像去噪方法. 首先,通过基于Canny算子的边缘提取网络提取图像的边缘信息,由于Canny算子不需要训练,这在很大程度上缩短了去噪时间；其次,通过基于残差密集连接的初去噪网络来保证训练的稳定性以及避免梯度消失,实现图像的初步去噪；最后,通过基于信道与空间注意力机制的融合网络将提取的边缘信息图像与初步去噪图像充分融合,自适应地给相对重要的边缘信息分配更大的权值,对图像的边缘细节进行增强,以得到具有更多边缘信息的清晰图像. 实验结果表明,在BSD68和Set12数据集上,与常见的DnCNN、BM3D等去噪方法相比,所提出去噪方法的平均PSNR比DnCNN分别高出0.13 dB、0.29 dB,比BM3D分别高出0.76 dB、0.82 dB,在视觉效果上看也保留了更多的图像细节,同时去噪速率也大幅度的提高.

新疆荒漠地区受气候和环境的双重影响易出现干旱灾害和影响农牧业生产,不利于新疆经济的可持续,新疆荒漠植物的识别是各植物研究人员了解植物生长状况的基础,也是生态保护研究和实施治理措施的前提. 同时,新疆荒漠植物图像存在类间相似、图像背景复杂和数据样本不平衡等特点,导致该研究具有一定的难度. 为提高识别准确率、准确定位局部重要特征与综合考虑复杂全局信息,本文提出了一种融合卷积神经网络(CNN)和Swin Transformer网络的植物图像识别方法. 该方法结合了CNN网络擅长提取局部特征和Swin Transformer擅长捕获全局表示的优点,同时在CNN分支中嵌入改进的Convolutional Block Attention Module (CBAM)注意力模块以便充分提取到具有区分度的局部关键特征,并使用Focal Loss损失函数解决数据样本不平衡问题. 通过实验结果表明,提出的融合方法在新疆荒漠植物数据集上相较于单分支网络更能充分提取图像的特征,其识别准确率可达97.99%,且精准率、召回率和F1分数都优于现有的方法. 最后通过可视化分析和混淆矩阵进一步佐证了该方法的有效性.

基于医学肺部影像开发智能诊断新冠肺炎的深度学习方法能够减轻大量医护人员的工作,且能够提供可靠的准确性,然而深度学习方法的高准确性通常依赖于数据样本的质量. 在自然界存在的医学图像数据的来源和处理过程并不单一,数据样本差异性较大和质量不佳会增大深度学习模型提取关键特征的难度,有效的数据预处理和合适的模型设计十分关键. 基于肺部CT图像,本论文提出一种像素分割联合双分支模型ReSWNet辅助诊断新冠肺炎感染. 该方法首先训练像素分割模型进行分割预处理,实现肺部CT图像无关背景的剔除,然后通过结合了卷积神经网络和自注意力模型优缺点的双分支模型进行肺炎诊断. 通过在COVID-CT数据集上对该方法进行验证表明,在诊断准确率、召回率和F1分数等性能指标方面,该方法较基线模型分别提高了8.6%、16.05以及7.71%,最后采用可视化结果热力图为诊断提供了可解释性.

针对文本生成图像任务过程中存在图像视觉特征和通道特征信息利用不充分问题,提出一种基于特征增强生成对抗网络(FE-GAN)的文本生成图像方法. 首先,在动态记忆读取时,设计二次记忆(MoM)模块来对生成的中间特征进行注意与融合,利用注意力机制在记忆读取时进行第一次视觉特征增强,再将得到的注意力结果和上一个生成器生成的图像特征进行融合,实现第二次图像视觉特征增强. 然后,在残差块中引入通道注意力来获取图像特征中的不同语义,提升相似语义通道之间的关联性,实现通道特征增强. 最后,将实例归一化上采样块和批量归一化上采样块相结合来提高图像分辨率,同时缓解批量大小对生成效果的影响,提升生成图像风格多样性能力. 在CUB-200-2011和Oxford-102数据集上进行的仿真实验表明,所提方法的IS分别达到了4.83和4.13,与DM-GAN相比分别提高了1.68%和5.62%. 实验结果表明,FE-GAN生成的图像在细节处理上更好,更加符合文本语义.

针对具有强非线性特点的机械臂覆盖控制问题,基于Voronoi图理论,提出了一种多机械臂系统的区域最优覆盖控制算法. 首先,通过计算各个机械臂末端执行器的位置,将目标区域进行Voronoi划分；其次,根据凸优化理论,通过定义的描述区域覆盖控制效果的目标代价函数来衡量多机械臂系统关节以及末端执行器的移动是否最优；最后,结合机械臂系统特殊的动力学特性,给出了多机械臂系统的分布式区域最优覆盖控制器. 利用Lyapunov稳定性理论对该算法进行了稳定性分析,数值仿真实验表明了算法的实际有效性,即所提算法可以使得多机械臂系统的末端执行器在代价函数值最小的情况下到达相应Voronoi区域质心并且速度渐近收敛到零,形成对目标区域的最优覆盖. 特别地,该算法以机械臂为研究对象,丰富了现有的覆盖控制智能体模型研究,此外基于机械臂的非线性结构特性,算法中所设计的任务空间覆盖控制律,还可以应用到二阶系统智能体的覆盖控制研究中,拓宽了现有的基于一阶系统的覆盖控制研究.

基于故障信号频率的识别模型由于受到周围磁场等的影响,精度较低,为提高智能电表电路暂态故障信号实时识别的准确性,从故障信号处理的方向出发,基于时域粗检测方法,研究了一种智能电表电路暂态故障实时识别方法. 对智能电表电路故障信号采样,使故障信号按照指定的路线传输,就要增加通道的接收能力,利用小波分析方法,对复杂的电信号进行样本预处理,经过时域检测后的信号被统一进行重新分布,以较为简单的方式进行标记；基于小波熵测度的故障信号融合模型,采用信息熵方法融合分离相似故障信号,确定所有智能电表故障电路信号暂态特征；构建基于小波熵测度的故障信号融合模型,在信号谱上完成信号的筛选与分解,实现智能电表电路暂态故障信号实时识别. 实验结果表明,针对智能电表电路接地短路、两相接地短路、相间短路、三相接地短路四种不同类型的暂态故障,通过该方法识别出的故障电压曲线值与实际的值相差小于0.3 V,具有较高的识别准确性,具备一定的实际应用意义.

自动化升级背景下,设备间耦合性不断提高,故障表现形式繁杂多样. 单一故障不及时处理极易造成影响范围的扩大,使得事故进一步升级. 为保证设备的正常运转,对传统的基于案例分析生成的故障诊断方法提出了新的要求,具体包括：低成本、长期监测、少样本或零样本故障识别. 针对这些新需求,本文提出将图像处理领域中使用的零样本分类识别思想引入故障诊断领域. 通过研究现有故障样本的特征参量,对其进行寻优确定用于状态监测的特征,采用模糊神经网络构成特征属性描述器,将特征描述为设备属性,再由ART网络以属性描述为基础,对设备进行长期监测的同时增量学习. 即以少量设备样本或相似样本的分析为基础构建监测与学习机制,识别原有故障的同时学习并记录新类故障. 为说明本方法的可行性与有效性,文章利用电机故障数据集以少量样本为先验知识构建系统,混合未知故障样本进行系统测试. 实验结果表明,零样本分类思想的应用有望解决当前技术背景下设备故障诊断的新挑战.

电流/频率转换器主要是对加速度计输出电流进行高精度测量,典型展宽复位电荷平衡式电流/频率转换器的逻辑控制方法对精度影响较大. 针对典型逻辑控制方法的不足,提出了一种新的逻辑控制方法. 电路积分器输出通过一级D触发器作为比较电路实现模拟数字转换输出,然后通过二级D触发器和与门形成的自锁电路产生计数器启动触发脉冲,最后通过计数器电路计数形成开关控制逻辑. 新方法避免了典型方法中对积分时间的约束,减小了大电流输入和小电流输入时积分器输出波形的平均值差异,从而有效提高了电路精度. 对同一个硬件电路通过编写不同的CPLD算法程序进行性能对比测试,结果表明新的方法比典型的方法使电路精度得到明显提升.

近年来,紧耦合智能处理器在资源受限的边缘侧智能处理器应用中受到了广泛关注.但是针对主协处理器在流水线耦合关系做早期设计空间探索时,存在硬件资源关系共享性,数据通路结构复杂多样化以及片上主协计算特征异构性的特点,使得针对智能处理器的仿真评估建模面临着挑战.本文针对紧耦合智能处理器的结构特点,将硬件结构抽象成为软件仿真模型框架,通过对主协处理器基本硬件资源分析,分解指令控制的不同数据通路,设计智能处理器仿真模型.将主处理器与智能协处理器分别采用踪迹仿真和模型解析的方法,引入混合踪迹记录时间戳以统计部件访问信息,结合基于解析的性能评估算法,实现对智能处理器的性能评估.实验结果表明,基于混合踪迹的智能处理器模型和评估分析可以有效的解出智能计算的实际执行结果,并评估得到硬件的性能,包括延时,能耗和功耗等重要参数.

为了提高开关电源变换器的建模精度和控制性能,提出了一种状态切换离散时间模型(State Switching Discrete time Model,SSDM).该模型在建模时考虑的是每个开关周期内的状态,而不是变换器的平均状态,故在高频下其精度比传统的状态平均模型更高. 基于开关持续时间的全微分方程,精确计算一个周期内的电感电流和输出电压,从而推导出SSDM. 此外,通过SSDM推导出极限电压响应(Limiting Voltage Response,LVR)控制策略.该策略通过电压预测计算出合适的占空比,以在最小开关周期内将输出电压调节为参考值. 通过这种策略,变换器不仅实现了非常快的负载/线路瞬态响应和参考跟踪速度,而且在偏差电感下表现出很高的稳定性. 最后,通过频率响应分析和实验验证了SSDM的准确性和系统的稳定性. 实验结果表明,在不同工况下,LVR控制策略下的输出电压瞬态响应时间相比传统控制策略下的输出电压瞬态响应时间缩短了70%以上；当电感值偏离23%时,在LVR控制策略下的输出电压仍然保持稳定.

随机森林具有训练速度快、不容易过拟合、易于实现等优点成功应用于各种领域. 针对在芯片设计后仿阶段需要对不同存储存储单元大小、电压、温度等情况进行功耗测试,并且测试一次的时间很长的问题,提出了一种基于麻雀搜索算法(SSA)与随机森林(RF)相结合的功耗预测方法. 首先,对14 nmSRAM后仿的单元库进行表征,找出合适的特征变量,得到特征数据后构建训练测试集；然后对特征变量进行特征重要性分析,按照特征重要性排序；最后使用随机森林模型进行回归预测,并引入了麻雀搜索算法以寻找出均方根误差最小时的模型参数. 与线性回归模型、支持向量回归模型等相比,SSA-RF收敛精度高并且训练速度快,SSA-RF模型的R²值为0.97左右. 此外,在数据量较少的情况下其R²的值也能达到0.95左右,构建了一个较好的预测模型,为减少功耗测试时间提供了一种可行的方案,可以为设计人员留下更多的时间去优化电路.