基于网格的搜索布线方式是印制电路板PCB自动布线的主要手段.随着电路系统的规模不断增大、功能日益复杂,PCB布线设计的挑战也不断增大. 针对PCB布线地图规模较大且元器件障碍物较多的布线场景,常用的Lees和A*等布线算法突显出着搜索空间迅速增大且无法有效解决多网络布线顺序的问题. 由此,提出一种基于分段并行思想的布线加速策略以提升布线效率. 其基本思路为：将一个较大区域内的搜索问题分解成多个小区域内的并行搜索问题,并且针对不同区域内障碍物的特征采用自适应的启发引导函数,从而实现有效减少搜索空间、加快搜索速度、优化布线效果. 模拟实验表明,在150×150的网格布线场景中,所提方法与Lees算法和A*算法相比较,搜索速度分别可提升160倍和17倍.

加减速控制技术是电动舵机控制系统中的一项重要技术. 为减小传统非柔性加减速控制算法对电机设备造成的振动,消除系统的柔性冲击,对三种柔性控制算法进行了研究. 通过控制加加速度值,七段式S型加减速算法实现了加速度的连续变化,但加加速度仍存在突变；余弦加减速算法进一步提高系统柔性,消除了柔性冲击；加加速度连续的加减速算法完全消除了加加速度的突变,同时具有高度的柔性. 通过算法仿真和舵机系统模型仿真,验证了三种柔性控制算法的适用性,对不同需求场合下的加减速算法选择给出了建议,表明了电机控制应综合实际需求、系统柔性、精度要求等各个方面选择合适的算法.

针对多无人机多目标航迹路径规划中容易陷入局部最优,机间碰撞以及时效低等问题. 提出一种多无人机多目标下改进的粒子群算法（Multi UAV Multi-Objective Improved Particle Swarm Optimization, MUMOIPSO）.该方法将改进的粒子群算法与Dubins算法相结合. 首先,通过目标置换以及粒子交叉等方法对粒子群算法中速度和位置更新方式进行改进；通过将自身速度引起位置变化的目标进行置换操作,将个体极值和全局极值影响自身位置变化的粒子进行交叉操作,使改进的粒子群算法适合多无人机多目标航迹路径规划. 其次,应用反正切函数改进惯性因子,线性递减函数改进非负的加速度系数,在前期提高无人机全局搜索能力,在后期提高无人机局部搜索能力避免陷入局部最优. 最后,采用Dubins算法结合Intersection Type方法规划出一条无碰撞的平滑路径. 仿真结果表明,所提出的算法在保证良好稳定性的前提下,其搜索效果与路径规划方式更优,较对比其他算法在适应度函数和总航程方面分别提高16.3%和10.2%.

针对基础yolov5算法检测钢管焊缝缺陷因缺陷目标小、背景复杂造成检测精度不够、特征提取不充分、速度慢的问题,提出了一种改进yolov5检测算法. 首先,采用递归门控卷积gⁿConv替换网络中普通的卷积层,增强了模型空间交互能力,实现对特征的高效提取,间接提高了检测速度；其次,使用ASPP(Atrous Spatial Pyramid Pooling)模块替换基础算法中使用的SPP模块,在扩大了感受野范围的同时提高了检测速度；最后,在网络的预测端添加全局注意力机制GAM(Global Attention Mechanism)进一步加强特征提取,提高检测的精度. 实验结果表明,改进的算法mAP达到了92.7%,比原算法提升了2.1个百分点,速度为50.8 f/s,满足钢管焊接缺陷检测的精度和实时性要求.

视频异常检测由于可以高效、低成本地维护公共安全,在国家安防、医疗监护中发挥着重要作用. 基于重构的深度自编码网络异常检测方法因其强大的表示能力而得到了广泛的研究. 然而,自编码网络通常也可以成功地重建异常行为,从而导致异常行为的漏检. 针对这一问题,提出了一种伪异常引导的卷积自编码网络视频异常检测方法,模型使用3D卷积提取视频时空特征.首先,通过正常数据模拟异常数据分布生成伪异常,提出了两种生成伪异常的方法：基于跳帧的方法和基于补丁的方法；然后,使用正常数据和生成的伪异常数据训练模型,训练时较好地重建正常数据同时较差地重建伪异常数据,由此模型被鼓励为限制异常数据的重建；最后,在UCSD-Ped2、Avenue和ShanghaiTech三个公共视频异常检测数据集上与其他基于重建的模型进行比较,其检测精度获得了有效提升.

针对现有考场考生行为识别存在检测范围小、识别准确率不高的问题,提出了一种多网融合的考生行为识别检测算法. 考生定位采用轻量化检测网络Yolov4-Tiny并对其进行改进.首先,在主干部分嵌入通道空间双注意力机制CBAM,解决了考场中考生小目标和遮挡目标难以识别的问题. 其次,在特征提取后引入PPM金字塔池化结构,能够提高网络获取全局信息的能力. 然后,将改进后的网络融入Alphapose人体姿态估计模型提取出考生的骨骼关键点坐标信息.最后,通过时空图卷积神经网络ST-GCN进行行为分类. 实验表明,通过迁移学习的方式在数据集NTU-RGB+D得到预训练模型,最终在考生行为数据集上对4类行为识别的平均准确率达到了94.6%,能够有效的完成考场中考生的行为识别检测任务.

得益于深度卷积神经网络在特征提取和语义理解的强大能力,基于深度神经网络的语义分割技术逐渐成为计算机视觉研究的热点课题. 在无人驾驶、医学图像,甚至是虚拟交互、增强现实等领域都需要精确高效的语义分割技术. 语义分割从图像像素级理解出发,为每个像素分配单独的类别标签. 针对基于深度神经网络的语义分割技术,根据技术特性的差异,从编码-解码架构、多尺度目标融合、卷积优化、注意力机制、传统-深度结合、策略融合方面展开,对现有模型的优缺点进行梳理和分析,并当前主流语义分割方法在公共数据集实验结果进行对比,总结了该领域当前面临的挑战以及对未来研究方向的展望.

针对目前磁共振脑影像上的脑白质病变分割精度较低、小病灶易漏识的问题,提出一种结合多尺度信息与注意力机制的U-Net改进模型用于脑白质病变分割. 首先,引入多尺度卷积模块以拓展网络宽度,提升特征捕获能力.其次,引入混合下采样模块,对粗、细两种粒度的下采样特征进行融合以减少下采样过程中的信息损失；同时,引入跨层融合模块,通过对跳跃连接两端的编、解码信息进行融合,降低对等层间的语义差异. 最后,在编码阶段采用分散注意力模式,根据深、浅层的不同特点分别设计空间注意力模块和通道注意力模块,以增强网络对病灶区域的关注度. 在MICCAI2017 WMHs分割挑战赛提供的公开数据集上与同任务的其它文献算法进行对比,本文算法在召回率和相似系数的性能评估上均获得了有效提升,分别达到了0.834和 0.803,这表明本文算法是一种有效的脑白质病变自动分割算法.

基于28 nm CMOS工艺,设计了一款新型电流模自偏置锁相环.重点分析了电荷泵、电压转电流(V-I)模块、电流型数模转换器（Digital to Analog Converter,DAC）及电流控制振荡器（Current-Controlled Oscillator,CCO）的电路设计和功能. 采用电流复制反馈偏置(Replica Feedback Bias)技术,实现了带宽自适应,利用可编程的DAC模块降低了输入范围对于系统稳定性的影响,消除分配范围对于环路稳定性的影响,利用前分频器进一步拓宽输入频率范围,实现了宽输入输出频率范围及低抖动电流模锁相环的设计. 整体芯片面积为0.074 62 mm²,采用双电源供电1.8 V/0.9 V,最大功耗为10 mW,输出频率为1 GHz~3.2 GHz. 仿真测试结果表明,输入参考频率为50 MHz时,在2.1 GHz中心频率1 MHz频偏处的相位噪声为−98.18 dBc/Hz,rms抖动为1.914 ps.

基于生物医疗芯片中植入式神经刺激器的应用需求,提出了一种基于BCD工艺的电压型CMOS带隙基准源电路. 针对植入式芯片供电电压变化大的特点,在传统widlar电流源结构基础上,引入了二级运放输出反馈,为运放本身、带隙核心电路以及测温前端提供了稳定的偏置电流,以提高基准电路的电源抑制比以及线性调整率. 同时为了消除运放失调电压Vos对输出电压稳定性的影响,根据电阻阻值变化范围设计了电阻修调矩阵,降低了基准电压的温度系数. 选用TSMC 0.18 um BCD工艺进行设计仿真,仿真、测试结果表明,该基准源可以在1.8 V-6 V电压下正常工作,电压线性调整率为0.023%；电源抑制比在10 Hz时为−78 dB,100 Hz时为−55 dB. 在−40-125℃范围内,温漂系数为16.68 ppm. 电路总功耗在5 V电压下为90uW,芯片核心电路面积为0.15×0.38 mm².

现代多处理器片上系统（MPSoC）将应用程序分布在多个IP上,而片上网络（NoC）是广泛采用的IP间数据交换解决方案. 由于不同的IP可能由多个第三方供应商提供,而第三方供应商的可信度往往难以保证,在这种情况下,如何确保重要IP之间的安全数据通信是一个重要的研究课题. 本文按应用程序的需求构建NoC安全区,并对可能遭受攻击的安全区成员实施防护措施. 通过对成员间传输的数据进行认证加密来保证数据的安全,同时,在数据包路由过程中对其进行逐跳认证的方式实现对恶意节点的检测与定位. 对于定位到的恶意节点,本设计能通过部分自适应路由技术对其进行路由隔离,防止恶意节点再次危害数据安全. 在gem5仿真器的ruby内存模型的garnet框架上实现了该设计,并进行了功能和性能的验证. 实验结果表明,所提出的防护设计能够保证NoC数据传输的有效性和可靠性,同时对系统的性能影响较小.

DC/DC变换器高频化、大功率的发展使得功率开关电流和电压变化速率很大,从而导致供电系统电磁干扰愈发严重,这对EMI滤波器处理噪声的带宽和插入损耗提出了重大挑战. 有源EMI滤波技术采用噪声补偿的方案,避免了大尺寸电感、电容等器件的应用,有效降低尺寸和重量.采用反馈型电流采样电流补偿（Feedback Current-Sense Current-Compensation,FB-CSCC）的技术方案,研制了一款混合型有源EMI滤波器(Hybrid-Active EMI Filter,H-AEF). 与无源EMI滤波器(Passive EMI Filter, PEF)相比,在较高插入损耗的同时体积减小3倍；相比文献8中有源EMI滤波器系统增益提升了$ 40\mathrm{\%} $,相位余量提升$ 11\mathrm{\%} $；相比同增益下的传统有源EMI滤波器系统拓扑相位余量提升了7倍；200 kHz下共模插入损耗达到44.7 dB；并且与28 V母线电压DC/DC变换器匹配测试,传导噪声CE102满足标准要求.

传统的不对称半桥反激变换器(Asymmetrical half-bridge flyback converter,AHBFC)控制方法是采用互补PWM控制.在轻载时,由于其箝位管导通时间过长,初级侧具有很大的导通损耗和循环损耗,变换器效率较低. 为了解决轻载效率低问题,提出了一种基于TMS320F28335的数字化控制方法.采用非互补PWM控制,结合电感伏秒平衡关系设计控制算法预估励磁电流的过零点,变换器工作于断续模式,从而大幅降低了变压器初级侧的导通损耗和循环损耗；在主开关管开启前,引入辅助脉冲,使功率开关零电压开通(zero-voltage switching,ZVS),实现了开关损耗的降低. 分析了互补控制下轻载运行时的主要损耗,给出了所提控制方法的工作原理和设计流程,并将该方法应用于一台输入电压48 V,输出12 V/100 W的数字电源原理样机. 实验结果表明,在轻载下,采用提出的控制方法,变换器能够实现两个开关管的零电压开通,相较于传统互补的控制方法,转换效率提高了3%~11%,空载电流降低了37.5%.

通过MEMS工艺与0.18 um BCD工艺的深度融合,设计了一种基于片上变压器的两芯片集成式隔离DC-DC变换器.该隔离DC-DC变换器隔离耐压5 kVrms,输入电压为3 V-5.5 V,输出电压3.3 V/5 V,峰值效率和最大输出功率分别为29%和0.5 W,SOP-8封装,体积为7.67 mm*5.8 mm*1 mm. 采用随机跳频技术,通过5-bit跳频模块控制振荡器的谐振频率在145 MHz-195 MHz范围内随机切换,从而降低其电磁辐射,测试表明辐射峰值最大降低25 dBuV.