太空任务的蓬勃发展，极大地促进了航天应用对人工智能技术的需求.智能算法在航天器上的应用、助推航天器的智能化能力的提升，已成为目前航天领域的发展趋势.但目前航天器的智能算法计算能力仍然不足，严重制约了航天领域的智能化发展.针对典型的航天智能应用，分析了智能应用对计算能力的需求，并调研了航天智能计算领域的研究现状，针对目前智能计算技术对航天智能应用的支撑情况进行了归纳总结，在此基础上指出了航天领域中智能计算技术发展应走“计算芯片系列化、计算平台通用化、配套软件统一化”的道路，构建高能效的智能计算平台和完整丰富的航天智能基础生态.本文所提出的天基智能计算技术领域中待解决的关键技术及技术战略发展路线，对航天领域在智能化变革之际抓住机遇、推动新一轮航天产业革命有着重要的意义.

基于特征交互建模方法的点击率预测问题经广泛探索已经取得较大进展，它能缓解有效信息损失，但在一定程度上依赖于不同特征的共同出现，存在特征稀疏问题.因此，针对交互过程特征出现次数少不能高效学习特征表示的问题，提出了一个基于轻量图卷积增强嵌入层学习的点击率预测模型LGCDFM(LightGCN with DeepFM).在初始嵌入层采用分而治之的学习策略，提出图结构中区分不同类型节点，首先由同类型节点信息传播确保特征出现频率，再由高阶连通的不同类型节点间交互捕捉多跳邻居信息.轻量图卷积神经结构强大的特征提取和表示学习能力，且摒弃无益于交互的特征变换和非线性激活函数，成为处理简单用户-项目交互数据的协同过滤任务的优势，有效减轻特征稀疏性问题.最后，表示学习层应用点击率预测经典模型DeepFM端到端学习高阶和低阶特征组合，由隐向量从稀疏数据中学习，提升点击率预测任务性能.通过在Criteo、Avazu两个公开数据集上的实验表明，该模型在点击率预测和特征稀疏问题上的性能表现均优于现有方法.

关系抽取是信息抽取技术的重要环节，旨在从无结构的文本中抽取出实体之间的关系.目前基于深度学习的实体关系抽取已经取得了一定的成果，但其特征提取不够全面，在各项实验指标方面仍有较大的提升空间.实体关系抽取不同于其他自然语言分类和实体识别等任务，它主要依赖于句子和两个目标实体的信息.本文根据实体关系抽取的特点，提出了SEF-BERT关系抽取模型(Fusion Sentence-Entity Features and Bert Model).该模型以预训练BERT模型为基础，文本在经过BERT模型预训练之后，进一步提取语句特征和实体特征.然后对语句特征和实体特征进行融合处理，使融合特征向量能够同时具有语句和两个实体的特征，增强了模型对特征向量的处理能力.最后，分别使用通用领域数据集和医学领域数据集对该模型进行了训练和测试.实验结果表明，与其他已有模型相比，SEF-BERT模型在两个数据集上都有更好的表现.

快速准确的在海量网络数据中发现热点主题对于网络舆情监控具有重要作用.针对K-means算法对初始中心点选择敏感和全局搜索能力不足的问题，提出一种基于Hadoop的改进灰狼优化K-means的IGWO-KM算法.首先，该算法将灰狼优化算法和K-means算法相结合，利用灰狼优化算法收敛速度快和可全局寻优的优势为K-means搜索最佳聚类中心，减小随机选取初始中心点而导致的聚类结果不稳定性，以获取更好的聚类结果.其次，使用非线性收敛因子改进灰狼优化算法，协调算法的全局和局部的搜索能力.然后，引入正弦余弦算法并进行改进，增强灰狼优化算法的全局搜索能力，优化寻优精度和收敛速度，避免陷入局部最优.之后，使用近邻空间球减少K-means聚类过程中冗余的距离计算加快算法收敛.最后，利用Hadoop集群可批量处理数据的特性，实现算法的并行化.实验结果表明，IGWO-KM算法具有更好的寻优精度和稳定性，相比于GWO-KM算法和K-means，该算法在查准率、召回率和F值均有明显提高，且具有良好的收敛速度和拓展性.

为解决卷积神经网络(CNN)和循环神经网络(RNN)处理文本分类任务时，由于文本特征稀疏造成的关键特征信息丢失、模型性能不高和分类效果不佳等问题.提出一种基于多通道注意力机制的文本分类模型，首先利用字词融合的形式进行向量表示，然后利用CNN和BiLSTM提取文本的局部特征和上下文关联信息，接着以注意力机制对各通道的输出信息进行特征加权，凸显特征词在上下文信息的重要程度，最后将输出结果进行融合，并使用softmax计算文本类别概率.在数据集的对比实验结果表明，所提模型的分类效果更为优异.相较于单个通道的模型分类效果，F1值分别提升1.44%和1.16%，验证了所提模型在处理文本分类任务的有效性.该模型互补了CNN和BiLSTM提取特征的缺点，有效的缓解了CNN丢失词序信息和BiLSTM处理文本序列的梯度问题，能够有效地统筹文本的局部和全局特征，并进行关键信息凸显，从而获取更为全面的文本特征，因此适用于文本分类任务.

具有广泛工程应用背景的强非线性约束优化是最优化领域极为困难的科技问题，如何寻找快速有效的优化算法求解其全局最优化解，仍然是该问题研究的关键.为此，针对强非线性约束函数优化求解难的问题，融合果蝇视觉系统的信息处理机制与种群进化思想，提出一种基于状态矩阵转移的改进型果蝇视觉进化神经网络.模型设计中，将候选解视为状态，构建以状态作为元素的状态矩阵，进而将状态矩阵中各元素对应的目标值形成的灰度图视为输入；依据果蝇视觉系统的分层视觉信息处理特性，构建能有效处理约束条件的改进型果蝇视觉前馈神经网络，进而将其输出作为状态转移的全局学习率；依据鲸鱼捕食的行为特性建立转移状态的更新策略.由此，获得仅含两个可调参数且计算复杂度仅由输入灰度图分辨率确定的视觉进化神经网络.比较性的数值实验表明，此神经网络的寻优质量具有明显优势，对工程优化问题的解决具有重要参考价值.

问题生成是一项应用非常广泛的自然语言生成任务，现有的研究大多数是采用基于循环神经网络构建的序列到序列模型.由于循环神经网络自带的“长期依赖”问题，导致模型编码器在对输入语句建模表示时，无法有效地捕获到词语间的相互关系信息.此外，在解码阶段，模型解码器通常只利用编码器的单层输出或者顶层输出来计算全局注意力权重，无法充分利用从原始输入语句中提取到的语法语义信息.针对以上两个缺陷，现提出一种基于改进注意力机制的问题生成模型.该模型在编码器中加入了自注意力机制，用来获取输入词语间的相互关系信息，并且在解码器生成问题词语时，采用编码器的多层输出联合计算全局注意力权重，可以充分利用语法语义信息提高解码效果.利用SQuAD数据集对上述改进模型进行了实验，实验结果表明，改进模型在自动评估方法和人工评估方法中均优于基准模型，并且通过样例分析可以看出，改进模型生成的自然语言问题质量更高.

深度图像在自动驾驶、三维测量等领域发挥着越来越重要的作用，针对深度图像中空洞信息难以准确修复，填充速率较慢等问题，本文提出一种基于多通道颜色判别的深度图像空洞渐进式填充算法.首先根据深度图像和彩色图像设置筛选条件，对空洞点邻域内像素进行准确筛选，然后计算邻域内像素在空间域和值域下的双边权值并得到带有权重的二维填充模板，进行填充时将二维模板化简为两个互相垂直的一维模板以提高填充速度并采用渐进式填充方法对空洞进行填充.在公开数据集上对实验结果在主观视觉上进行定性对比分析，客观上通过均方根误差和峰值信噪比两个评价指标对本文算法处理效果进行准确分析.实验结果表明，本文方法能较好地保留物体的边界信息，有效防止填充后物体边缘模糊的现象，填充结果准确，填充速率得到优化.

覆盖问题是无线传感器网络(Wireless Sensor Network, WSN)设计中的首要问题，尽可能优化区域覆盖率是提升网络感知性能的直接手段.鉴于此，提出一种基于改良型麻雀搜索算法(Reformative Sparrow Search Algorithm, RSSA)的节点部署优化方案.首先，在算法搜索阶段，RSSA通过引入正余弦指引机制替换原算法位置更新模式，改善算法的遍历性；其次，利用Lévy随机步长特性为算法加入停滞扰动机制，使RSSA具备更强的抗局部极值能力；同时，采用更为契合实际的概率感知模型检测节点的覆盖状态，在迭代更新过程中对比替换更优节点集，从而获得区域覆盖率的提升.为验证改良算法的寻优效果，使用6组通用的基准函数对RSSA进行性能测试，并与三种不同算法进行对比，结果表明RSSA具有良好的优化性能.最后，将RSSA应用于两组WSN节点部署优化实例.对比不同文献中的覆盖优化算法，使用所提算法RSSA优化节点部署最高可取得99.99%的覆盖率，并且使区域内节点呈现均匀化分布，在保证较高覆盖率要求的同时使用了更少的节点，减少了节点冗余，降低了整体网络系统的部署成本.

目前知识图谱的推理方法中，表示学习尤其是基于翻译的TransE系列算法取得了优异表现.其相关论文大都关注实体推理，然而关系推理作为知识图谱补全的关键技术值得受到关注与研究.与此同时，在规模不断扩大、知识来源更加多样化的知识图谱中，关系种类繁多且类型复杂，单个关系在全体三元组中的出现频率进一步降低，这为关系推理增加了难度.因此针对多关系型知识图谱，基于TransE模型并侧重知识图谱三元组中关系的推理，提出一种新的关系建模方法，通过调整向量空间中实体向量与关系向量间的组织结构，缓解多映射属性关系中不同种类的关系争抢同一向量的问题.然后又与其他方法结合，使新的模型在实体推理上具备可行性.通过在公开的FB15k数据集以及自行从网络中抽取得到的中文数据集上展开的知识推理实验，从关系推理准确率与实体推理准确率等指标与相似方法进行对比，均取得了良好的表现，成功验证了算法的有效性与先进性.

随着深度学习的兴起和不断发展，视觉问答领域的研究取得了显著进展，当前较多视觉问答模型通过引入注意力机制和相关迭代操作来提取图像区域与高频疑问词对的相关性，但在获取图像与问题的空间语义关联方面的有效性较低，从而影响答案的准确性.为此，提出一种基于MobileNetV3网络及注意力特征融合的视觉问答模型，首先，为优化图像特征提取模块，引入MobileNetV3网络，并加入空间金字塔池化结构，在减少网络模型计算复杂度的同时保证模型准确率.此外，对输出分类器进行改进，将其中的特征融合方式使用基于注意力特征融合方式连接，提升问答的准确率.最后在公开数据集VQA 2.0上进行对比实验，结果表明文章所提模型与当前主流模型相比更具优越性.

随着“十四五”规划提出要保护和激励国内产生更多高价值专利，各类跨学科、跨领域的创新型专利申请量激增，专利自动分类方法辅助人工分类的需求日益增长.目前，中文专利分类主要由审查员根据提交的专利内容，与国际专利分类体系表进行人工匹配来确定所属分类，人工效率低.已有的专利自动分类方法主要从专利中提取文本结构特征和语义特征，将两种特征与国际专利分类体系表中的标签直接进行相似度匹配，没有考虑到国际专利分类表中分类标签解释文本的语义信息，容易导致分类模糊.为此，提出一种基于语义匹配的多标签多层级中文专利分类方法，将传统的文本分类问题转化为基于语义特征的文本匹配问题，以实现专利文本多标签多层级分类任务.通过从国际专利分类表中提取各标签各层级(部、大类、小类、大组和小组)的语义特征，同时从公开专利中提取文本语义特征，并将二者进行语义匹配，从而达到自动分类的目的.在同一数据集上的实验结果显示，该方法能够取得更好的效果.

RISC-V是近年提出的一种开源精简指令集架构，TileLink总线是专为RISC-V处理器设计的片上总线.为使RISC-V处理器灵活适配更多已有的AXI4 IP资源，提出一种高效率TileLink与AXI4总线桥设计方案，其中由一系列功能子模块匹配总线间数据传输方式的差异，以流水线传输形式实现数据跨协议的传输，增加总线桥的数据吞吐量.在实现总线桥不同通道间的转换时，采用不同的仲裁策略，在AXI4总线的响应转换过程中，采用固定优先级仲裁，优先转换数据响应，保证系统整体运行效率；在AXI4总线的写数据和读数据事务转换过程中，采用轮询仲裁，保证写数据和读数据的公平性，均衡分配目标通道带宽，提高总线带宽利用率和系统传输效率.从模块级用TileLink随机测试激励对总线桥进行仿真验证，并通过在RISC-V处理器上挂载AXI4接口PCI Express根复合体，从FPGA系统级进行验证，结果表明，设计的总线桥能够正确转换协议，并且能较大提高系统带宽利用率.总线桥在SMIC 55 nm CMOS工艺下进行了ASIC实现，工作频率达714 MHz，版图面积405×405 μm².

随着电子设计复杂度的持续增长，芯片的软件功能验证受到行业内越来越多的重视，业内采用传统测试方法和主流通用验证方法学(UVM)时，都是基于测试驱动的软件功能验证，导致验证环境内的组件具有较强的耦合性，在开展多重环境的软件功能验证时，需要花费大量的时间设计不同测试组件，不利于可重用性实现.本文提出了一种基于需求驱动的功能验证方法，利用需求之间存在的很多共性特点，提取了多重验证环境下的验证基础设施组件，创建出一种可集成化验证基础组件的参考库模型，利用需求驱动所有测试组件，做到了需求、激励、驱动、检测、被测件之间的100%隔离，创建出具有广泛使用的验证模式.新方法与UVM验证方法学相比，可重用性提升效果显著，具有组件独立、层次关系少、使用方便等特点，可满足不同需求和验证环境需要.举例对参考库的可重用性进行了有效性证明，最后对测试结果分析比较，表明新方法可以快速应用于多重环境的软件功能验证，提升工作效率.

为提升巡检机器人的导航避障能力，本文将深度学习技术应用于场景识别中，提出了一种基于道路场景理解的巡检机器人自主避障方法(Road Scene Understanding Net, RSUNet).该方法首先将多层卷积与LeakyReLU激活函数相结合，并以残差结构和金字塔上采样结构的方式，构建高精度道路场景理解网络；其次，设计自适应控制模块来对比前后两帧图像的深层特征信息，并根据特征差异大小自动控制后续网络层的特征计算，避免相似特征重复提取，保障网络效率；最后，将场景理解结果转化为巡检机器人前方不同区域的目标信息，通过分析机器人前方可行道路区域以及障碍物所处位置来指导巡检机器人实现导航避障.实验结果表明，所提方法有效的平衡了场景理解网络的识别精度与计算效率，同时，在实际变电站巡检机器人平台上，该方法也表现出较强的适应性，并能准确高效的为机器人提供场景信息，辅助机器人完成实时自主避障.

面向直接飞行时间测量的3D图像传感器应用，设计了一种具有快速上升/下降时间，输出电流脉冲可配置的阵列型VCSEL(Vertical Cavity Surface Emitting Laser)激光发射机.输出级采用直流耦合驱动电路结构，无需额外的偏置电压和分立元件；4 bit可编程均衡脉冲电路实现了不同高度或宽度的均衡电流，改善了激光驱动器输出电流的上升时间，提高了脉冲信号的完整性和飞行时间的计算精度；同时采用4 bit电流型数模转换器控制不同的输出电流，以实现不同的输出光功率；脉冲产生电路由多个延时单元、选择器和触发器构成，输出不同宽度的脉冲信号，实现了不同大小的平均电流.该电路基于CMOS 65nm工艺实现，电源电压为3.3V，后仿结果表明此发射机可以输出100~500 mA电流，在10 MHz脉冲频率时，脉冲信号实现1.09~17.38 ns可调，其上升时间为270 ps，下降时间为90 ps.均衡电路脉冲信号实现220ps~3.48ns可调，输出级最大输出电流的平均功率为0.15 W.