摘要：基于电池剩余能量、节点相对运动及节点安全性能,以最大稳定链路数为测度,提出节点鲁棒度的概念,引入节点鲁棒度评估数学模型,设计一种基于鲁棒度的移动自组网入侵检测系统分簇方案。该方案考虑自组网中入侵检测系统的实际需求,仅有效扩展原HELLO消息。与同类算法相比,该方案能形成更安全稳定的簇结构,具有更低的通信开销和更高的运行效率。

摘要：采用无运放电路结构,通过改进反馈环路和调整电阻的方法,设计了一种低电压低功耗的带隙基准电压源。相比传统有运放结构,电路芯片面积更小和具有更低的电流损耗,并且大部分电流损耗都用于产生输出电压。基于CSMC 0.5μm CMOS工艺对所研制带隙基准电压源进行流片,测试结果表明,当电源电压大于0.85 V时,能够产生稳定的输出电压;在1 V电源电压下,-20～100°C温度范围内的温度系数为16.7×10-6/°C;当电源电压在0.86～2 V之间变化时,输出电压的偏差为1.46 mV,电源调整率为1.28 mV/V;1 V电源电压下电流损耗仅为2.4μA。

摘要：从信道重用的角度出发,设计出一种简单而有效的按需固定信道分配机制和路由的协议(CA-AODV-R)。该协议将信道分配放到路由层进行,通过在路由发现时的RREQ和RREP中携带信道信息来分配固定信道,避免了MAC层动态信道分配协议(如DCA等)需要频繁地调用信道分配算法的问题。CA-AODV-R使用的固定信道分配算法为把数据信道按编号从小到大排列后按每3个划分为一个小组,同一条路由发现路径上的后继节点分配固定信道时优先在其前驱节点的固定信道所在小组内选择空闲信道。仿真结果表明,CA-AODV-R协议相对于单信道AODV能够大幅度提高网络吞吐量和分组投递率并降低网络的端到端时延。

摘要：针对现有的AXI4主机转换接口只能工作在半双工模式且不能同时发起多次传输申请的问题,提出一种支持流水传输的AXI4主机转换接口设计方案。加入地址信息存储模块,允许转换接口在主机当前传输操作未结束时对新申请的地址信息进行存储,并于总线允许发送下一个地址数据时把存储模块中的地址信息发送到总线上,同时采用读写分离的状态机进行设计,使转换接口全双工工作且支持流水传输。仿真结果表明,当主机需要进行2次4个数据的连续读传输及1次8个数据的连续写传输时,该方案设计的转换接口比半双工转换接口节省16个时钟周期,能有效减少传输耗费时间,保证数据传输的正确性。

摘要：现有10G以太网中的循环冗余校验(CRC)编译码器不能同时兼顾计算速度与资源占用,为此,设计一种新型的10G以太网并行CRC编译码器。编码时,通过编码预处理解决不定长字节带来的CRC编码问题,简化CRC编码电路的设计。译码时,通过译码预处理分离出以太网帧的帧校验序列(FCS)域,恢复编码预处理模块输出的数据,简化CRC校验电路的设计。在实现CRC编码校验时对传统的异或运算电路进行优化,降低运算电路门延时,提高运算速度,并能自动切换CRC编码校验方法以兼容现有以太网。实验结果表明,与其他3种方法相比,该方法占用逻辑资源少,计算速度快,可实现实时性输出,同时满足10G以太网156.25 MHz的时序要求。

摘要：深度神经网络存在目标检测速度慢、参数量大的问题,不适用于算力有限但速度要求较高的移动应用场景。为了提高目标检测的推理速度,有效权衡目标检测任务的精度与速度,文中提出了一种融合多尺度空洞卷积与反卷积的轻量化目标检测网络MDDNet。首先,基于高效的单阶段多目标检测策略设计了轻量的目标检测基础网络,并引入深度可分离卷积,以进一步减少基础网络的参数量,加快图像特征提取的速度;然后在主干网络中添加两条基于多尺度空洞卷积的特征扩展旁路,分别连接在基础网络的最末端和次末端残差层的输出端,将两条旁路的特征输出到预测层进行特征融合,以增强较低层特征图的纹理特征;并且进一步引入了多尺度反卷积模块,连接于深层特征网络层,以增大特征图尺寸,再融合具有不同尺度的上一层的浅层特征图,以获得更多的特征语义信息和细节信息,提高检测精度;最后在预测层基于K均值算法优化先验框参数,使其与目标真实框更匹配,提高目标识别的准确率。实验结果表明:MDDNet的参数量约为7.21×10^(6),平均检测精度在KITTI、Pascal VOC数据集上分别为58.7%、76.0%,推理速度在两个数据集上分别达到55和52 f/s。因此,MDDNet在参数量、检测速度和检测精度上达到了较佳的平衡,可适用于移动端的实时目标检测。

摘要：针对混杂物体散乱堆叠下的机器人抓取场景,使用固定视角相机的视觉抓取存在成功率低的问题,提出一种基于深度强化学习框架的眼-手随动相机视角选择策略,令机器人能够自主地学习如何选择合适的末端相机位姿,以提高机器人视觉抓取的准确率和速度。首先,面向机器人主动视觉抓取任务建立马尔科夫决策过程模型,将视角选择问题转化为对视角价值函数的求解问题。使用编码解码器结构的反卷积网络近似视角动作价值函数,并基于深度Q网络框架进行强化学习训练。然后,针对训练过程中存在的稀疏奖励问题,提出一种新的视角经验增强算法,分别对抓取成功和抓取失败的过程设计不同的增强方式,将奖励区域从单一点拓展到圆形区域,提高了视角动作价值函数近似网络的收敛速度。先期实验部署在仿真平台中,通过搭建机器人模型及仿真抓取环境实施离线强化学习训练。过程中,使用提出的视角经验增强算法可以有效提高样本利用率,加快训练的收敛速度。基于所提出的视角经验增强算法,视角动作价值函数近似网络在2 h以内可达到收敛。为验证所提视角选择策略的实际应用效果,将视角经验增强算法实施在真实场景下的机器人主动视觉抓取实验中。实验结果表明,采用该策略进行的视角优化有效提高了机器人的抓取准确率和抓取速度。相较其他方法,所提出的视角选择策略在实际机器人抓取中只需进行一次视角选择即可获得抓取成功率高的区域,进一步提高了最佳视角选择的处理效率。相对于单视角方法,混杂场景的抓取成功率提升22.8%,每小时平均抓取个数达到294个,具备了进入工业应用的可行性。

摘要：针对传统布里渊光时域分析(BOTDA)技术测量速度慢的问题,提出并设计了一个基于相干检测数字光频梳(DOFC)的快速BOTDA传感系统。利用相干检测DOFC,在不扫频的情况下重构传感所需的布里渊增益谱(BGS)和相位谱(BPS);结合BGS和BPS,传感光纤的布里渊频移分布可在不作任何平均处理的情况下快速获得,极大地缩短了BOTDA传感系统的响应时间。实验测试可知,传感系统在10km传感光纤上的响应时间为0.1ms,其温度和应变的探测精度分别达到了1.6℃和44με,相应的温度和应力测量最大偏差分别为0.3℃和小于10με。实验结果表明,基于相干检测DOFC的BOTDA传感系统可快速实现温度和应力的长距离、高精度传感。

摘要：针对DBSCAN算法聚类参数敏感不易获取、参数固定无法适应密度不均匀数据等问题。提出了动态近邻的概念,即聚类参数随密度动态变化。设计了用于调整动态参数的近邻规模演化算法,即通过限制相对密度变化率,逐步调整近邻规模。最后根据动态的近邻规模,重新定义了DBSCAN算法核心对象的概念,并设计了基于动态近邻的DN-DBSCAN算法。仿真结果表明,DN-DBSCAN能够有效识别非凸及密度分布不均匀的数据样本,聚类效果优于传统DBSCAN算法和其他经典改进算法。

摘要：目前的入侵检测系统缺乏从先前所观察到的进攻进行概括并检测已知攻击的细微变化 的能力。描述了一种基于最小二乘估计(LS)模型的入侵检测算法,该算法利用神经网络的特点,具 有从先前观测到的行为进行概括进而判断将来可能发生的行为的能力。提出了一种在异常检测中用 反馈神经网络构建程序行为的特征轮廓的思想,给出了神经网络算法的选择和应用神经网络的设计 方案。实验表明在异常检测中利用反馈神经网络构建程序行为的特征轮廓,能够提高检测系统对偶 然事件和入侵变异的自适应性和异常检测的速度。