用于CMOS图像传感器的高速高精度斜坡ADC设计技术研究

针对CMOS图像传感器中传统的列级单斜式ADC在速度方面的不足和两步式ADC在斜坡间切换过程中的非线性问题,论文提出了一种基于时间共享与单区间的高速高精度列并行两步式斜坡ADC架构.采用像素电荷转移阶段的电位识别,实现了不消耗时间的粗量化;采用单区间高精度量化,解决了多斜坡之间的无缝衔接问题.所提出的方法在一款基于55 nm 1P4M工艺的2048×2048规模的CMOS图像传感器芯片中进行了有效性验证,结果表明,在12位分辨率下,该方法相较于传统的两步式结构,行时间可以压缩到500 ns,DNL和INL都可以控制到0.12LSB以内,单列功耗仅为16.5μW.     

基于多通道分离整合的多尺度单幅图像去雨算法

由于密度不同的雨对图像造成的遮挡不同,图像去雨一直都是一项极具挑战性的任务。目前,基于深度学习的图像去雨算法已经成为主流。然而,多数深度学习的架构都是通过堆叠卷积层来设计的,执行去雨任务后图像仍存在着大小不一的雨痕,这些方法并不能很好地关注训练中雨图的局部信息和上下文信息。为了解决上述问题,本文设计一种基于多通道分离整合的卷积神经网络用于图像去雨。第一步通过通道分离,再利用卷积层间的层级连接,构成多尺度模块,最终将不同通道的输出进行整合。该模块可以增大感受野,探索特征图之间的空间信息,更好地提取特征。第二步利用渐进网络来反复计算挖掘上下文信息,能够很好关联到全局特征。整体模型易于实施,可以端对端训练。在常用的数据集以及自建的自动驾驶雨天数据集上的大量实验表明,本文方法比现有方法取得了明显的改进。     

基于云模型与PROMETHEE方法的语言型Z-number多属性决策

针对属性权重未知,属性值为语言型Z-number的多属性决策问题,提出了一种基于云模型与丰富度评估的偏好排序组织方法（Preference ranking organization method for enrichment evaluation, PROMETHEE）的决策方法。首先,引入语言尺度函数,然后利用其建立转化模型完成语言型Z-number向云模型的转化。此外,通过定义云可能度函数,建立属性权重求解公式及构建正弦偏好函数,进而计算方案的优先指数,通过计算方案的正负方向优序级别值得到备选方案综合优序级别值,进而得到方案排序。最后通过算例及比较分析验证本方法的有效性和可行性。     

一种基于深度强化学习的Spark Streaming参数优化方法

Spark Streaming作为主流的开源分布式流分析框架,性能优化是目前的研究热点之一。在Spark Streaming性能优化中,业务场景下的配置参数优化是其性能提升的重要因素。在Spark Streaming系统中,可配置的参数有200多个,对参数调优人员的经验要求较高,未经优化的参数配置会影响流作业执行性能。因此,针对Spark Streaming的参数配置优化问题,提出一种基于深度强化学习的Spark Streaming参数优化方法（DQN-SSPO）,将Spark Streaming参数优化配置问题转化为深度强化学习模型训练中的最大回报获得问题,并提出权重状态空间转移方法来增加模型训练获得高反馈奖励的概率。在3种典型的流分析任务上进行实验,结果表明经参数优化后Spark Streaming上的流作业性能在总调度时间上平均缩减27.93%,在总处理时间上平均缩减42%。     

中继协同无人机辅助的认知无线电网络安全通信

针对中继协同无人机（UAV）辅助的无线通信网络,提出一种基于认知无线电网络（CRN）的物理层安全通信方案。利用二次发射机协同解码转发中继向目的接收机发送机密消息,将UAV用作移动干扰器发送干扰噪声,以降低窃听者的解码能力。在不影响主用户通信的前提下,通过联合优化UAV的飞行轨迹和发射功率提高系统的平均保密率,采用基于连续凸逼近的算法求解近似凸规划的保密率最大化问题。仿真结果表明,相较于优化功率和优化轨迹这两种传统方案,该方案能够进一步提高CRN系统通信的安全性。     

基于散列技术的多层关联规则算法的改进

为发现精准的关联规则,对多层关联规则问题进行研究,提出基于散列技术的Hash_Cumulate多层关联规则算法.通过对原有Cumulate算法进行分析,对Cumulate算法有较多冗余候选集影响算法运行时间的缺点进行改进,提出在产生候选2项集时判断其中两项的关系进行删减,将候选2项集映射到散列表中进行筛选,减少候选集数量,进而减少扫描事务集的时间,提高算法运行效率.通过对原Cumulate算法与Hash_Cumulate算法进行实验比较和实例分析,验证Hash_Cumulate算法具有较高的运行效率.     

基于联邦滤波的室内多传感器融合导航定位方法研究

针对室内多传感器融合导航定位问题,提出一种基于联邦滤波的INS/3D LASER/单目视觉融合的室内导航定位方法.该方法是通过联邦滤波将INS分别同3D LASER与单目视觉构成子滤波器,主滤波器根据最小方差准则,利用最优系数加权法融合各子滤波器的最优估计,从而获得全局最优融合结果.实验证明,该方法能有效提高室内导航定位的精度和鲁棒性,比传统的视觉里程计法或激光雷达里程表法更准确.     

小波包变换在火箭发动机脉动压力分析中的应用

在火箭发动机试验中,燃烧室脉动压力数据是考察推进剂燃烧状态的重要依据.通过对脉动压力数据特征分析,利用小波包变换多分辨分析的特点,以信噪比作为衡量标准,采用小波包自选阈值法对脉动压力数据进行去噪.通过与稳态参数数据的对比验证了去噪结果的准确性.采用Wicherhauser树状分解和Shannon信息熵基波选择标准等方法对脉动压力数据进行分频段分析.根据结果中各频段内的系数特征能够直观分析脉动压力在各频带中的能量分布.通过对脉动压力数据和相应振动测点数据的频谱分析,验证了分析结果的有效性.该方法在其他型号发动机和组合件试验脉动压力数据分析中有重要的应用和推广价值.     

在线哈希算法研究综述

在当前大规模数据检索任务中,学习型哈希方法能够学习紧凑的二进制编码,在节省存储空间的同时能快速地计算海明空间内的相似度,因此近似最近邻检索常使用哈希的方式来完善快速最近邻检索机制。对于目前大多数哈希方法都采用离线学习模型进行批处理训练,在大规模流数据的环境下无法适应可能出现的数据变化而使得检索效率降低的问题,提出在线哈希方法并学习适应性的哈希函数,从而在输入数据的过程中连续学习,并且能实时地应用于相似性检索。首先,阐释了学习型哈希的基本原理和实现在线哈希的内在要求;接着,从在线条件下流数据的读取模式、学习模式以及模型更新模式等角度介绍在线哈希不同的学习方式;而后,将在线学习算法分为六类：基于主-被动算法、基于矩阵分解技术、基于无监督聚类、基于相似性监督、基于互信息度量和基于码本监督,并且分析这些算法的优缺点及特点;最后,总结和讨论了在线哈希的发展方向。