针对遥感拍摄目标角度变化导致图像中的检测目标尺度多样且密集分布难以准确检测的问题，提出一种多元分支融合自注意力（Multi Branch Fusion Self-Attention,MFS）的遥感图像目标检测算法。该算法先设计由卷积和自注意力机制组成的多分支模块，形成特征提取网络，再建立针对小物体的第4个检测头，旨在融合不同尺度的特征。同时，利用DepGraph剪枝方法进行剪枝，降低参数规模使其轻量化。实验结果表明，所提算法在航拍图像（Dataset for Object deTection in Aerial Image,DOTA）数据集和NWPU VHR-10(Northwestern Polytechnical University Very High Resolution-10)数据集的平均准确率分别为77.7%和96.5%，优于同等参数规模的检测算法。特别是在剪枝后，参数规模仅有6.64M的情况下，所提算法对DOTA数据集检测精度可以保持在72.9%。
为了探究因效性脑网络中各脑区间信息流动的关系，提出一种基于社区间脑电信号的因果网络情绪识别方法。首先，对预处理后的脑电信号提取其时频域特征，利用基于部分定向相干（Partial Directed Coherence,PDC）方法构建因效性脑网络，并使用Infomap社区划分算法对脑网络进行社区划分。然后，以各社区间部分定向相干因果关系作为边特征，各社区加权平均微分熵作为点特征，构成图数据。最后，将图数据送入图卷积神经网络进行分类识别。实验结果表明，相比以往全通道因效性情绪识别方法，所提方法利用大脑局部之间的有向因效信息降低了计算复杂度，且保持了较高的情绪识别准确率。
针对煤矿井下复杂环境中第五代移动通信技术（5th-Generation Mobile Communication Technology,5G）网络覆盖性能优化的问题，提出一种基于深度强化学习的矿井5G优化方案。面向10km主运巷道场景，综合考虑巷道截面尺寸、壁面粗糙度、设备遮挡等多重传输损耗因素，建立融合视距/非视距路径损耗模型与粗糙度衰减因子的信号传播数学模型。将深度Q网络作为价值函数近似器的强化学习智能体，并通过基站部署与发射功率将在线优化转化为多目标决策问题，以最小基站数量实现覆盖率最大化。采用动态功率调整机制，以实时优化基站发射功率，从而适应局部信号衰减的突发变化。实验结果表明，该方案可以实现95%以上的覆盖率，相较于传统静态方案减少了28%基站部署，显著提升了井下5G网络覆盖性能，并能够降低部署成本与运行功耗。
针对物联网（Internet of Things,IoT）移动边缘计算（Mobile Edge Computing,MEC）网络中的频谱资源紧张、计算资源不足及信息传输易被窃听与篡改的问题，提出一种智能反射面（Intelligent Reflecting Surface,IRS）辅助多用户反向散射通信（Backscatter Communication,BC）技术安全卸载的感知MEC网络资源分配方案。通过融合认知无线电（Cognitive Radio,CR）、IRS与BC技术，构建以安全MEC网络吞吐量最大化为目标的优化问题，并采用基于块坐标下降（Block Coordinate Descent,BCD）、拉格朗日对偶及二次变换的方法进行联合优化求解。仿真结果表明，所提方案与随机IRS相位和随机波束成形两个方案相比，次用户可完成的任务量分别提升了约260%和178%，验证了其在复杂约束条件下的有效性与可行性。
针对变电站高压隔离开关受到机械磨损和电气量变化等因素的影响，可能出现分合闸状态异常的问题，提出变电站高压隔离开关分合异常状态原子搜索优化（Atom Search Optimization,ASO）识别算法。采用红外相机和可见光相机采集高压隔离开关的状态图像，并通过双边滤波和图像配准建立图像特征点之间的映射关系，联合加权平均方法实现图像决策级融合，结合图像质心像素邻域点的梯度大小和属性向量，确定最佳分割阈值，由此提取高压隔离开关特征区域。采用支持向量机算法构建异常状态识别模型，引入ASO算法求取模型参数，优化模型识别性能，并通过输入隔离开关特征区域像素值，识别隔离开关的分合异常状态。实验结果表明，所提算法识别结果的误判率低于2%，识别精度较高。
针对一类具有故障信号的连续非线性系统，提出一种基于迭代学习策略的故障估计算法。该算法主要是采用预测控制理论中的滚动优化思想。首先，当非线性系统受到有界状态干扰和量测干扰时，利用状态误差和输出残差构造故障跟踪估计器，并在迭代轴上增加相邻两个输出残差的差分信号，以此获得虚拟故障信号以逼近实际故障信号。其次，在λ范数的意义下，分析输出残差和故障估计误差的收敛性和复杂度，并通过Gronwall不等式对收敛性进行判断，给出一个使算法收敛的充分条件。最后，通过对常见故障函数的形式以及所提方法与P型算法的对比进行数值仿真，证明了所提算法的可行性和有效性。
为了改善在基于路径的忆阻逻辑计算框架中，将二元决策图（Binary Decision Diagrams,BDD）映射至忆阻交叉阵列时硬件开销过大的问题，提出一种基于BDD重排序优化的忆阻逻辑综合框架。该框架首创性地将自适应重启遗传算法（Adaptive Restart Genetic Algorithm,ARGA）用于BDD变量顺序优化，通过ARGA生成更适配忆阻交叉阵列的BDD结构，而ARGA中内置的自适应重启机制可保障BDD变量顺序优化的高效性，进而优化映射后阵列的行列数，有效减少硬件面积。对17个基准电路进行评估，实验结果表明，与改进前的忆阻逻辑框架相比，所提方法实现15%的阵列面积减少，并降低26%的运行能耗和12%的时延。且与COMPACT、CONTRA类型忆阻逻辑框架相比，运行能耗降低3～4个数量级，时延分别降低80%和97%。通过BDD结构与忆阻阵列映射约束的协同优化，为提升忆阻逻辑电路的综合效率提供了有效途径。
针对乳胶手套表面小目标和低对比度缺陷检测精度低的问题，提出一种改进YOLOv(You Only Look Once version)8n的乳胶手套表面缺陷检测算法。在特征提取网络中引入感受野注意力卷积模块，通过动态调整感受野内的空间特征权重，增强网络对缺陷特征的关注能力。基于多尺度卷积对C2f模块进行重设计，通过多尺度卷积核捕获浅层特征的上下文信息，提升网络对浅层特征的提取能力。最后，在特征融合网络中添加上下文和空间特征校准网络，通过特征校准实现对上下文信息和空间特征的细化与对齐，进一步增强缺陷特征的表达能力。实验结果表明，在自制数据集上，改进算法的平均精度均值（mean Average Precision,mAP）达到了93.2%，较YOLOv8n提升了3.1%，有效提高了乳胶手套表面缺陷检测精度。另外，在VisDrone2019Det和钢铁缺陷检测数据集上的mAP分别达到了36.1%和79.8%，较YOLOv8n分别提升了1.1%和2.7%，进一步验证了改进算法的有效性。
唤醒接收机（Wake-up Receiver,WuRX）是实现低功耗无线传感网络的关键模块之一。经典的以包络检波器（Envelop Detector,ED）为第一级的直接解调唤醒接收机，存在灵敏度较低的问题。为改善该问题，将WuRX中传统的单端ED拓展为单端转差分伪巴伦拓扑结构，提高ED的转换增益和输出信噪比；同时，基带电路采用低功耗全差分结构，提高对共模噪声的抑制能力，最终改善WuRX的灵敏度。此外，对内部电流源与时钟产生电路采取协同设计，通过共用支路降低了电流消耗。芯片基于65nm互补金属-氧化物-半导体工艺设计，载波频率为109MHz、数据率为33.3bps。仿真表明，设计的WuRX在漏检率小于0.1%和误报率小于1/hr的条件下，灵敏度达到-80dBm；与此同时，在0.4V低电源电压下，设计的WuRX整体功耗仅为5.9nW。与经典WuRX设计相比，本设计在保持较低功耗的情况下实现了较高的灵敏度。