摘要:针对传统的注入锁定分频器锁定范围较窄的问题，提出了一种用于毫米波锁相环的注入锁定分频器。基于55 nm CMOS工艺，设计了一种宽锁定范围的二分频注入锁定分频器。提出分布式差分注入的方式，增强注入电流与注入效率，采用高阶变压器作为谐振腔，在不使用调谐机制的条件下，有效增大了分频器的锁定范围。此外，还对传统buffer的结构进行改进，增强谐波抑制能力，保持了较宽的锁定范围。电路仿真结果表明，提出的分频器电路在0 dBm注入功率下可在22.8~36.3 GHz频段内完成二分频功能，达到45.7%的锁定范围，电路的功耗为3.54 mW（不含buffer）。

摘要:针对毫米波频段下有源巴伦输出端口间存在的幅度和相位失配问题，提出了一种新型幅度相位间接纠正技术。该技术利用共射共基结构将输入的幅度与相位误差进行平均分配和重组，同时将输入信号间的未知变量误差转化为内部纠正电路中的固有误差，从而实现对原误差的限制和间接纠正，继而产生一对新的理想差分输出信号。构建数学模型进行分析与推导，证实了该技术在理想情况下的可行性，并通过电路仿真对理论进行验证。仿真结果表明，该纠正电路3 dB带宽为96~113 GHz， 峰值增益为12.7 dB。在105 GHz频率下，对于幅度误差为0~10 dB，相位误差在10°~110°范围内变化的所有输入信号，输出信号间幅度误差均小于0.3 dB，相位误差均小于5.3°，电路总功耗为54 mW。

摘要:用传统的梅尔倒谱系数作为特征进行车辆识别时，识别效果易受噪声干扰。为增强特征鲁棒性，提出一种加权的基频自适应梅尔倒谱系数特征提取算法。首先用能熵比法对车辆声音信号进行端点检测；然后提取车辆信号的基频，自适应构建三角滤波器组，提高滤波器对基频的感知敏感度；最后对基频自适应梅尔倒谱系数进行F比加权。实验结果表明，与传统梅尔倒谱系数相比，在识别车辆时，加权的基频自适应梅尔倒谱系数识别准确率提高7.10%，虚警率降低3.93%，漏警率降低7.10%。

摘要:针对从含噪原始信号中提取位置以及速度信息，经典跟踪微分器存在不能很好兼顾相位滞后和噪声放大问题、参数多，调试复杂等不足。在跟踪微分器等效线性分析基础上，提出复合形式跟踪微分器，用于电容式位移传感器位置信号跟踪以及速度信号估计，通过MATLAB\\SIMULINK仿真以及实验平台测试，结果表明：在跟踪频率1 Hz、幅值1含噪声正弦信号中，复合跟踪微分器能光滑逼近原始位置信号，且能有效进行速度估计，相较于经典跟踪微分器，复合跟踪微分器跟踪相位滞后小0.03 rad，能更好兼顾跟踪信号相位滞后及速度信号噪声放大。

摘要:为了在步进电机控制领域探索灵活的控制和设计方案，针对第五代精简指令集RISC-V架构的开源创新，设计开发了用于步进电机控制的RISC-V微控制器。在现场可编程门阵列（FPGA）中实现了处理器、存储器、总线、外设及调试接口等模块，构建了可配置的微控制器平台。通过搭建仿真调试环境以及软硬件联合测试，验证了微控制器设计的正确性。在步进电机控制系统测试中，脉冲宽度调制模块产生控制脉冲，正交编码脉冲电路检测转子位置，硬件系统正常工作并且实验的相对误差保持在千分之一量级。

摘要:Fabric作为超级账本的核心项目，以其多通道的设计为用户提供更为隐私的交易空间，为了解决基于分布式架构下的多通道资源负载均衡问题，提出了基于NJW谱聚类的区块链即服务（BaaS）负载均衡调度算法SC-channel。该算法将平台子节点的数量作为划分类簇数量的依据，首先，基于通道采用peer之间的Jaccard系数构造相似矩阵；其次，计算拉普拉斯矩阵，求取前k个特征值和特征向量并将特征向量单位化；最后，用基于数量加权的k-means算法完成聚类。在Kubernetes平台上对这种方法进行验证，并与采用经典k-meansi的NJW算法默认调度算法下的资源负载均衡度做了比较分析。结果表明，采用基于谱聚类的BaaS资源负载均衡调度算法可提高资源利用的均衡程度，增强了平台的可用性与可靠性。

摘要:云数据中心对服务器的海量并发访问十分普遍。传统网络架构难以全局控制流量转发，需要配置昂贵的负载均衡器应对这一应用场景。软件定义网络SDN（software defined network）能够通过控制器全局掌控网络状态，并以交换机作为负载均衡器，从而降低部署成本。文中提出一种采用OpenFlow交换机的服务器负载均衡策略，通过多地址定向流表对服务请求进行分区映射，以活动连接数作为负载评估参数，通过蚁群算法求解最佳负载重定向方案。在负载迁移时，采用单地址定向流表来保证不同阶段流量的有序转发。实验结果显示，该策略能有效控制流表规模，并较传统均衡策略具有更优的性能。

摘要:无监督域自适应行人重识别在智能监控中发挥着重要作用，并引起了研究者的广泛关注。尽管目前的研究已经取得了较大进步，但不同数据集之间的域偏移问题给行人重识别带来极大挑战。研究发现，在连续时间里，同一摄像机视角下的行人图像具有相同的风格，如果将这种风格信息从行人图像中分离出去，将有效缓解由图像风格差异引起的域偏移问题。为此，提出一种低秩先验引导的域不变信息分离的字典学习方案。根据风格信息的低秩先验性，将行人图像特征中的风格信息和行人身份信息分离开来，根据同一身份行人属性的域不变性建立视觉特征与属性之间的联系，缓解域偏移所带来的影响，通过自训练策略来调整学习参数。实验表明，方法的性能在很多数据集上超过了传统的无监督域自适应行人重识别方法以及部分基于深度学习的无监督域自适应行人重识别方法。

摘要:交通流序列多为单步预测。为实现交通流序列的多步预测，提出一种基于编码器解码器（encoder-decoder， ED）框架的长短期记忆网络（long short-term memory， LSTM）模型，即ED LSTM模型。将自回归滑动平均、支持向量回归机、XGBOOST、循环神经网络、卷积神经网络、LSTM作为对照组进行实验验证。实验结果表明，当预测时间步长增加时，ED框架能够减缓模型性能的下降趋势，LSTM能够充分挖掘时间序列中的非线性关系。除此之外，在单变量输入的情况下，在PEMS-04数据集上，当预测时间步长为t+1到t+12的12个时间步时，ED LSTM模型的均方根误差（root mean squard error，RMSE）及平均绝对误差（mean absolute error，MAE）分别下降0.210~5.422、0.061~0.191。相较于单因素输入，多因素输入的ED LSTM模型在12个预测时间步长下，RMSE、MAE分别下降0.840、0.136。实验证明了ED LSTM模型能够有效地用于交通流序列的多步及单因素、多因素预测任务。

摘要:网络入侵检测一直以来都是网络安全中亟待解决的关键任务之一，传统网络入侵检测方法主要通过提取多维特征，采用机器学习方法构建检测模型，大多忽略了入侵行为的时间相关性。通过提取网络入侵行为的时序特征，设计基于降维特征的多头自注意力机制Transformer网络模型，以解决传统串行化时序神经网络模型不易收敛且时间开销较大的问题，通过选取最优的损失函数和训练参数进行并行化训练，实现网络入侵行为检测。实验结果表明，基于Transformer网络模型的网络入侵检测方法在多个数据集上均获得了99%以上的精度和检出率。

摘要:多路输出正激变换器结构简单，可靠性高，应用广泛，但是存在交叉调整率问题，为了从根本上改善多路输出正激变换器的交叉调整率问题，提出了一种目标平均电流控制策略。通过ARM-STM32（嵌入式单片机，Acorn RISC Machine - STMicroelectronics 32）采样各路输出端的实时电压和实时电流，得到实时负载，结合期望输出电压算出目标平均电流，根据目标平均电流和多路输出正激变换器的硬件参数计算出主路开关管和每一路副边整流开关管的导通时间，由程序自动控制各开关管的导通时间来实现各输出路的输出平均电流等于目标平均电流。实验结果表明，采用输出平均电流控制的多路输出正激变换器具有小于1.6%的交叉调整率，由该策略控制的多路输出正激变换器不仅可以实现低交叉调整率，而且具有较高的电压精度。

摘要:由于采集环境及仪器性能的限制，采集的地震信号中含有较强的随机噪声，对后续的处理和解释带来很大困难。多尺度几何分析近年来受到关注，在Shearlet变换域中引入非局部均值（NLM， non-local mean algorithm）算法对地震信号进行去噪，该算法首先对地震信号进行非下采样Shearlet变换，对近似服从广义高斯分布的Shearlet系数进行主成分分析（PCA， principal component analysis），然后采用非局部均值处理Shearlet系数，最后对新的Shearlet系数进行Shearlet反变换，得到去噪之后的地震信号。实验结果表明，文中算法在低噪声情况下能够获得优于非局部均值算法的去噪效果，对地震信号去噪具有可行性。