为消除通信系统中的码间串扰，提高频带利用率，常采用平方根升余弦滤波器来实现基带信号的成形滤波处理；为实现不同符号率的信号在通信系统中的高速率传输，常采用数字信号处理中的多速率变换技术提高数字信号的采样率。采用平方根升余弦滤波器及半带、CIC、Farrow滤波器级联，基于FPGA实现了一种多速率变换模块。该模块能够实现任意倍数的上采样变换，且通过在线重载升余弦滚降系数，及CIC滤波器、Farrow滤波器上采样倍数，有效节约了FPGA内部资源。在ISE平台采用Verilog编程及IP核调用实现了该SRRC滤波及多速率变换模块，并给出了ModelSim仿真波形及实验结果，验证了其升余弦滚降及变速率特性，有效消除了码间干扰，提高频带利用率。其实现方式简单、高效。

为更好地满足工程应用中低功耗、实时信号处理的需要，提出了一种基于开关电流电路的小波变换实现。研究了小波变换在时频两域的实现原理，采用开关电流电路实现冲激响应为高斯一阶导数的小波滤波器，通过调节时钟频率可实现不同尺度的小波变换，提出方法的有效性得到了仿真结果的验证。

为了满足提高MEMS传感器阵列的集成度和精度以及降低成本等需求，对高深宽比的体硅深槽刻蚀方法进行研究。在一种小尺寸、高集成度的MEMS传感器阵列的制造中，需要加工一种深宽比为25 μm/0.8 μm的隔离深槽，并且为了便于MEMS传感器和CMOS集成电路的集成，需要采用COMS工艺兼容的MEMS工艺。为此，采用了RIE、Bosch工艺以及RIE和Bosch工艺结合的3种方法进行深槽刻蚀工艺的探索，并最终采用RIE和Bosch工艺结合的方法获得槽侧壁非常光滑的深槽形貌。

能量收集认知传感器网络采用能量收集技术和认知无线电技术来解决节点能量的不足和频谱资源的匮乏，实现网络持续有效工作。然而，由于能量收集过程和可用频谱资源动态、随机变化的特征，该网络在网络资源管理方面面临着巨大的挑战。首先介绍了能量收集认知传感器网络产生的背景，然后对现有研究工作进行系统的归纳和总结，进而讨论现有的研究不足和可能解决方法及未来的研究方向。

图像着色的目标是为灰度图像的每一个像素分配颜色，它是图像处理领域的热点问题。以U-Net为主线网络，结合深度学习和卷积神经网络设计了一个全自动的着色网络模型。在该模型中，支线使用卷积神经网络SE-Inception-ResNet-v2作为高水平的特征提取器，提取图像的全局信息，同时在网络中使用PoLU(Power Linear Unit)函数替代线性整流函数(ReLU)。实验结果证明此着色网络模型能够对灰度图像进行有效的着色。

针对卷积神经网络(CNN)中空间上的指静脉信息丢失的问题，提出了一种基于胶囊网络(Capsule Network，CapsNets)的指静脉识别算法。CapsNets在整个学习过程中以“胶囊”的形式从底层传递至高层，如此以向量的形式封装指静脉的多维特征，特征会在网络中被保存，而不是丢失后进行恢复。采用60 000张图像作为训练集，10 000张图为测试集，通过对图像增强、裁剪后进行网络学习。通过实验表明，CapsNets的网络结构特征相比CNN在处理脊线区域时效果更加明显，对比VGG精确度增加了13.6%，loss值也收敛到0.01。

设计了一种基于深度学习的实时识别硬件系统框架。该系统框架使用Keras完成卷积神经网络模型的训练并提取出网络的参数，利用ZYNQ器件的FPGA+ARM软硬件协同的方式，使用ARM完成对实时图像数据的采集、预处理及显示，通过FPGA实现卷积神经网络的硬化并对图像进行识别，再将识别结果发送至上位机进行实时显示。系统框架采用MNIST和Fashion MNIST数据集作为网络模型硬化试验样本，实验结果表明，在一般场景下该系统框架能够实时、准确地完成图像数据的获取、显示及识别，并且具有可移植性高、处理速度快、功耗低的特点。

手写体数字的识别是人工智能识别系统中的重要组成部分。因个体手写数字的差异，现有识别系统准确率较低。基于TensorFlow深度学习框架完成手写体数字的识别及应用，首先建立TensorFlow深度学习框架，并分析了Softmax、卷积神经网络(CNN)模型结构，再对手写体数据集MNIST的60 000个样本进行深度学习，然后进行10 000个样本的测试对比，最后移植最优模型到Android平台进行应用。实测数据验证，相对于传统的Softmax模型，基于TensorFlow深度学习CNN模型识别率高达99.17%，提升了7.6%，为人工智能识别系统的发展提供了一定的科研价值。

为改善人体行为识别任务中准确率低的问题，提出了一种基于批归一化的卷积神经网络（CNN）与长短期记忆(LSTM)神经网络结合的神经网络。CNN部分引入批归一化思想，将输入网络的训练样本进行小批量归一化处理，经过全连接之后，送入长短期记忆神经网络中。该算法采用时空双流网络模型结构，视频数据的RGB图像作为空间流网络输入，光流场图像作为时间流网络输入，再将时空双流网络各自得到的识别结果进行加权融合得到最终的行为识别结果。实验结果表明，本文设计的时空双流神经网络算法在人体行为识别任务上具有较高的识别准确率。

针对传统电动汽车充电机低功率密度、低充电效率和输入电流谐波含量高等问题，采用了一种新的拓扑结构。前级采用两级交错并联Boost PFC电路，能有效提高前级变换器功率密度，降低输入电流的THD值；后级采用半桥LLC谐振电路，以提高后级变换器的功率密度以及充电效率。详细分析了两级交错并联Boost PFC和半桥LLC谐振变换器的工作原理，采用基波分析方法(First Harmonic Approximation，FHA)对LLC谐振网络进行了建模，并在此基础上确定了开关频率的范围及最优工作区间，仿真并实验验证了其数学模型和参数设计的正确性。最后，设计了一台输入电压范围为175 V～265 V，最大输出功率为1.5 kW的充电机，实验结果表明其前级变换器功率因数达到0.996，输入电流THD为4%，整机效率可达94%。

针对传统单相PWM整流器直接功率控制(Direct Power Control，DPC)存在系统动态响应慢、抗干扰能力差、频率不固定等问题，采用了一种电容储能的外环反馈控制和无差拍预测直接功率的内环控制方法。外环将电容储能作为反馈量，提高了系统动态响应速度和抗干扰能力。同时，内环采用自回归算法，解决了传统算法中延时补偿问题，简化了控制器设计。通过空间矢量调制算法(Space Vector Pulse Width Modulation，SVPWM)固定了开关频率。此外，该方法无需电压相位检测装置，降低了设计成本。最后对所提出的控制算法和传统电压外环直接功率控制分别进行了仿真分析，仿真结果验证了该算法的有效性。

紧凑型结构覆盖6GHz-40GHz，低VSWR，保证10M次操作 2018年9月17日，于英国滨海克拉克顿镇，作为电子测试和验证领域模块化信号

在多输入的分布式能源供电系统中,采用多输入直流变换器替代多个单输入直流变换器,不仅能够简化电路结构、降低系统成本，同时可提高分布式发电系统供电的可靠性。提出一种新型双输入Sepic直流变换器，该变换器具备结构简单、电压增益高、开关器件电压应力低，既可单独向负载供电,又可同时向负载供电等优点。分析双输入Sepic变换器的工作原理，给出变换器的输入/输出稳态关系式，最后通过MATLAB仿真验证了电路拓扑和理论分析的正确性。

针对VIENNA整流器需直流侧电压稳定且具有良好的动态性能和鲁棒性，提出一种基于内模控制和滑模变结构控制相结合的VIENNA整流器新型非线性控制策略。依据主电路拓扑建立VIENNA整流器的数学模型并设计了基于内模理论和滑模变结构理论的VIENNA整流器控制器。对此进行了仿真和实验验证，仿真和实验结果表明该控制策略能有效达到控制目的，具有鲁棒性强、动态响应速度快、有较强的抗干扰能力等特点。

现有单相并网逆变器滤波器设计方法仅考虑了滤波特性，未分析两个电感参数比率变化时滤波器性能变化，也未考虑开关频率对滤波器参数设计的限制，因此，滤波器未能达到最佳性能。首先建立μ（网侧电感与逆变侧电感的比值）、k（开关频率与谐振频率的比值）数学表达式，其次分析了μ、k参数变化与元件体积、储能、谐波衰减之间的变化关系，确定了μ、k参数取值范围，最终计算出最优的LCL滤波器的参数值。通过仿真分析可知，单相并网逆变器总谐波含量为2.02%，功率因数达到99.82%,且负载突变时能快速响应，达到了的动态平衡。