基于FPGA的AES加密算法功耗研究

AES(Advanced Encryption Standard)是美国国家标准技术研究所NIST旨在取代DES的21世纪的加密标准.详细介绍了AES加密的算法原理,实现了基于FPGA平台AES加密算法的设计与功能仿真.从静态和动态两方面分析了功耗的产生原因,研究了基于FPGA平台的AES加密算法降低功耗的问题,以及随着时钟频率的增加,系统功耗的变化趋势.算法模块占用逻辑资源少,加密效率高,并在保证安全性,和满足应用需求的前提下,实现了平衡数据处理速度和系统功耗这两个重要参数的目的.     

不同表面活性剂对铜互连阻挡层CMP一致性的影响北大核心CSCD

为实现铜互连阻挡层化学机械抛光的高平坦化,研究了阻挡层抛光液中表面活性剂的作用。在抛光液中分别添加非离子型表面活性剂异辛醇聚氧乙烯醚(JFC-E)、本课题组研发的Ⅱ型活性剂以及复合表面活性剂,研究其对阻挡层CMP中铜和正硅酸乙酯(TEOS)去除速率及一致性的影响。实验结果表明,表面活性剂不仅可以改善Cu和TEOS的去除速率一致性和晶圆全局一致性,还可以降低铜表面的粗糙度,通过复配两种不同的表面活性剂,可以提高Cu和TEOS的去除速率,使Cu和TEOS的剩余厚度片内非均匀性(WIWNU)分别降低至1.39%和1.38%,铜表面粗糙度从5.25 nm降至1.51 nm。基于实验结果,研究并提出了表面活性剂影响抛光液润湿性,从而改善片内非均匀性和铜表面质量的机理。     

指纹图像中心点提取算法

根据指纹图像的特点,分别在空间域和频域增强图像,并采用了一种复合滤波器对增强后的图像进行滤波处理,把指纹图像的局部信息和全局信息有机的结合起来,提出了一种指纹图像中心点的算法,为指纹图像的进一步处理提供了有利的工具.     

基于改进YOLOv5的红外车辆检测方法

红外图像可在低照度、恶劣天气等条件下工作，红外车辆检测技术旨在使用红外传感器来监测道路上的车辆，实现对车辆数量、车速等信息的收集与分析，该技术不仅可应用于路面车辆，还可应用于铁路、机场、港口等场景，为交通运输行业的安全和便捷提供了有效的技术支持。然而，由于红外图像成像原理的局限和外部环境的干扰，通常导致红外图像成像质量不理想，红外车辆检测仍然存在许多问题。文中提出了一种改进的YOLOv5模型，在YOLOv5的主干部分引入了混合注意力机制，使模型能够更好地关注研究者感兴趣的区域，抑制图像噪声的干扰。此外，在BiFPN基础上提出了一种改进的Z-BiFPN特征融合结构，融合更多的浅层信息，提高浅层信息利用率，并增加一个四分之一下采样的小目标检测层，同时将YOLOv5的检测头替换为解耦头来提升模型的检测能力。在自建的七类红外车辆数据集INFrared-417上进行了实验，验证了算法的有效可行性。与原始YOLOv5相比，m AP从81.1%提升到了85.3%。     

锁相环电路中压控振荡器的分析与设计

本文设计了一个应用于高频锁相环（PLL）系统的负阻LC压控振荡器,在传统LC压控振荡器基础上,通过采用二次谐波滤波技术降低了振荡器的相位噪声,并完成了电路的仿真。仿真结果表明,该压控振荡器的振荡频率在1．9—2．1GHz,其频率调节范围达到200MHz,并且在距中心频率1MHz处其相位噪声为-148．825dBc／Hz...     

单片机温度采集电路的设计与虚拟仿真

提出一种基于单片机并采用数字化单总线技术的温度采集系统设计方案,能够对被检测系统进行实时巡检并对测量结果进行存储和显示。同时针对该电路系统进行了虚拟仿真和性能分析并得到了很好的仿真结果。分析表明该单片机的温度采集系统的设计的具有合理性和有效性。     

基于轻量级深度神经网络的环境声音识别

针对传统卷积神经网络（CNN）模型存在大量冗余参数的问题,提出了两个基于SqueezeNet核心结构Fire模块的轻量级网络模型Fnet1和Fnet2。之后结合移动端分布式数据采集和处理的特点,在Fnet2模型基础上,依据Dempster-Shafer（D-S）证据理论将Fnet2与深度神经网络（DNN）融合,提出新的网络模型FnetDNN。首先,建立一个具有四层卷积层的神经网络Cent作为基准,以梅尔倒谱系数（MFCC）作为特征输入来对比分析Fnet1、Fnet2和Cent的网络结构特点、计算量、卷积核参数数量及识别准确率,结论是Fnet1仅使用Cnet参数数量的10.3%就可达到86.7%的分类准确率;然后,将MFCC与全局特征向量输入到FnetDNN模型中,使得该模型的识别准确率提高到了94.4%。实验结果表明,Fnet网络模型不仅可以压缩冗余参数,还可以与其他网络相融合,具备模型扩展能力。     

基于多头注意力机制的端到端语音情感识别

针对语音情感数据集规模小且数据维度高的特点,为解决传统循环神经网络（RNN）长程依赖消失和卷积神经网络（CNN）关注局部信息导致输入序列内部各帧之间潜在关系没有被充分挖掘的问题,提出一个基于多头注意力（MHA）和支持向量机（SVM）的神经网络MHA-SVM用于语音情感识别（SER）。首先将原始音频数据输入MHA网络来训练MHA的参数并得到MHA的分类结果;然后将原始音频数据再次输入到预训练好的MHA中用于提取特征;最后通过全连接层后使用SVM对得到的特征进行分类获得MHA-SVM的分类结果。充分评估MHA模块中头数和层数对实验结果的影响后,发现MHA-SVM在IEMOCAP数据集上的识别准确率最高达到69.6%。实验结果表明同基于RNN和CNN的模型相比,基于MHA机制的端到端模型更适合处理SER任务。     

从模糊图像中恢复集成电路版图技术

为将模糊的集成电路版图进行复原,探讨了Lucy-Richardson滤波、维纳滤波、拉格朗日乘法算子最小二乘方滤波方法.研究发现:噪声模糊图像进行复原时,Lucy-Richardson方法基本恢复不出集成电路版图,维纳滤波的去噪声明显但是图像清晰度不够,拉格朗日乘法算子最小二乘方滤波复原版图清晰;恢复清晰集成电路的版图可以用于集成电路的结构分析和集成电路失效机理诊断.