基于5G 基站前向功率控制和波束赋形等关键技术，设计单用户情况下5G 基站电磁辐射测试方案。该方案根据电磁辐射功率密度随着距离平方减小的规律布点，可以在一定程度上提高宏基站测试效率。对本文所提监测方案进行现场实测，监测结果远小于国际非电离辐射防护委员会(ICNIRP)标准限值，表明5G 基站电磁辐射水平总体可控。利用高频结构仿真器(HFSS)设计5G 基站天线模型获取大规模多输入多输出(MIMO)天线阵方向图，基于实际场景电磁参数分析搭建场景，通过射线追踪算法对5G 基站的电磁辐射进行预测。预测与监测结果相比误差不大，证明预测方法可靠。

随着电子系统中逻辑和时钟频率的迅速提高以及信号边沿的不断变抖，串扰成为印刷电路板(PCB)设计人员必须关心的问题。高速电路仿真软件帮助设计人员降低了一定的设计成本，但对串扰的仿真预测仍需花费大量时间。为提高PCB 串扰预测的效率，提出一种用于描述PCB 的统一数据结构，全面分析了PCB 产生串扰的因素，选用自然语言处理(NLP)模型构建了用于PCB 串扰预测的系统，成功将PCB 串扰预测的时间降至秒级，并拥有73.2%的准确率。

为更好地表征 5G基站电磁辐射水平, 本文针对电磁辐射预测方法进行研究, 提出了一种基于广义回归神经网络 (GRNN)模型的基站电磁辐射环境表征方法, 对基站周围的理论最大辐射点接地平面处的瞬时宽带电场强度进行预测。在给定天线发射功率、5G基站与其理论最大辐射点的距离和数据传输时间的情况下, 利用 80%的数据作为训练集, 20%的数据作为测试集, 所得平均绝对百分比误差(MAPE)为 0.087 1, 运行时间为 3~5 min, 表现出较好的预测精确度和较快的运行速度。与其他模型进行对比, 预测精确度和求解效率大幅提高, 且随着基站周围区域面积增大, 优势愈发明显, 具有很好的场景适用性。

针对生物信号微弱、变化范围大等特点设计了一种用于检测微弱电流的全差分跨阻放大器(TIA)电路结构。不同于传统电路的单端输入, 该结构采用高增益的全差分两级放大器实现小信号输入及轨到轨输出。基于CSMC 0.18μm CMOS工艺, 采用1.8V电源电压对设计的电路进行了仿真, 仿真结果表明：TIA输入电流动态范围为100nA~10μA, 最大跨阻增益达到104.38dBΩ, -3dB带宽为4MHz, 等效输入噪声电流为1.26pA/Hz。对电路进行跨阻动态特性仿真表明, 在输入电流为100nA时, 输出电压的动态摆幅达到3.24mV, 功耗仅为250μW, 总谐波失真(THD)为-49.93dB。所设计的高增益、低功耗、宽输入动态范围TIA适用于生物医疗中极微小生物信号的采集, 可作为模块电路集成在便携设备中。

试验共采集我国北方不同区域、 不同生育期、 不同干燥方式的羊草干草150份, 利用近红外漫反射光谱(NIRS)技术,采用偏最小二乘回归算法(PLS),在国内首次建立了适配范围广的羊草干草的粗蛋白(CP)、 中性洗涤纤维(NDF)和酸性洗涤纤维(ADF)的校正模型, 并对模型的预测能力进行了验证。 结果表明, 所建模型的预测结果与常规化学分析得到的结果十分相近: 交互验证相关系数(Rcv)分别为0.963 7, 0.959 4和0.947 9, 交互验证误差(RSECV)分别为1.41%, 1.27%和1.27%; 外部验证相关系数为0.965, 0.956和0.953; 并且验证集样品的标准差与预测标准差之比均大于3.0。 由此可见, 近红外光谱技术可以准确预测羊草干草中的CP, NDF和ADF含量, 这对于快速测定我国羊草的品质、 准确筛选优质的育种材料均具有十分重要的意义。

针对水下图像对比度低、边缘模糊、噪声大等特点，提出一种基于非下采样Contourlet变换和多尺度Retinex的水下图像增强算法。将水下图像进行多尺度多方向的非下采样Contourlet变换;利用多尺度Retinex算法调整低频系数，提高图像整体对比度;在各带通方向子带上估计噪声，抑制模值小于阈值的系数，改进神经网络中的Sigmoid函数用于调节模值大于阈值的系数;经非下采样Contourlet逆变换得到增强图像。与几种传统增强算法相比，本算法处理的图像达到了抑制噪声、改善图像对比度、突出目标轮廓的目的，具有较高的对比度评估值。

针对红外图像普遍存在的信噪比低、目标与背景对比度低、图像边缘模糊、边缘检测难等特点，从人眼视觉仿生的角度，提出一种基于人眼微动机理的小波域红外图像边缘检测新方法。首先对红外图像进行静态小波分解，得到图像在小波域的系数矩阵。再对小波系数在水平、垂直、45°斜向、135°斜向共四个方向进行微动，生成小波域综合移动阵序列；计算移动阵序列与原小波系数的差值；引入竞争机制，得到小波域反映图像边缘信息的系数矩阵。最后，设定阈值进行阈值化、细化处理，根据图像静态小波域与空域的对应关系，检测出红外图像的边缘。实验结果表明，该算法在红外图像边缘检测准确性方面具有明显优势。

Curvelet变换用于图像去噪可以较好地保留图像的细节信息，但在边缘处会产生“划痕”现象。采用全变差法进行去噪能保持边缘形状不变，但也会丢失图像的纹理等细节信息。为了充分利用两种方法的优点，将Curvelet变换和全变差相结合提出了一种有效的图像去噪方法。首先，对含噪图像分别进行Curvelet阈值去噪和全变差去噪。然后，将两幅去噪图像进行Curvelet融合，对于低频系数和高频系数分别采用加权平均和绝对值取大的融合算法。最后，将融合后的低频系数和各尺度高频系数进行Curvelet反变换得到融合后的去噪图像。实验表明，该方法能有效地降低图像噪声，又尽可能地保留图像的细节，其去噪效果明显优于单一Curvelet阈值法和全变差法。

针对红外图像对比度低、噪声大等特点,提出一种基于Contourlet变换的红外图像非线性增强算法。Contourlet变换是一种有效的方向多尺度变换分析方法,能在任意尺度上实现任意方向的分解。首先采用Contourlet变换对图像进行多尺度、多方向分解,得到低频子带系数和各带通方向子带系数。引入非完全贝塔函数对低频子带系数进行处理,提升图像整体对比度;采用非线性增益函数对各带通方向子带系数进行处理,通过估计噪声水平设定阈值,抑制绝对值小于阈值的系数,增强大于阈值的系数。最后经Contourlet逆变换得到增强图像。实际实验结果表明,该方法可以有效地增强低对比度红外图像,无论是在视觉效果上还是在图像对比度评估值定量指标上均明显优于直方图均衡化、小波变换增强等方法,且能保持更多的图像轮廓特征,克服了这些方法对噪声增强过度和图像细节增强不足等缺点。

提出了一种新的基于多个小波基的图像融合去噪方法.首先利用多个不同的小波基对含噪图像进行阈值去噪,得到多幅恢复图像.然后对这些图像采用小波融合方法进行融合.对于低频系数采用基于边缘的融合算法,在多幅恢复图像中选择最有可能是边缘的点加以保留;对于高频系数,采用了平均的融合算法.最后得到一幅去噪图像.实验结果表明,无论是在视觉效果上还是在峰值信噪比定量指标上该方法去噪效果均明显优于单一小波基去噪.