WIA-PA （Wireless Networks for Industrial Automation-Process Automation）是我国自主制定的工业无线传感器网络标准，确定性调度技术是其中一项关键技术.但目前已有的确定性调度算法主要集中在通用传感器网络或WirelessHART，ISA100.11a等遵循国外标准的工业无线传感器网络中，未能针对WIA-PA网络进行优化设计.鉴于此，本文提出了一种适用于WIA-PA网络的基于回溯法的最优确定性调度算法，能够获取调度解的最大成功率；并以此为基础，进一步提出了一种基于最小时间裕度优先的时分多址调度算法（Least Slack First on Time Division Multiple Access，LSF-TDMA）.仿真实验结果表明，所提出的LSF-TDMA算法能够满足WIA-PA网络端到端数据传输的确定性需求，在调度解获取成功率接近于最优的同时，有效降低了算法复杂度.
为提高无线传感器网络（WSNs）链路质量预测精度和降低噪声影响，提出了一种联合改进核FCM与智能优化SVR （improved kernel furry c-means and intelligent support vector regression，IKFCM-ISVR）的WSNs链路质量预测方案.首先将基于紧致度和离散度的有效性指数引入核FCM方法，实现样本集聚类个数自动划分；然后采用改进核FCM方法对链路质量样本数据进行处理，获得样本聚类隶属度；在此基础上，构建群居蜘蛛优化SVR预测模型，采用基于"动态折射"学习机制的群集蜘蛛对模型参数进行优化，得到不同聚类最佳SVR参数组合；最后采用IKFCM-ISVR算法对不同实验场景下的WSNs链路数据进行预测评估.仿真结果表明，同其它预测算法相比，该算法预测精度提高了36.8~68.4%.
针对当前监督学习算法在流形数据集上分类性能的缺陷，如分类精度低且稀疏性有限，本文在稀疏贝叶斯方法和流行正则化框架的基础上，提出一种稀疏流形学习算法（Manifold Learning Based on Sparse Bayesian Approach，MLSBA）.该算法是对稀疏贝叶斯模型的扩展，通过在模型的权值上定义稀疏流形先验，有效利用了样本数据的流形信息，提高了算法的分类准确率.在多种数据集上进行实验，结果表明：MLSBA不仅在流形数据集上取得良好的分类性能，而且在非流形数据集上效果也比较好；同时算法在两类数据集上均具有良好的稀疏性能.
城市交通拥堵日益严重，高效的路径导航方法一直是当前研究的热点和缓解拥堵的主要途径.现有的研究成果主要集中在对单个车辆行驶时间的路径寻优和小规模路网的多车辆均衡化的路径导航，没有实现大规模多车辆多路径的实时动态路径导航.当前研究主要存在以下局限：（1）导航方案评价指标单一，不能充分表示导航方案的优劣；（2）无法实现大规模路网的实时导航.针对这些问题，本文提出一种城市交通路网实时动态多路口路径导航量子搜索方法（A Route Guidance Method based on Quantum Searching for Real-time Dynamic Multi-intersections in Urban Traffic Networks，RGQS），该方法充分考虑各种因素，实时提供大规模路网的路径导航.本文的实验分别在人工路网和真实路网中验证了RGQS方法相比于对比算法可以使行驶时间减少达到20%.
在继承综合学习粒子群算法（Comprehensive Learning Particle Swarm Optimizer，CLPSO）全局探索优势的基础上，引入具有高效收敛性能的传统局部搜索（Orthodox Local Search，OLS）方法，提出了基于拟熵自适应启动局部搜索策略的混合粒子群算法（Hybrid Particle Swarm Optimization algorithm with Adaptive starting strategy of Local Search based on Quasi-Entropy，ALSQE-HPSO）.采用拟熵指标解决何时启动OLS这一关键问题.对8个标准函数的10维和20维问题的测试结果，表明了ALSQE-HPSO算法的性能优势.本文提出的算法也与包含两种基于CLPSO的改进算法和一种带OLS的粒子群算法在内的其他6种改进粒子群算法进行了对比，实验结果表明ALSQE-HPSO算法的性能优于对比算法.
稀疏多元逻辑回归（SMLR）是高光谱监督分类中的重要方法，然而仅仅利用光谱信息的SMLR忽略了影像本身的空间特征，在少量监督样本下的分类精度和算法的鲁棒性仍明显不足；虽然通过引入核技巧，核稀疏多元逻辑回归（KSMLR）可以部分克服上述缺点，其分类错误仍然有待进一步降低.本文基于核稀疏多元逻辑回归分类误差的统计建模分析，提出一种联合核稀疏多元逻辑回归和正则化错误剔除的高光谱图像分类模型.提出的模型通过引入隐概率场，采取L1范数度量KSMLR分类误差的重尾特性建立数据保真项；利用全变差（Total Variation，TV）正则化度量隐概率场的局部空间光滑性.由Indian Pines和University of Pavia数据集等实测数据应用表明，该方法可以得到更鲁棒和更高的分类精度.
基于统计判决的关联决策是当前多雷达数据关联的一个有效途径.然而，在采用该方法对高超声速目标数据关联的问题进行研究时，却会出现随着雷达测量精度的提高，不同雷达数据关联的正确关联概率反而下降这一现象.针对这一情况，首先，利用线性调频（linear frequency modulated，LFM）雷达合理构建了基于统计判决的高超声速目标数据关联模型；接着，在现有的统计判决机制下，进一步分析了目标高超声速运动对多LFM雷达数据关联的影响，并得出了其关联判决函数（服从非中心卡方分布）与现有的关联判决门限（服从卡方分布）相矛盾的结论；最后，结合统计学的原理，通过对目标非中心统计参量的有效求解，合理解释了上述奇怪现象的出现.仿真结果表明，在目标高超声速运动的条件下，上述奇怪现象的出现是合理的.
