为解决波达方向（Direction Of Arrival，DOA）估计方法在阵元失效条件下性能下降甚至失效的问题，本文提出一种基于Toeplitz协方差矩阵重构的DOA估计方法.首先，提出了一种失效阵元检测方法，并根据阵列的鲁棒性将失效阵元分为冗余阵元失效和非冗余阵元失效两种情况.然后，分别针对两种失效场景提出相应DOA估计方法：一是冗余阵元失效，利用阵列冗余度，结合差联合阵列对失效阵元进行填充；二是非冗余阵元失效，利用阵列冗余度进行填充后仍存在空洞，结合矩阵填充理论，用迹范数代替秩范数进行凸松弛以恢复协方差矩阵，进而实现对虚拟阵元空洞的填充，恢复阵列自由度.相对于稀疏类算法，有效消除了模型失配的影响.最后，基于子空间方法进行DOA估计.理论和仿真结果表明，相对于现有方法，本文方法有效避免了阵元失效的影响，提高了估计精度.
端到端的驾驶决策是无人驾驶领域的研究热点.本文基于DDPG（Deep Deterministic Policy Gradient）的深度强化学习算法对连续型动作输出的端到端驾驶决策展开研究.首先建立基于DDPG算法的端到端决策控制模型，模型根据连续获取的感知信息（如车辆转角，车辆速度，道路距离等）作为输入状态，输出车辆驾驶动作（加速，刹车，转向）的连续型控制量.然后在TORCS（The Open Racing Car Simulator）平台下不同的行驶环境中进行训练并验证，结果表明该模型可以实现端到端的无人驾驶决策.最后与离散型动作输出的DQN（Deep Q-learning Network）模型进行对比分析，实验结果表明DDPG决策模型具有更优越的决策控制效果.
伴随电视频道的不断增加，推荐系统在直播电视领域应用成为研究热点.然而，直播电视独特的播放和收视方式使得传统的VOD（Video On Demand）推荐系统无法直接应用，已有的推荐频道的方法不关注正在播出的节目状态从而影响了推荐准确率，而推荐节目的方法难以应对节目冷启动.为此，本文提出了一种融合频道推荐和节目推荐的评分预测算法OFAP（Over the First by Adding Preference）.首先，利用聚类方法对每个用户实现差异性的收视时段划分，构建他们的频道-时段偏好矩阵和预推荐评分权重矩阵；其次，提出一个评分替代策略使得已有的推荐节目的算法能够应对节目冷启动，从而实现预推荐；最后，通过融合用户偏好、预推荐评分权重与预推荐结果，构建评分预测函数，将预推荐算法的评分预测结果作为评分预测函数的训练样本.实验表明，采用Precision@N和Recall@N作为评价标准，本文所提方法OFAP明显优于对比算法.
云接入网（Cloud Radio Access Network，C-RAN）中有限带宽的前程链路无法有效应对高铁场景下乘客大量集中式的网络资源请求.针对这一不足，本文对C-RAN架构中的射频拉远头（Remote Radio Head，RRH）配置缓存设备使其具有存储转发资源的功能，利用列车运行信息可预知的先验条件，针对乘客数据通信提出基于缓存机制的预下载方案以提升网络系统的吞吐量.仿真结果表明，在前程链路拥挤情况下，基于缓存的预下载方案可明显提升资源的平均传输速率和高铁通信网络的吞吐量，进而提升了乘客的在途通信服务质量（Quality of Service，QoS）.
代理重加密能够实现解密权限的转换，而鲁棒门限代理重加密（Threshold Proxy Re-Encryption，TPRE）不仅支持安全灵活的转化控制，而且支持转化密文的合法性验证.本文利用理想格上工具构造了一种TPRE方案，采用Shamir秘密共享实现门限控制，采用格上同态签名技术实现鲁棒性，可完全抗量子攻击.新方案与标准格上方案相比，密文尺寸小、密钥份额短、计算速度快；基于PRE和TPRE安全模型的差异，证明对TPRE的攻击多项式时间内可转化为对基础PRE方案的攻击，安全性可规约为R-LWE（Learning With Errors over Ring）困难假设；新方案适用于在去中心化环境中实现密文访问控制，可用于基于区块链网络的文件共享和多域网络快速互联等场景.
根据返回散射电离层回波特性，提出了基于Capon波束形成、对角加载以及加窗技术的返回散射回波DOA（Direction Of Arrival）估计的方法.利用"L"型短波二维天线接收阵列实现了返回散射电离层回波到达角的探测，获得频率-群路径-回波仰角电离图，收发站的直达波信号和准垂测信号的DOA估计结果验证了探测系统的准确性.
