处理器片上寄存器的分布形态与数量规模对处理器的整体计算性能有直接影响，这种影响表面上看是波及处理器片上缓存结构的改进和优化，本质上是时间要素与空间要素交织在一起的综合反映.因此，从时间和空间上确保处理器内核对片上缓存的局部化访问必将进一步提高处理器的整体计算性能.为了认识处理器片上缓存中存在的时间与空间及时局部性，以由传统缓存耦合而成的渗透缓存为工具来分析处理器内核访问片上缓存的时间与空间局部性，仿真实验表明渗透缓存因具备容纳时间与空间局部性的结构提高了处理器访问片上缓存的命中率，客观上缩短访存延迟，从而为提高处理器性能创造了有利条件.

物联网的快速发展催生了大量新型的应用模式和互联生态，推动了产业数字化和智能化发展.物联网通过连接传感器、可穿戴设备、智能表计等低数据率、低功耗终端，赋予大量普通设备计算和联网的能力.随着应用场景和系统规模的扩展，传统无线技术难以适应物联网大规模、低功耗、远距离的设备组网要求.如何降低设备接入门槛、实现设备低功耗远距离连接，是当前物联网面临的重要挑战.LoRa作为一种代表性的低功耗广域网技术，有效解决了低功耗设备远距离连接问题，已成为物联网的核心支撑技术.然而LoRa在规模化应用中仍面临以下三方面重要挑战：（1）大规模连接场景高并发传输导致信号冲突，设备并发接入困难；（2）远距离无线链路信号衰减剧烈，弱信号可靠传输困难；（3）物联网共享信道异构协议干扰问题突出，广域异构共存困难.本文概述了现阶段低功耗广域物联网技术研究进展，重点阐述现有技术在实际应用场景中面临的三方面研究挑战及对应的技术方案.针对高并发冲突问题，现有研究提出冲突避免和并发解码方法；针对弱信号问题，现有研究在弱信号增强传输和接收端解码优化两个方面展开探索；针对异构协议竞争问题，现有研究设计了多种设计跨协议通信机制.本文综述了LoRa低功耗广域网最新相关研究，分析现有工作的创新点和局限性，并指出了低功耗广域网未来研究和发展的方向.

冻雨作为一种常见的灾害性天气，常导致高压输电线路积冰，当积冰达到一定的厚度后，覆冰的脱落会引发导地线间的闪络，进而导致城市电力供应大面积中断.在冻雨频发区域，故障线路相较于正常线路而言，呈现出导线位移和张力变化较大的显著特征.这些新的特征对现有监测方案提出了更高的要求，为此，本文提出一种基于无线位姿传感器的冻雨区输电线路监测方法.首先分析了无线位姿传感器的优势，开发对应的上位机，设计了一种将传感器安装在直线塔悬垂绝缘子串上，利用测量的倾角结合串长计算实时档距的方案；其次，算法解决实时线长难以测量的问题，并结合实时档距和实时线长得到导线动态张力提出一种基于导线弹性变形的输电线路监测算法，依据相似准则搭建四塔三线输电线路缩比实验平台，验证模型的有效性.结果表明：该方法可以有效利用位姿传感器的实时数据实现对线路张力和位移进行实时精准监测，为电力系统的安全稳定运行提供了有力的技术支撑.

城市数字化程度提升产生了大量数据，通过对交通流数据和天气数据的整合分析，能有效缓解各种天气状况下产生的城市交通拥堵.而现有交通流预测算法，未能充分考虑交通流中潜在的空间关系，且忽略了天气等外部因素造成的预测误差，极大地影响了预测的准确性.针对上述问题，本文提出了基于双图卷积机制的数字孪生交通流预测方法（Two-graph Convolution Mechanism-based Digital Twin Flow Prediction，TCM-DTFP）.该算法将交通流数据与天气特征相结合，构建了融合交通流特征与天气特征的增广矩阵，提出基于TCN（Temporal Convolutional Networks）的双图卷积机制，算法综合考虑了交通中时间相关性、空间相关性与区域流量间的动态相互作用对交通流的影响，同时避免了复杂天气状况对交通流预测的影响，提高了算法的鲁棒性.最后基于TaxiBJ和PeMSD4真实数据集进行的大量实验表明了本文方法的有效性.

基于密度的聚类是一种经典的聚类分析方法，它能够在不指定类簇数目的情况下发现非球形类簇.但真实复杂数据集中存在类簇边界模糊、数据密度不均、数据分布复杂等问题.当前，能够同时应对这三种问题的研究工作相对较少.对此，本文从自然世界的侵蚀现象中汲取灵感，提出侵蚀聚类（erosion clustering）算法，简称EC.本算法引入动态密度估计方法和侵蚀策略，逐层识别和剔除位于类簇边界上的数据，进而发现各个类簇潜在的核心区域；采用基于互可达图的聚类方法实现核心区域的聚类；设计基于局部密度峰值的分配方式完成边界数据的划分.在12个基准数据集上的实验结果表明，EC算法的聚类性能比8种对比算法分别在修正兰德指标、修正互信息、F ₁分数上平均提高了40个百分点、27个百分点和24个百分点.

甲骨文识别对于了解中国历史和传承中华文化都有重要的价值.目前，人工识别甲骨文需要具备丰富的专家经验并耗费大量的时间，而自动识别甲骨文的方法绝大部分受制于闭集假设，在甲骨文这种陆续发现新字符的现实场景下适用范围受限.为此，有研究者提出零样本甲骨文字符识别，其从视觉匹配的角度出发，将字模图像作为字符类别参考，通过拓片图像与字模图像的相似度匹配实现拓片图像的字符识别，然而其忽略了甲骨文拓片图像样本类内方差大的难点，仍存在因字形多变而容易匹配错误的不足.本文提出了一种两阶段的语义增强零样本甲骨文字符识别方法.第一阶段为域无关的字符语义学习阶段，通过提示学习从甲骨文拓片和字模图像中提取字符语义，解决甲骨文字符缺乏语义的问题.为应对拓片与字模之间的域差异，我们分别设置可学习的域提示信息和字符类别提示信息，通过解耦两者的语义实现更准确的特征提取.第二阶段为语义增强的字符图像视觉匹配阶段，模型通过两个分支分别提取类内共享特征和类间差异特征.第一个分支使用对比学习，将同一字符类别的不同字形视觉特征对齐到字符语义，引导模型关注类内共享特征；第二个分支使用损失函数N-Pair，增强模型对不同字符类别间差异特征的学习.在测试阶段，模型无须语义特征，通过训练中学到的类内相似性和类间差异性特征，实现更准确的拓片与字模匹配，提升零样本识别性能.我们在拓片数据集OBC306和字模数据集SOC5519上进行实验验证，实验结果表明，本文提出的方法在零样本甲骨文识别准确率比基准方法性能提升超过25%.

光场图像作为一种能够捕获场景每个位置光线信息的图像类型，在电子成像、医学影像和虚拟现实等领域具有广泛的应用前景.光场图像质量评估（Light Field Image Quality Assessment，LFIQA）旨在衡量此类图像的质量，但当前方法面临视觉效果与文本模态间异构性的重要挑战.为解决上述问题，本文提出了一种基于文本-视觉的多模态光场图像质量评估模型.具体来说，在视觉模态方面，我们设计了多任务模型，结合边缘自动阈值算法有效丰富了光场图像的关键表示特征.在文本模态方面，基于输入噪声特征与预测噪声特征的对比，准确识别光场图像的噪声类别，并验证了噪声预测对优化视觉表示的重要性.基于上述研究，进一步提出了一种优化的通用噪声文本配置方法，并结合边缘增强策略，显著提升了基线模型在光场图像质量评估中的准确性和泛化能力.此外，通过消融实验，评估了各组件对整体模型性能的贡献，验证了本文方法的有效性和稳健性.实验结果表明，该方法不仅在公开数据集Win5-LID和NBU-LF1.0的实验中表现出色，还在融合数据集中展示出优秀的实验结果，与现有最优算法相比，本文所提方法在两个数据库中的性能分别提升了2%和6%.本文提出的噪声验证策略和配置方法不仅为图像质量评估中的噪声预测任务提供了有价值的参考，也可用于其它噪声预测类型的辅助任务.

稀疏卷积在处理激光雷达点云单目标跟踪时的潜力尚未得到充分发掘.目前，绝大多数点云跟踪算法使用基于球邻域的骨干网络，其显存计算资源占用大并且目标感知的关系建模不充分.针对此问题，本文提出一种基于稀疏卷积结构的LiDAR点云跟踪算法，并创新性地融合了空间点与体素双通道的关系建模模块，以高效适应稀疏框架下目标判别信息的嵌入.首先，本文采用3D稀疏卷积残差网络来分别提取模板和搜索区域的特征，并利用反卷积来获取逐点特征来保证跟踪任务中对空间位置特性的要求.其次，关系建模模块进一步在模板与搜索区域特征之间计算相似度语义查询表.为了捕捉到模板与搜索区域间细粒度的关联性，该模块一方面在空间点通道中利用近邻算法找出每个搜索区域点的模板近邻点，并根据语义查询表提取对应特征；另一方面，在体素通道中以每个搜索区域点为中心构建局部多尺度体素，并根据落入体素单元的模板点索引计算语义查询表中值的累计和.最后，将双通道的特征融合并送入基于鸟瞰图的候选包围盒生成模块来回归目标包围盒.为了验证所提出方法的优越性，本文在KITTI和NuScenes数据集进行了测试，对比其他使用稀疏卷积的算法，本文方法平均成功率和精确率分别提升了11.0%和12.0%.本文方法在继承了稀疏卷积高效特点的同时还实现了跟踪精度的提高.

知识蒸馏的核心思想是利用1个作为教师网络的大型模型来指导1个作为学生网络的小型模型，提升学生网络在图像分类任务上的性能.现有知识蒸馏方法通常从单一的输入样本中提取类别概率或特征信息作为知识，并没有对样本间关系进行建模，造成网络的表征学习能力下降.为解决此问题，本文引入图卷积神经网络，将输入样本集视为图结点构建关系图，图中的每个样本都可以聚合其他样本信息，提升样本的表征能力.本文从图结点和图关系2个角度构建图表征知识蒸馏误差，利用元学习引导学生网络自适应学习教师网络更佳的图表征，提升学生网络的图建模能力.相比于基线方法，本文提出的图表征知识蒸馏方法在加拿大高等研究院（Canadian Institute For Advanced Research，CIFAR）发布的100种分类数据集上提升了3.70%的分类准确率，表明本文方法引导学生网络学习到了更具有判别性的特征空间，提升了图像分类能力.

短文本分类应用广泛，是当前的研究热点，但受到短文本标注数据稀缺和数据隐私保护不便集中训练的影响，分类效果不佳.针对上述问题，我们提出了基于联邦学习的主动半监督异质图注意力网络模型（Active Semi-Supervised Learning empowered Heterogeneous Graph ATtention network model based on Federated learning，Fed-ASSL-HGAT），通过设计新颖的主动半监督学习（Active Semi-Supervised Learning，ASSL）框架生成高质量标注样本赋能异质图注意力网络（Heterogeneous Graph ATttention network model，HGAT），引入联邦学习对部署在不同节点的模型进行联合训练以满足数据隐私保护需求.所提出的ASSL框架通过将主动学习的多类别标注转化成二元类别标注，可大大降低标注难度；设计基于信息增益的选择策略筛选软、硬标签，以防止信息损失；通过半监督学习选择高准确率、高稳定性的正负样本打伪标签以确保标注质量.实验结果表明，所提出的ASSL-HGAT（S）在AGNews、Snippets、TagMyNews数据集上相比HGAT基线模型F ₁值分别提升2.45%、8.11%、7.46%.融合联邦学习所进一步提出的Fed-ASSL-HGAT模型可在不泄漏隐私数据的情况下满足性能要求.

现有的WiFi感知方法对数据的采集量及接收器的硬件资源需求较高，同时海量的数据处理也会消耗大量软硬件资源.基于模型的WiFi感知方法通过建立动作模式与信号变化之间的数学模型，一定程度上降低了对数据量的依赖，但是主流方案仍然需要多个接收天线或者天线阵列.本文提出一种使用单天线接收器的感知方案，利用不同子载波的信道状态信息的比值消除硬件及噪声干扰，并提出基于方差和极差的子载波组合选择算法，筛选出优质的子载波组合得到动作特征.进一步提出基于菲涅尔区理论的高可用特征生成算法，巧妙地结合反射路径变化与信道状态信息（Channel State Information，CSI）动态相位旋转之间的关系，通过在复平面上的数据拟合与相位对齐获得高可用特征.理论分析和实验结果表明，本文提出的单天线方案完全符合菲涅尔区理论，同时，可以有效提升不同动作在不同场景下的识别效果.对于七种不同的动作，本文方案的总体识别准确率保持在95%左右，CSI选择和特征强化获得了约2%的准确率提升.

在6G通信系统中，随着天线规模的增大，菲涅尔区逐步扩展，现有的远场通信假设会引入严重的能量扩散，即角度域不再稀疏.近场通信利用球面波前进行建模，其信道模型与用户到达基站的角度和距离相关，在通信的同时可以估计角度和距离，实现通信感知一体化（Integrated Sensing And Communication，ISAC）.本文针对近场环境下ISAC问题，提出了基于极坐标的近场模型，通过非均匀网格划分将ISAC转化为稀疏估计问题，进而提出基于稀疏贝叶斯学习模型和消息传递算法的ISAC算法，同时完成活跃用户检测、位置感知和通信.此外，所提算法采用差分调制，在通信和感知中无需利用导频，即可实现盲ISAC，有效提升通信系统的频谱效率.仿真结果表明，相对于均匀区域划分和文献现有方法，本文提出的ISAC算法可获得更高的感知精度和误码率性能.

小样本分类旨在从少量标记样本中学习识别新类.目前基于局部描述符的小样本分类方法因考虑了局部特征在可见类和不可见类中的一致性取得了较好的分类性能.然而，基于局部描述符的表示方法存在邻近表示信息冗余、部分表示与图像语义无关、可解释性差等问题.鉴于此，本文提出一种基于关键局部语义对齐的小样本图像分类算法（Key Local Semantic Alignment Network，KLSANet），该方法通过对齐局部语义来实现图像到类的度量以完成分类.为了减轻图像语义无关局部对分类的影响，本文进一步设计了关键局部筛选模块并通过设置阈值筛选出关键局部块.KLSANet在三个广泛使用的基准数据集上均表现出较好的分类性能，尤其在1-shot和5-shot设置上比最优的对比方法平均提高了3.95%和2.56%.本文的代码公布在：https：//github.com/ZitZhengWang/KLSANet.

多级子图像融合是加速合成孔径雷达（Synthetic Aperture Radar，SAR）时域成像的关键手段.然而，机动平台SAR的大斜视采集增强了频谱支持区域的不规则特性，降低图像融合的效率和精度.针对这些问题，本文设计了一种改进的混合坐标系，在此基础上开发了大斜视俯冲机动平台SAR快速时域成像算法.得益于改进混合坐标系中建立的等效斜距模型，频谱对斜视角的敏感度降低，消除了频谱空变现象.因此，设计频谱预处理函数可以有效压缩和拼接频谱，提升图像融合的效率和精度.通过仿真和原始数据处理，验证了提出算法性能的优越性.

当前语音关键词检测主流技术为端到端的深度学习方法，研究重点为网络结构优化、建模单元选取及搜索策略等，并取得较快进展，但对模型训练效率的关注相对较少.本文针对深度学习模型训练效率问题，提出了一种样本类不确定性抽样（Class Uncertainty Sampling，CUS）的样本应用策略加速收敛进程.其核心思想是在模型训练中后期，利用网络的前向输出层对样本评价信息进行样本类不确定性度量，并转化成样本选用概率，随机抽取训练样本子集用于后续训练.由于简单样本的类确定度高，它们参与后续训练的概率降低，但不影响模型的区分能力，增强对判决边界样本的关注，达到提高模型训练效率的目标.基于AISHELL-1普通话数据集的实验结果表明，相对常规训练策略，平均训练时长缩短60%，收敛时长缩短47.5%.虚警率（False Alarm Rate，FAR）为0.5 FP/h时，该方法的错误拒绝率（False Reject Rate，FRR）从4.75%降至3.65%，相对下降30.1%，最大关键词加权值（Maximum Term Weighted Value，MTWV）由0.837 4升至0.853 1.通过分析错标样本参与训练的行为，证实了该方法具有屏蔽掉大部分错误标注样本的能力，减少错标样本对训练的损害.基于大规模AISHELL-2普通话数据集的实验进一步证实了提出方法的有效性.

磁粒子成像（Magnetic Particle Imaging，MPI）是一种利用磁性纳米粒子非线性磁化响应实现高时空分辨率的成像技术，而MPI图像重建方法则可实现将测量得到的电压分布转换为可视的磁粒子浓度分布.现有系统矩阵法可较可靠地实现成像视场中单一浓度磁性颗粒图像重建，而对于不同浓度情况的图像重建则可采用两步正则化算法进行成像.然而，以往两步正则化算法因重建过程分成两步而增加了重建时长，同时筛选频率分量时通常只考虑了系统矩阵计算的信噪比，而未充分考虑实测电压信号的噪声因素.为改善这些问题，本文提出了基于ESD（Energy Spectral Density）特性和L曲线法优化的改进两步正则化算法，其可根据测量电压信号的ESD特性对频率分量进行降序排列，并根据压缩率筛选频率分量，以选出噪声水平低的频率分量从而减少噪声.同时，频率分量的减少也可使得重建时间的有效减少.此外，正则化过程中利用L曲线法选取最优正则化参数，也可一定程度减少重建过程中产生的噪声.仿真实验结果表明本文所提的算法在压缩率为0.6的情况下，重建图像质量在SSIM（Structure Similarity Index Measure）和NRMSE（Normalized Root Mean Square Error）上相比传统两步正则化算法分别提升了56.4%和22.3%，重建时间则缩短了39.8%.同时，实测结果也表明，本文的算法对于重建质量有所提升.当压缩率从1减小至0.1的过程中，重建质量无明显变化，但重建时间明显缩短.

工业过程数据涵盖离散和连续变量，它们之间内在的统计分布特性是揭示系统运行状况的关键.然而，现有的监测模型多聚焦于高斯假设下的连续过程变量，忽略了离散变量、连续变量的多模分布特性以及数据中的噪声、离群点对模型的影响，难以精准反映数据的真实分布特性，对非高斯、非平稳过程的异常检测效果欠佳.因此，本文提出一种鲁棒的工业过程异常检测方法——连续和离散变量协同分析的变分贝叶斯混合判别方法（Continuous and Discrete Variables-Concurrent Analysis-based Variational Bayesian Mixture Discriminant，CDVCA-VBMD）.通过构建基于变分贝叶斯推断的面向连续变量的混合学生分布模型与面向离散多变量的混合多项分布模型，有效解决过程变量非高斯分布特性难以有效提取的问题，实现了过程变量复杂相关性的高效处理与分析；同时，在过程监测中引入了持续学习的理念，确保对非平稳时变工业过程异常的有效检测.以数值仿真系统和田纳西·伊斯曼过程为例，进行了大量验证性和对比性实验.结果表明，CDVCA-VBMD能准确估计非平稳工业过程多变量的混合多模分布特性，并对数据中的噪声和离群点具有较强的鲁棒性，从而实现工业异常的准确检测，为非高斯复杂工业过程的长期、鲁棒监测提供了有力支持.

灾害场景下依托无人机配送资源应用前景广阔，但应急场景环境复杂多变，各类突发事件在时空上的不确定性会导致目标点对资源需求评估的不准确，进而影响到资源配送中无人机任务分配方案.针对此问题，在无人机任务分配模型中引入两阶段鲁棒优化方法.模型通过将无人机分配和任务分配相结合，充分利用无人机集群资源，实现需求变化最大化时的任务分配成本最低.本文对受伤人数等级与资源需求变化关系建模，将资源需求划分为3 个等级，实现了任务分配总成本变化的精确化表达，并采用列和约束生成（Column-and-Constraint Generation，C&CG）算法实现了资源需求不确定条件下的无人机任务分配.最后设计了3 种类型的实验，仿真结果验证了算法的有效性和优越性，相比确定性模型，该算法在应对需求变化时展现出更好的鲁棒性.

在不完美信道状态信息（Channel State Information，CSI）和不完美串行干扰消除（Successive Interference Cancellation，SIC）的场景下，研究了可重构智能表面（Reconfigurable Intelligent Surface，RIS）辅助多用户非正交多址接入（Non-Orthogonal Multiple Access，NOMA）网络的鲁棒资源分配问题.在考虑两类用户（信息用户和能量用户）服务质量（Quality of Service，QoS）和信息用户SIC约束下，建立了基站发射功率最小化的优化问题.该问题是一个多变量耦合的非凸优化问题.为了求解该问题，本文使用松弛变量、线性近似、S-程序、符号定性法转化该问题的非凸约束.然后将优化问题分解为两个子问题，最后使用交替优化方法迭代求解两个子问题，直到发送功率收敛.仿真结果表明：该文算法具有较好的收敛性，实现了资源的鲁棒分配，同时有效地降低基站发射功率.

近年来，基于卷积神经网络的深度学习模型已经在高光谱图像分类领域取得优异表现.然而，模型性能的提升通常依赖于更深、更宽的网络结构，导致参数量和计算量增长，从而限制了模型在机载或星载载荷中的实际部署.为此，本文提出基于轻量级全连接张量映射网络的高光谱图像分类方法.根据全连接张量网络分解的映射思想以及高光谱图像“图谱合一”的结构特点，本文设计两种张量映射卷积单元，通过使用多个具有全连接结构的小尺寸卷积核代替原始卷积核，降低了卷积层的时间和空间复杂度.此外，基于新单元构建残差双分支张量模块.双分支结构共享同一组权重参数，并采用通道分割操作减少特征通道数，提升特征提取过程的实时性.本文所提模型通过使用新单元和新模块充分挖掘高光谱图像的局部空谱信息和全局光谱信息，有效提高了分类性能并减少硬件资源消耗.在三个常用高光谱图像数据集上的实验结果表明，所提模型相较于其他现有工作具有更高的分类性能以及更低的参数量和计算量.

由于单目深度估计中图像与深度图存在一对多的对应关系，单目深度估计本身就存在着尺度歧义的问题. 因此，本文引入基于多视图立体匹配（Multi-View Stereo，MVS）的单目多帧深度估计方法，构造移动深度，挖掘尺度线索，将传统单目深度估计与MVS深度估计有机结合，以改善单目深度估计几何建模中固有的模糊性问题.在此基础上，设计两个通道注意力模块，分别提高网络的场景结构感知能力和对局部信息的处理能力，从而更充分地融合不同尺度的特征，产生更精确、更清晰的深度预测.在KITTI数据集的测试结果中，本文方法的平均相对误差和平方相对误差相较基准网络分别最高提升4.7%和8.0%，所有误差和准确率指标均超越其他主流的无监督单目深度估计方法.

全球定位系统（Global Positioning System， GPS） L5/北斗 B2/Galilea E5是全球卫星导航系统（Global Navigation Satellite System， GNSS）的重要组成部分，为民用航空提供与生命安全相关的应用服务.然而L5/B2/E5信号处于受保护的航空无线电导航服务（Aeronautical Radio Navigation Service， ARNS）频段内（962~1213 MHz），同时工作在该频段内的还有民用航空导航系统测距机（Distance Measuring Equipment， DME）等.DME发射的大功率脉冲信号会对L5/B2/E5等卫星导航信号造成干扰，使得接收机无法正常捕获卫星信号或导致跟踪环路失锁.传统的DME干扰抑制方法通过在干扰稀疏域，如时域、频域和时频混合域进行DME干扰置零，这会在抑制干扰的同时完全消除与干扰重叠的卫星信号.为了降低DME干扰抑制对卫星信号的损失，本文提出基于鲁棒统计理论的局部鲁棒预处理的DME干扰抑制方法，根据DME干扰所在的稀疏域特性提取出存在干扰的信号片段后，应用非高斯分布下的鲁棒统计理论对提取出的数据样本进行鲁棒预处理，从而在抑制干扰的同时降低对卫星信号的影响.实验结果表明本文所提出的稀疏域局部鲁棒预处理的DME干扰抑制方法的性能优于相应的传统稀疏域方法，输出捕获因子比传统稀疏域方法提高1~2 dB.

现代战场环境日益复杂，随着空中机载装备技术的升级，海量多源异构传感器数据不可避免地出现信息不一致、不完备问题.传统面向机载多源传感器量测数据的融合处理方法忽略传感特征间的相关性，单依赖物理传感器的数据驱动形成封闭识别系统.考虑到专家认知、领域参数、属性规则等知识能以专家经验、规则约束等辅助认知形式在目标综合识别的模型构建、推理识别等环节起到指导作用，本文提出一种知识辅助的空中目标类型综合识别方法，利用上述知识，首先构建典型空中目标特征军事作战知识图谱，提取关键特征参数、识别规则阈值等建立目标辨识框架关联关系模型；然后在特征级识别、决策级识别层分别构建数据基本信任指派与证据冲突可信度；此外，针对证据出现高冲突情况制定时域融合规则，引入历史数据重构调整数据时序融合权重因子；最后在静态推理与动态融合下分层实现异构多源传感器的置信类型综合识别.本文在典型空中目标类型识别任务下识别准确率优于现有算法，验证了所提方法的有效性.

本文提出一种多阶段调度框架，实现对麻雀种群的初始位置、觅食、侦查与反捕食不同阶段的多策略调度.利用Halton序列与Tent映射提升种群个体质量与初始位置的分布均匀性.在觅食阶段，针对发现者与加入者因位置争夺导致种群质量劣化，设计最佳适配比调控二者数量关系，对超出适配比的加入者采用碰撞反弹算子改变其优化轨迹.满足适配比后则通过侦查判断是否存在天敌，若有则进入反捕食阶段，并利用Levy飞行并结合指数分布设计随机迁移机制，生成潜在的全局最优解区域；当连续多次没有发现天敌时为避免种群陷入局部极值，建立模拟预警机制并采用蝗虫算法进行多路径开发，避免寻优方向单一化.不同策略与机制的交替运行、协同调度，平衡了算法的多样性与收敛性. 实验结果表明，与最近麻雀变体算法和元启发改进算法相比，该算法在寻优效率与收敛精度上显著优于对比方法.

基于多层元胞自动机的时空混沌系统设计了一款用于图像加密的伪随机数发生器.针对现有的基于耦合映像格系统仍存在参数空间有限、局部混沌行为等问题，本文提出一种基于多层元胞自动机的伪随机耦合映像格系统.在初等元胞自动机基础上设计出多层元胞自动机，将耦合系统与多层元胞自动机同时进行迭代，通过自动机的迭代输出得到耦合系统中每个格子的动态耦合方案以及伪随机扰动方法.本文通过分岔图、Kolmogorov Sinai熵和输出序列均匀性对耦合映像格系统进行对比分析，并分析了系统生成序列的随机性和任意两个格之间的相关性.理论分析和实验结果表明，与其它耦合映射格系统相比，该系统具有更好的混沌特性和更大的参数空间，系统生成的序列具有较好的遍历性、均匀性和随机性.研究结果表明该系统在密码学领域具有广阔的应用前景.

概念漂移是影响流数据挖掘性能的重要因素，当前主要通过增量更新或重训练模型进行处理，但对已有知识并未充分利用.从综合利用全体样本出发，本文构建了一种基于动态样本选择的概念漂移自适应分类方法.该方法在新样本到来时进行基于局部一致性的漂移检测，在发现漂移发生时去除区域内的噪声样本，当检测到新概念出现时，对历史相似概念进行重用.最后，对区域内不同类别样本进行多代表点归纳，并同步更新预测模型.本文在含有不同漂移类型的合成数据集上进行去噪效果验证，并在真实数据集上进行预测任务.实验结果表明，该方法可以有效去除因概念漂移而形成的漂移噪声，有效提升了预测模型性能，整体预测表现优于流行的概念漂移自适应模型.

星座成形技术是通信系统的关键技术之一，可以通过成形技术来获得成形增益.然而，近年提出的定型概率幅度成形方案仅适用于方形星座调制，不适用于一般结构的二维星座.为此，本文提出了适用于一般二维星座的定型匹配成形编码调制方案，其可以直接应用于实际工程中任意对称结构的二维星座.在此基础上，针对5G 低密度校验（Low-Density Parity-Check，LDPC）码的打孔特性进行特殊设计，提出了基于定型匹配成形的5G LDPC编码调制方案.仿真结果表明：（1）本文提出的基于定型匹配成形的二维编码调制方案与通常的概率幅度成形方案性能相一致，且所提方案具有更好的二维星座普适性；（2）本文提出的基于定型匹配成形的5G LDPC编码调制方案可以获得约0.6 dB的成形增益和约0.5 dB的打孔增益（相比于非打孔设计）.

Si/SiC级联H桥逆变器， 能够利用不同器件的开关组合保证低输出电流谐波畸变率（Total Harmonic Distortion，THD）和装置效率， 但也带来了Si/SiC子模块开关分配的难题. 对此， 本论文设计一种变权重的模型预测控制方法（Model Predictive Control，MPC）选择总开关状态并分配子模块开关组合. 该方法在选取逆变器总开关状态和Si/SiC子模块开关组合的代价函数中引入基于器件开关损耗的变权重，以改善逆变器的效率和输出电流谐波畸变率. 在五电平Si/SiC级联H桥逆变装置上验证了变权重MPC的有效性， 相比于固定权重MPC， 输出电流THD最多降低2.05%， 装置损耗最多降低4.53%.

特征提取是高光谱图像分类的关键.现有分类方法在特征提取时，往往忽略特征的信息保有量和空间分布等因素，导致输出的特征可能面临低信息保有量与无序分布等问题，预测结果不佳.为此，本文提出一种基于结构化特征重构的高光谱图像分类方法，能够有效地减少特征提取过程中信息丢失，提高信息保有量，并充分考虑特征的空间分布，增强特征的判别性.借鉴重构思想以及自表达理论，建立结构特征重构的特征表示模型，可提升图像信息的利用率，并描述反映有序分布的结构信息.针对建立的多变量模型，设计一种基于交替更新的优化策略来求解模型.利用支持向量机来对特征进行分类计算和标签预测.利用Salinas、Pavia Center、Botswana以及Houston数据进行实验验证，结果表明，本文算法优于现有的分类模型，在OA（Overall Accuracy）、AA（Average Accuracy）以及Kappa系数等指标上平均提升了2.6%、3.9%、3.3%.

阿尔茨海默症（Alzheimer’s Disease，AD）是一种神经退行性疾病，患者会出现失语症、语言流畅性降低等症状.目前已经有研究者使用发音特征，流畅性、停顿等副语言学特征，或者从转录的文本中提取特征检测阿尔茨海默症.但是，传统声学特征检测方法难以获取语义信息，而将语音转录成文本又费时费力，并且由于老年人口音、患病等影响，转录质量下降明显.本文使用离散变分自编码器（discrete Variational Autoencoders，dVAE）将语音转换为伪音素序列后，利用BERT（Bidirectional Encoder Representations from Transformers）模型对伪音素序列的连接关系进行建模， 提出一种dVAE-BERT模型，从而提取音频在语言维度的表征.该模型在ADReSSo（Alzheimer’s Dementia Recognition through Spontaneous Speech only）数据集上，模型的准确率为70.42%，比基线系统提高5.63%，其与Wav2vec2.0、HuBERT（Hidden-unit BERT）模型融合后，准确率分别为76.06%、71.83%.

工业互联网中节点数据具有高维、冗余和海量等特性，传统的恶意行为检测模型无法对工业互联网恶意攻击行为做出快速且准确的判断，提出基于特征组合优化的工业互联网恶意行为实时检测方法.采用改进的相关性快速过滤算法和基于奇异值分解的主成分分析算法对工业互联网恶意行为样本数据进行特征组合优化，基于对称不确定性信息度量指标和近似马尔科夫毯准则进行特征相关性计算、冗余特征识别与排除，通过参数特征维度的不同配置得到若干候选特征组合；利用决策树评估器筛选出准确率最高的候选特征组合；通过奇异值分解的主成分分析进一步进行特征降维，得到低维高信息量的最优特征组合；结合极端梯度提升算法和优化的特征组合对工业互联网恶意行为样本进行分类，基于密西西比州立大学多分类电力系统攻击样本数据对本文方法进行了验证；实验结果表明，特征组合优化检测模型训练时间可缩减57.53%，单个样本的平均检测时间为0.002 ms，可减少23.99%，基于特征组合优化的检测模型的准确率、召回率和F1值较特征优化前分别提升了1.11%、1.25%和1.01%.本文方法的突出优势表现为在提升模型检测效果的同时可明显降低模型检测时间，能更好适应工业互联网的实时性要求.

生物医学事件作为生物医学文本挖掘的重要组成部分，在生物医学研究和疾病的预防中发挥着重要作用.触发词识别是生物医学事件抽取的关键和前提步骤，旨在提取描述事件类型的关键词.传统方法在特征提取过程中过分依赖自然语言处理工具，导致耗费人工成本.另外，由于生物医学文献的特殊性—长文本语句多，导致长距离依赖问题比较明显.为了解决这些问题，我们提出了一种混合结构，由残差卷积神经网络和双向长短期神经网络、混合神经网络和多头注意力机制组成.该模型利用残差卷积神经网络提取单词级特征并利用双向长短期神经网络提取上下文语义信息.此外，本文通过空间域滑动窗口将长句划分为等长短句，在不破坏上下文信息的前提下，避免了长距离依赖.实验结果表明，本文提出的方法在生物医学事件抽取通用语料（MLEE）上取得了较好的效果，F值达到81.15%.

微电网是一个分布式小型发配电系统，根据产消者不同的需求，通过邻近能源交易的方式实现电力的循环流动.为了在微电网的能源交易中制定最优的定价和交易策略，本文结合联盟链的特点提出了双向密封竞价（Double Sealed Bid，DSB）拍卖方案，该方案在满足关键的经济性质（个人理性、预算平衡等）的基础上通过用户的报价、出价、电量和价格期望等因素共同决定获胜者.同时为了保护拍卖过程中参与用户的隐私，本文根据DSB拍卖方案的特点，基于差分隐私理论提出了BDP（Blockchain-based Differential Privacy）算法，并通过隐私分析和数据有效性分析表明该算法既满足了差分隐私要求又满足了均值有效性.最后，本文将BDP算法应用于DSB拍卖方案中，实现了安全高效的双向能源拍卖隐私保护方案-DPDAB（Differential Privacy-based Double Auction on Blockchain），该方案在实现最优的定价和交易策略的同时保护了拍卖过程中参与用户的隐私.此外，本文通过实验分析了BDP算法对拍卖数据的影响以及处理数据的时间开销对拍卖方案的影响，并通过对比实验证明了DPDAB方案在平均效益、用户满意度和社会福利方面的有效性.

面对日益严峻的交通堵塞问题，智能交通系统获得飞速发展和广泛应用，作为基石工作的交通速度预测因此备受关注. 近些年来，深度学习被广泛用于交通速度预测的研究工作，并且研究方向也从单一的建模时间相关性迁移到复杂的时空相关性，图神经网络由于契合交通路网的图结构数据这一本质属性，成为建模空间相关性的主流方法. 目前，大多数的研究工作已经注意到动态的空间相关性对交通速度预测任务的重要性. 然而，基于这一发现所提出的建模思路主要预定义矩阵或自适应矩阵，属于静态矩阵，并不足以应对空间相关性的复杂和动态的特性. 同时通过对真实交通速度数据集的分析，本文发现交通节点间依赖的局部波动相比交通路网的全局影响具有更强的动态性，这表明空间相关性可以从全局和局部的角度分开建模，因此本文提出了一个端到端全局和局部融合的动态图神经网络模型来进行交通速度预测. 首先，交通速度流被自分解层分解为静态分量和动态分量，随后动态图生成模块为动态分量构造实时的动态图以匹配其动态性. 基于构造的动态图和输入的预定义图，本文借助图卷积操作来学习这两类空间相关性的高阶表达. 除此之外，本文在时间模块使用空洞因果卷积捕获交通数据中时间相关性. 最后，残差连接被用来聚合时空相关性并输送给输出层完成最终的速度预测. 在两个高速公路数据集和一个城市路数据集上的实验结果表明本文提出的模型相比主流模型在平均绝对误差和均方根误差两个预测指标上均优于主流模型.

对于多个可控事件（控制指令）允许同时执行的情形，离散事件系统的监控器进行随机选择.然而，在实际应用中，如交通调度、机器人路径规划，可控事件的定向选择和数值优化是必须要考虑和解决的两个问题.对此，引入一种优化机制量化控制成本，将监督控制理论与强化学习结合，提出一种基于强化学习的离散事件系统最优定向监控器求解方法，使被控系统实现以下三个目标：（1）遵循安全性和活性控制规范；（2）每个状态下至多允许一个可控事件执行；（3）从初始状态到标记状态事件执行累计成本最小.首先，建立系统和控制规范的自动机模型，做同步积运算后可得到目标模型，通过定义的成本函数为目标模型中每个事件的执行赋予成本.其次，利用监督控制理论求解无阻塞且行为最大许可的监控器.最后，将监控器转化为马尔可夫决策过程，并利用Q学习算法求解出最优定向监控器.使用单向列车导轨控制案例和多轨道列车控制案例验证所提方法的有效性和正确性.仿真结果表明，所提出方法能够实现系统的无阻塞定向控制，并且使得定向监控器的数值成本最小.

融合传统动态随机访问存储器（Dynamic Random Access Memory，DRAM）与新型非易失性内存（Non-Volatile Memory，NVM）可构建平行架构或层次架构的异构内存系统.平行架构的异构内存系统往往需要通过页迁移技术把热点数据从NVM迁移到DRAM以提高访存性能，然而在操作系统中实现热页监测和迁移会带来巨大的软件性能开销.硬件实现的层次架构由于增加了访存层次，对于访存局部性差的大数据应用反而增加了访存延迟.为此，本文提出可重构的异构内存架构，可以运行时在平行和层次架构间进行转换以动态适配不同应用的访存特性.设计了基于新型指令集架构RISC-V（Reduced Instruction Set Computing-V）的DRAM/NVM异构内存控制器，利用少量硬件计数器实现了访存踪迹统计和分析，并实现了DRAM和NVM物理页间的动态映射和高效迁移机制.实验表明，DRAM/NVM异构内存控制器可提高43%的应用性能.

本文提出了一种子图转述的方法用于解决知识图谱问题生成中的未见谓词问题. 传统的问题生成方法主要利用标注的问答数据（问题-逻辑形式对）生成问题，然而标注数据难以覆盖知识图谱中所有的谓词，如何对未见的谓词生成问题依然是一个挑战. 本文提出了一种基于子图结构的语义解耦方法，通过将复杂问题对应的知识图谱子图分解为原子级子图，从而将包含未见谓词的多跳子图拆分为易于处理的单跳子图. 并且本文设计了一种子图转述方法，通过对数据集中的谓词进行采样，得到子图描述文本，并在大规模无监督数据上训练得到子图转述器，能够为包含未见谓词的子图提供自然语言形式的表述，为生成问题提供了有效的信息. 本文定量分析了在不同的难度级别下模型的性能表现，在GrailQA等数据集上的实验结果表明，本文的方法达到了最先进的性能.

篇章级关系抽取任务旨在从非结构化文档的多个句子中提取事实，是构建领域知识库和知识问答应用的关键环节，相较于句子级关系抽取，该任务既要求模型能够基于文档结构特征捕获实体间的复杂交互，还要应对严重的关系类别长尾分布问题.现有基于表格的关系抽取模型主要对文档进行“实体/实体”二维建模，采用多层卷积网络或局部注意力机制提取实体间的交互特征，由于未显式对关系语义进行解耦建模，使得模型无法避免类别重叠影响和捕获关系的方向性特征，导致缺乏实体交互的充分语义信息.针对上述挑战，本文提出了一种基于三维表征建模的篇章级关系抽取模型DRE-3DC（Document-Level Relation Extraction with Three-Dimensional Representation Combination Modeling），对二维表格建模方式进行扩展，形成“实体/实体/关系”三维表征建模，采用基于形变卷积的三重注意力机制有效区分和聚合不同语义空间下的实体间及实体与关系的交互表征，自适应地增强模型对文档结构特征的聚合.同时，采用多任务学习方法增强模型对文档整体关系类别组合的感知来缓解篇章级关系抽取任务中的关系类别长尾分布问题.在DocRED和Revisit-DocRED两个篇章级关系抽取数据集上进行的实验结果表明，DRE-3DC模型性能良好，并通过消融实验、对比分析和实例分析，验证了本文所提方法的有效性.

攻击、干扰、不确定性通常存在于微电网中危害系统的安全运行.为了解决此问题，设计了一种带攻击补偿的电压控制器，以减小或抵消攻击对系统稳定性的影响.设计攻击观测器对微电网中受到的攻击进行观测；利用多智能体一致性协议，考虑全状态约束问题，采用正切型障碍Lyapunov函数约束所设计的状态量，使系统状态约束在预设范围内，并实现无功功率分配.采用自适应模糊系统对系统中一些参变量的变化进行估计，提高控制器的自适应能力.仿真验证了控制器的有效性.

随着工业互联网的蓬勃发展，工业生产需要满足用户的个性化需求.由于个性化产品规格多样种类繁多，一个高效的智能排产方法对企业的生产制造尤为重要.从部署模式来看，现有的智能排产系统可分为企业本地部署和云排产服务两类.本地排产系统的计算与存储资源相对有限，难以满足精确排产算法的需求；而云排产系统需要大量工业核心排产数据的支撑并按需计费，计算存储与网络传输的开销使排产服务成本较高.此外，工业核心数据上传至云可能存在数据泄露的风险.针对以上问题，本文以钢铁热轧生产为例，将边缘计算技术引入智能排产，提出了一种云边协作的工业互联网排产框架（Production Scheduling based on Edge-Cloud-Collaboration，PSECC），本框架在边缘端预处理原始工业数据，保证核心生产数据保留在企业端；在云端进行算法求解，通过部署通用型求解算法又为框架赋予了可扩展性.本文基于PSECC框架设计实现了针对钢铁热轧排产任务的云边分解方法，实验证明本文提出的云边协作排产方法与常规求解器的性能相似，但是可以避免工业核心数据上云，且云端求解器的选择更加灵活.在性能方面，PSECC相比于云排产的总排产时间减少了1.4~3.7倍，其中网络传输时间减少了10~15倍.