针对在室内定位导航过程中单独依赖行人高度位移推测楼层位置误差较大的问题，提出一种基于贝叶斯网络的楼层定位算法。该算法先是利用扩展卡尔曼滤波（EKF）对惯性传感器数据和气压计数据进行融合，计算出行人垂直位移；然后利用误差补偿后的加速度积分特征对行人在楼梯中的转角进行检测；最后，利用贝叶斯网络融合行人行走高度和转角信息推测行人在某一层的概率，从而将行人定位在建筑物中最可能出现的楼层上。实验结果表明，与基于高度的楼层定位算法相比，所提算法的楼层定位准确率提升6.81%；与平台检测算法相比，该算法的楼层定位准确率提升14.51%；所提算法在总共1247次楼层变换实验中，楼层定位准确率达到99.36%。

在传统的基于航位推算和卡尔曼滤波的室内行人定位算法中，存在着航向误差累积的问题，这使得位置误差也会不断累积。针对这个问题，提出了室内环境约束的行人航向粒子滤波算法来修正方向误差。首先，将室内地图信息抽象成线段表示的结构体，将地图数据动态地融合到粒子补偿以及权重分配的机制中：其次，通过关联地图数据与待校准样本构建航向自修正机制；最后，通过关联地图数据与粒子落点构建依距离赋权机制。此外，该算法还简化了粒子滤波模型，将航向作为唯一状态量进行优化，在提高定位精度的同时降低了状态向量的维度，进而降低了数据分析处理的复杂性。通过融合室内环境信息，该算法有效地抑制了方向误差的持续累积。实验结果表明，与传统的卡尔曼滤波算法相比，所提算法能够明显地提高行人定位精度和稳定性，在距离为435 m的二维行走实验中，航向误差由15.3°降低到0.9°，终点位置绝对误差由5.50 m降低到0.87 m。

针对中文新闻事件关联性识别准确率较低的问题,提出一种基于灰色关联分析(GRA)的中文新闻事件关联性识别算法,该算法是一种多因素分析法。首先,通过分析中文新闻事件的特性,提出三个影响事件关联性的因素,分别为触发词的共现性、事件的共享名词以及事件句的相似度;其次,对多个影响因素进行量化处理,计算每个影响因素的影响权值;最后,运用GRA将多个影响因素结合在一起,建立事件之间的灰色关联性分析模型,实现事件关联性识别。通过实验验证了三个影响因素对事件关联性识别的有效性,而且相对于只考虑单一影响因素的关联性识别算法,所提算法提高了事件关联性识别的准确率。