随着车联网（IoV）的快速发展，智能网联汽车产生了大量延迟敏感型和计算密集型任务，有限的车辆计算资源以及传统的云服务模式无法满足车载用户的需求，移动边缘计算（MEC）为解决海量数据的任务卸载提供了一种有效范式。但在考虑多任务、多用户场景时，由于车辆位置、任务种类以及车辆密度的实时性和动态变化，IoV中任务卸载场景复杂度较高，卸载过程中容易出现边缘资源分配不均衡、通信成本开销过大、算法收敛慢等问题。为解决以上问题，重点研究了IoV中多任务、多用户移动场景中的多边缘服务器协同任务卸载策略。首先，提出一种多边缘协同处理的三层异构网络模型，针对IoV中不断变化的环境，引入动态协作簇，将卸载问题转化为时延和能耗的联合优化问题；其次，将问题分为卸载决策和资源分配两个子问题，其中资源分配问题又拆分为面向边缘服务器和传输带宽的资源分配，并基于凸优化理论求解。为了寻求最优卸载决策集，提出一种能在协作簇中处理连续问题的多边缘协作深度确定性策略梯度（MC-DDPG）算法，并在此基础上设计了一种异步多边缘协作深度确定性策略梯度（AMC-DDPG）算法，通过将协作簇中的训练参数异步上传至云端进行全局更新，再将更新结果返回每个协作簇中提高收敛速度。仿真结果显示，AMC-DDPG算法较DDPG算法至少提高了30%的收敛速度，且在奖励和总成本等方面也取得了较好的效果。

针对服务缓存和任务卸载联合优化中，由于缺乏对用户服务请求多样性和动态性的综合考虑而导致的用户体验质量降低问题，提出一种基于动态服务缓存辅助的任务卸载方法。首先，针对边缘服务器执行缓存服务动作空间较大的问题，重新定义了动作，并筛选出最优的动作集合以提高算法训练的效率；其次，设计一种改进的多智能体Q-Learning算法学习最优的服务缓存策略；再次，将任务卸载问题转换为凸优化问题，利用凸优化工具获得最优解；最后，利用拉格朗日对偶法求得最优的计算资源分配策略。为了验证所提方法的有效性，基于真实数据集进行了充分的实验。实验结果表明，对比Q-Learning、双层深度Q网络（D2QN）以及多智能体深度确定性策略梯度（MADDPG）方法，所提方法的响应时间分别降低了8.5%、11.8%和12.6%，平均体验质量分别提高了1.5%、2.7%和4.3%。

针对U-Net上采样过程容易丢失细节信息，以及胃癌病理图像数据集普遍偏小，容易出现过拟合的问题，提出一种基于改进U-Net的自动分割胃癌病理图像模型EOU-Net。EOU-Net在U-Net模型的基础上，将EfficientNetV2作为骨干特征提取网络，以增强网络编码器的特征提取能力。在解码阶段，基于物体上下文表示（OCR）探究细胞像素间的关系，并使用改进后的OCR模块解决上采样图像的细节丢失问题；然后，使用验证阶段增强（TTA）后处理对输入图像进行翻转和不同角度旋转后分别预测这些图像，再通过特征融合的方式将多个输入图像预测结果进行合并，进一步优化网络的输出结果，从而有效解决医学数据集较小的问题。在SEED、BOT以及PASCAL VOC 2012数据集上的实验结果表明，与OCRNet相比，EOU-Net的平均交并比（MIoU）分别提高了1.8、0.6以及4.5个百分点。可见EOU-Net能得到更准确的胃癌图像分割结果。

随着人工智能（AI）技术的蓬勃发展，深度神经网络（DNN）模型被大规模应用到各类移动端与边缘端。然而，边缘端算力低、内存容量小，且实现模型加速需要深入掌握边缘端硬件知识，这增加了模型的部署难度，也限制了模型的推广应用。因此，基于张量虚拟机（TVM）提出一种DNN加速与部署方法，从而实现卷积神经网络（CNN）模型在现场可编程门阵列（FPGA）上的加速，并在分心驾驶分类应用场景下验证了所提方法的可行性。通过计算图优化方法减小了模型的访存和计算开销，通过模型量化方法减小了模型尺寸，通过计算图打包方法将卷积计算卸载到FPGA上执行以提高模型推理速度。与微处理器（MPU）相比，所提方法可使ResNet50和ResNet18在MPU+FPGA上的推理时间分别减少88.63%和77.53%；而在AUC（American University in Cairo）数据集上，相较于MPU，两个模型在MPU+FPGA上的top1推理精度仅下降了0.26和0.16个百分点。可见，所提方法可以降低不同模型在FPGA上的部署难度。

针对采用面向服务架构（SOA）的工业软件的任务调度问题，考虑任务的多重属性，属性的随机性、时变性及耦合关系，以及调度过程实时性和处理任务并行性的要求，提出一种适用于基于SOA的工业软件的任务调度算法。首先，对任务调度问题进行建模，并设计用于评估任务重要程度的效用函数；然后，提出基于重要程度排序的调度算法（IRSA），按照重要程度递减的顺序对任务进行调度；最后，设计资源预留机制和抢占式调度机制，以提高IRSA的调度效率。实验结果表明，与先来先服务（FCFS）、最早截止时间优先（EDF）、最小松弛度优先（LLF）、固定优先级调度（FPS）这四种在线调度算法相比，当每秒任务到达数量为7.99时，IRSA使任务的平均响应时间减少55.83%~61.27%，且在所有性能指标上均具有明显优势，能够实现对基于SOA的工业软件的高效任务调度。

在某些固定的工业应用场景中，对目标检测算法的漏检容忍性非常低。然而，提升召回率的同时，目标周围容易规律性地产生一些无重叠的虚景框。传统的非极大值抑制（NMS）策略主要作用是抑制同一目标的多个重复检测框，无法解决上述问题。为此设计了一种各向异性NMS方法来对目标周围不同方向采取不同的抑制策略，从而有效消除规律性的虚景框。固定的工业场景中的目标形状和规律的虚景框往往具有一定关联性。为了促进各向异性NMS在不同方向的精确执行，设计了一种比例交并比（IoU）损失函数用来引导模型拟合目标的形状。此外，针对规则目标使用了一种自动标注的数据集增广方法，在降低人工标注工作量的同时扩大了数据集规模。实验结果表明，所提方法在轧辊凹槽检测数据集上的效果显著，应用于YOLO系列算法时在不降低速度的同时提升了检测精度。目前该算法已成功应用于某冷轧厂轧辊自动抓取的生产线。

知识图谱嵌入（KGE）将实体和关系映射到低维连续向量空间中，以利用机器学习方法实现关系数据的应用，如知识分析、推理、补全等。以ConvE为代表将卷积神经网络（CNN）应用于知识图谱嵌入中，以捕捉实体和关系的交互信息，但其标准卷积捕捉特征交互信息能力不足，特征表达能力低下。针对特征交互能力不足问题，提出了一种改进的Inception结构，在此基础上构建一个知识图谱嵌入模型InceE。首先，该结构使用混合空洞卷积替代标准卷积，以提高特征交互信息捕捉能力；其次，使用残差网络结构，以减少特征信息丢失。实验使用基准数据集Kinship、FB15k、WN18验证InceE链接预测有效性。在Kinship、FB15k数据集上，相较于ArcE和QuatRE模型，InceE的Hit@1分别提升了1.6和1.5个百分点；在三个数据集上，与ConvE对比，InceE的Hit@1分别提升了6.3、20.8和1.0个百分点。实验结果表明InceE具有更强的特征交互信息捕捉能力。

针对下行的异构认知超密集异构网络（UDN）的多维资源配置问题，提出一种以毫微微小区用户最大吞吐量为目标的联合优化用户关联和资源分配的改进遗传算法。首先，在算法开始之前进行预处理，初始化用户可达基站和可用信道矩阵；其次，采用符号编码，将用户与基站以及用户与信道的匹配关系编码为一个二维的染色体；然后，将动态择优复制+轮盘赌作为选择算法，以加快种群的收敛；最后，为避免算法陷入局部最优，在变异阶段加入早熟判决的变异算子，从而在有限次迭代下求得基站、用户、信道的连接策略。实验结果表明，在基站与信道数量一定时，所提算法与三维匹配的遗传算法相比在用户总吞吐量方面提高了7.2%，在认知用户吞吐量方面提高了1.2%，且计算复杂度更低。所提算法缩小了可行解的搜索空间，能在较低复杂度下有效提高认知UDN的总吞吐量。

移动边缘计算（MEC）通过将资源部署在用户的近邻区域，可以减少移动设备的能耗，降低用户获取服务的时延；然而，大多数有关缓存方面的研究忽略了用户所请求服务的地域差异特性。通过研究区域所请求内容的特点和内容的动态性特性，提出一种收益最大化的缓存协作策略。首先，考虑用户偏好的区域性特征，将基站分为若干协作域，使每一个区域内的基站服务偏好相同的用户；然后，根据自回归移动平均（ARIMA）模型和内容的相似度预测每个区域的内容的流行度；最后，将缓存协作问题转化为收益最大化问题，根据存放内容所获得的收益，使用贪心算法解决移动边缘环境中缓存的内容的放置和替换问题。仿真实验表明，与基于MEC分组的协作缓存算法（GHCC）相比，所提算法在缓存命中率方面提高了28%，且平均传输时延低于GHCC。可见，所提算法可以有效提高缓存命中率，减少平均传输时延。

针对5G超密网中移动设备计算能力不足、频谱资源有限的问题，提出了一种基于非正交多址接入（NOMA）的计算迁移与带宽分配策略。首先，对系统模型进行了分析，并在此基础上以最小化设备计算代价为目标对所研究的问题进行形式化定义；然后，将该问题分解成设备的计算迁移、系统的带宽分配和设备的分组匹配三个子问题，并利用模拟退火、内点法和贪心算法对这三个子问题进行求解；最后，通过联合优化算法对上述子问题进行交替性迭代求解，最终获得最优计算迁移和资源分配策略。仿真结果表明，所提出的联合优化策略不但优于传统的正交多址接入（OMA）方式，而且能获得比平均分配带宽的NOMA技术更低的设备计算代价。

针对目前说话人识别系统的效率问题,采用集成算法的策略,提出一种新的说话人识别系统框架。首先,考虑到传统的最大后验概率矢量量化(VQ-MAP)算法中只关注平均矢量而不考虑权重的问题,提出了改进的VQ-MAP算法,使用加权平均向量来代替平均向量;然后,由于支持向量机(SVM)算法相对耗时,故采用最小二乘支持向量机(LS-SVM)替代SVM算法;最后,在说话人识别系统中,利用改进的VQ-MAP算法所得参数集作为LS-SVM的训练样本。实验结果表明,基于改进的VQ-MAP和LS-SVM的集成算法,与传统的SVM算法相比,在均使用径向基函数(RBF)核函数时,对40人样本数据建模时间上减少接近40%;在阈值为1,测试语音时长为4 s时,与传统的VQ-MAP和SVM算法相比,误识率降低了1.1%,误拒率降低了2.9%,识别率提高了3.9%;在阈值为1,测试语音时长为4 s时,与传统的VQ-MAP和LS-SVM算法相比,误识率降低了3.6%,误拒率降低了2.7%,识别率提高了4.4%。结果表明,集成算法能够有效提高算法识别率,明显减少运算时间,同时降低误识率和误拒率。

针对标签传播算法(LPA)存在大量随机性、算法稳定性差的问题，提出了基于数据场势函数的标签传播算法(LPAP)。该算法计算所有节点的势值，搜索势值极值点。初始化时仅赋予势值极值点以标签，迭代过程中根据邻接节点中相同标签节点势值之和更新标签，所有节点标签不再改变时迭代结束。实验结果表明：该算法得到的社区划分方式平均是LPA的4.0%，是平衡传播算法(BPA)的12.9%；信息变化参数平均是LPA的45.1%，是BPA的73.3%。具有更好的稳定性，适用于大型网络的社区发现。

针对现有紧链路定位方法存在测量负载较大、测量精度不高等问题，提出一种性能优秀的端到端主动测量方法——PathLoche。该方法通过设计一种新颖的包列Loche，逐步迭代测量子路径的可用带宽，进而得到整条网络路径的可用带宽并确定紧链路的位置。仿真实验表明，PathLoche测量精度高、入侵度低。

在B. J. Kuipers的QSIM算法基础上，提出了比较约束概念用于消减推理空间。给出了各定性约束的传递规则，用于对系统的推理仿真。以系统故障的观测结果为初始状态，依据约束流的传播，诊断变量异变的位置和原因，并把诊断结果进行正向推理，消除部分冗余。在压缩制冷系统实例中，根据制冷系统的定性微分方程建立约束关系。针对制冷效果不佳的症状，仿真诊断出故障源为系统中有空气或氟利昂充液量过大的故障，与实际系统相一致。