针对具有未知干扰和非线性动态的多智能体系统，研究了它基于事件触发的固定时间一致性问题。在传统的静态事件触发策略的基础上，通过引入一个可调节的动态变量，提出一种基于动态事件触发策略的固定时间一致性协议，给出各个智能体基于状态信息和动态变量的动态事件触发函数，只有当各智能体的测量误差满足给定的触发函数时，事件才会被触发。引入的动态变量是可调节的阈值参数，能够进一步减少事件的触发次数，更有效地利用系统有限的资源。利用图论、固定时间一致性理论和李雅普诺夫稳定性理论推导出系统达到固定时间一致性时，一致性协议和触发函数中的参数需要满足的条件，同时证明了系统不存在芝诺行为。最后，数值仿真结果验证了理论分析的正确性与有效性。
复述生成是一种基于自然语言生成（NLG）的文本数据增强方法。针对基于Seq2Seq （Sequence-to-Sequence）框架的复述生成方法中出现的生成重复、语意错误及多样性差的问题，提出一种基于序列与图的联合学习复述生成网络（J-SGPGN）。J-SGPGN的编码器融合了图编码和序列编码进行特征增强，而解码器中则设计了序列生成和图生成两种解码方式并行解码；然后采用联合学习方法训练模型，旨在兼顾句法监督与语义监督以同步提升生成的准确性和多样性。在Quora数据集上的实验结果表明，J-SGPGN的生成准确性指标METEOR （Metric for Evaluation of Translation with Explicit ORdering）较准确性最优基线模型——RNN+GCN提升了3.44个百分点，生成多样性指标Self-BLEU （Self-BiLingual Evaluation Understudy）较多样性最优基线模型——多轮回译复述生成（BTmPG）模型降低了12.79个百分点。J-SGPGN能够生成语义更准确、表达方式更多样的复述文本。
英文自然语言查询转SQL语句（Text-to-SQL）任务的模型迁移到中文工业Text-to-SQL任务时，由于工业数据集的可解释差且比较分散，会出现数据库的表名列名等信息与问句中关键信息的表示形式不一致以及问句中的列名隐含在语义中等问题导致模型精确匹配率变低。针对迁移过程中出现的问题，提出了对应的解决方法并构建修改后的模型。首先，在数据使用过程中融入工厂元数据信息以解决表示形式不一致以及列名隐含在语义中的问题；然后，根据中文语言表达方式的特性，使用基于相对位置的自注意力模型直接通过问句以及数据库模式信息识别出where子句的value值；最后，根据工业问句查询内容的特性，使用微调后的基于变换器的双向编码器表示技术（BERT）对问句进行分类以提高模型对SQL语句结构预测的准确率。构建了一个基于铝冶炼行业的工业数据集，并在该数据集上进行实验验证。结果表明所提模型在工业测试集上的精确匹配率为74.2%，对比英文数据集Spider上各阶段主流模型的效果后可以看出，所提模型能有效处理中文工业Text-to-SQL任务。
针对肝脏CT图像中因灰度不均、边缘模糊等造成肿瘤难以准确分割的问题,提出了一种消除局部极值的多尺度形态学分割方法。首先利用面积算子对图像进行预处理,在平滑图像的同时,保持目标区域的边缘信息;其次融合梯度图像中不同极值的邻域统计信息和形态属性(深度和尺度)区分极值,通过设定不同大小的结构元素,对不同极值采用多尺度结构元素进行闭运算,在消除伪局部极值的同时实现图像的自适应修正;最后利用分水岭变换分割肝脏肿瘤。实验结果表明,该方法能够在保持图像边缘的同时,有效减轻过分割现象,实现肝脏肿瘤的准确分割。
