为了弥补有监督学习对监督信息要求过高的不足，提出一种基于最小先验知识的自监督学习方法。首先，基于数据的先验知识聚类无标签数据，或基于有标签数据的中心距离为无标签数据生成初始标签；其次，随机抽取赋予标签后的数据，并选择机器学习方法建立子模型；再次，计算各个数据抽取的权重和误差，以求得数据平均误差作为各个数据集的数据标签度，并根据初始数据标签度设置迭代阈值；最后，比较迭代过程中数据标签度的大小和阈值决定是否达到终止条件。在10个UCI公开数据集上的实验结果表明，相较于无监督学习K-means等方法、有监督学习支持向量机（SVM）等算法和主流自监督学习TabNet（Tabular Network）等方法，所提方法在不平衡数据集不使用标签，或在平衡数据集上使用有限标签时仍可以取得较高的分类准确度。

技术名称是科技领域中用于准确交流信息的术语，自动识别技术名称可以帮助专家和大众发现、认知、应用新技术，具有重要价值；而基于无监督的方法在识别技术名称时存在规则复杂、适应性差等问题。为了提升从文本中识别技术名称的能力，提出一种综合成分句法的技术名称识别方法。首先，通过成分句法分析构造句法结构树；其次，从自上而下和自下而上这两个角度抽取候选技术名称；最后，融合统计频次和语义信息，以选取最优技术名称。此外，构建一个技术术语数据集以验证所提方法的有效性。在该数据集上的实验结果表明，相较于基于依存关系的方法，所提基于自下而上的方法的F1值提高了4.55个百分点；同时在3D打印领域进行了案例分析，发现所提方法识别的技术名称与该名称对应领域的发展契合，可用于回溯技术的发展历程和描绘技术的演化路径，为理解、发现、探索领域未来技术提供参考。

针对基于传统深度学习的视频预测中对数据空间特征提取效果不佳及预测精度低的问题，提出一种结合内卷与卷积算子（CICO）的视频预测模型。该模型主要通过以下三个方面提高视频序列的预测性能：首先，采用不同大小的卷积核增强对数据多粒度空间特征的提取能力，较大的卷积核能够提取更大空间范围的特征，而较小的卷积核可更精确地捕获视频目标的运动细节，实现对目标多角度表征学习；其次，用计算效率更高、参数更少的内卷算子替代核较大的卷积算子，内卷通过高效的通道间交互避免了大量的不必要参数，在降低计算和存储成本的同时提升模型预测能力；最后，引入核为1×1的卷积进行线性映射，增强不同特征之间的联合表达，提高了模型参数的利用效率并增强了预测的鲁棒性。通过多个数据集对该模型进行全面测试，结果表明，相较于目前最优的SimVP（Simpler yet better Video Prediction）模型，所提模型在多项指标上均有显著提升。在移动手写数据集上，均方误差和平均绝对误差分别降低25.2%和17.4%；在北京交通数据集上，均方误差降低1.2%；在人体行为数据集上，结构相似性指数和峰值信噪比分别提高0.66%和0.47%。可见，所提模型在提升视频预测精度方面十分有效。

如何将频谱有效地分配给用户并提高提供商的收益是目前研究的热点。针对频谱组合拍卖中提供商收益低的问题，结合用户估值分布不对称的特点，设计了基于随机游走的频谱组合拍卖（RWSCA）机制，以最大化频谱提供商的收益。首先引入了虚拟估值的思想，用随机游走算法在参数空间搜索一组最优参数，并根据参数线性映射买家的估值；然后运行基于虚拟估值的VCG （Vickrey-Clarke-Groves）机制，从而确定赢得拍卖的用户并计算相应的支付金额。理论分析证明了所提机制具有激励相容和个体理性的性质。在频谱组合拍卖仿真实验中，相较于VCG机制，RWSCA机制至少提高16.84%以上提供商收益。

在网约车平台中，匹配是一个核心功能，平台需要尽可能增加匹配订单的数量；但网约车的需求分布通常极度不均匀，订单的起点或终点在某些时间段会呈现出高度集中的特征。因此，提出一种带预警的激励机制鼓励司机跨区域接单，以达到平台跨区域运力再平衡的目的。该机制通过对订单信息进行分析，建立邻近区域运力预警机制，并在区域运力紧张时，激励邻近区域的司机接受跨区域订单，以减少运力紧张时期区域内的未匹配订单数量，提高平台效用和乘客满意度。通过算例将跨区域运力再平衡机制与Greedy（贪心机制）、Surge（暴涨定价）机制进行对比，结果表明，再平衡机制较Greedy和Surge机制在平均效用上分别提高了15%和38%，说明跨区域运力再平衡机制可以提高平台收益和司机效用，在一定程度上重新平衡了区域间供需关系，能为网约车平台在宏观上的供需关系平衡提供参考。

区块链与供应链的结合应用是近几年的热门研究课题。区块链的数据可溯源、防篡改、分布式存储等优点可以为供应链提供较好的数据安全保障，而区块链自身的自治属性也为供应链自治提供了可能。区块链的自治主要依赖于共识机制，然而现有共识机制难以实现对供应链自治的良好支持。针对上述问题，提出一种基于委托权益证明（DPoS）的选举型共识机制，并在此基础上构建了一个基于区块链的供应链自制框架：选举供应链（ESC）。在ESC中，先根据节点参与的智能合约活动计算其信用分，然后从博弈论的角度分析ESC下节点的活跃度和信用分数对其权益的影响。最后，通过定理证明与仿真实验验证了该机制对节点具有良好的激励作用，能有效抑制理性节点支付的最大交易费用，且抑制的力度会随着代表数量的增加而增大。

基于深度特征的目标检测方法Faster R-CNN在火焰检测任务上存在检测效率低的问题，因此提出了基于颜色引导的抛锚策略。该策略设计火焰颜色模型来限制锚的生成，即利用火焰颜色约束锚的生成区域，从而减少了初始锚的数量，提升了计算效率。为了进一步提高网络的计算效率，将区域生成网络中的卷积层替换成掩膜卷积。为了验证所提方法的检测效果，采用BoWFire和Corsician数据集进行验证。实验结果表明，该方法实际检测速度相较于原Faster R-CNN提高了10.1%，BoWFire上该方法的火焰检测F值为0.87，Corsician上该方法的准确度可达99.33%。所提方法可以提高火焰检测的效率，并能够准确检测图像中的火焰。