通过分析分布式机器学习中作业性能干扰的问题，发现性能干扰是由于内存过载、带宽竞争等GPU资源分配不均导致的，为此设计并实现了快速预测作业间性能干扰的机制，该预测机制能够根据给定的GPU参数和作业类型自适应地预测作业干扰程度。首先，通过实验获取分布式机器学习作业运行时的GPU参数和干扰率，并分析出各类参数对性能干扰的影响；其次，依托多种预测技术建立GPU参数-干扰率模型进行作业干扰率误差分析；最后，建立自适应的作业干扰率预测算法，面向给定的设备环境和作业集合自动选择误差最小的预测模型，快速、准确地预测作业干扰率。选取5种常用的神经网络作业，在两种GPU设备上设计实验并进行结果分析。结果显示，所提出的自适应干扰预测（AIP）机制能够在不提供任何预先假设信息的前提下快速完成预测模型的选择和性能干扰预测，耗时在300 s以内，预测干扰率误差在2%~13%，可应用于作业调度和负载均衡等场景。

针对生成式文本摘要应用场景，提出了以Transformer为基础的摘要模型，并在Transformer模型中加入了指针生成（Pointer Generator）网络和覆盖损失（Coverage Loss）进行优化。首先，提出了基于Transformer模型作为基础结构的方法，利用其注意力机制更好地捕捉上下文的语意信息。然后，在模型的损失函数中引入Coverage Loss来惩罚不断出现的重复的词的分布和覆盖范围，从而解决Transformer模型中的注意力机制在生成式任务中出现不断生成同一个词的问题。最后，在模型中加入了Pointer Generator网络，从而允许模型从源文本中复制词用作生成词来解决词表无法覆盖（OOV）的问题。探索了改进后的模型是否减少了不准确的表达以及重复出现相同词的现象是否得以解决。该模型相较于原始的Transformer模型在ROUGE-1评测函数上得分提升了1.98个百分点、ROUGE-2评测函数上得分提升0.95个百分点，在ROUGE-L评测函数上得分提升了2.27个百分点，并提升了摘要结果的可读性及准确性。实验结果表明，Transformer在加入Coverage Loss和Pointer Generator网络后可应用于生成式文本摘要领域。

针对搜狐coreEntityEmotion_train语料核心实体识别和核心实体情感分析的任务，提出了基于注意力机制的长短期记忆神经网络结合条件随机场模型（AttBi-LSTM-CRF）。首先，对文本进行预训练，将每个字映射为维度相同的低维向量；然后，把这些向量输入到基于注意力机制的长短期记忆神经网络（AttBi-LSTM）中，以获取长远的上下文信息并集中注意力到与输出标签高度相关的信息上；最后，通过条件随机场（CRF）层获取整个序列的最优标签。将AttBi-LSTM-CRF模型与双向长短记忆神经网络（Bi-LSTM）、AttBi-LSTM和双向长短期记忆神经网络结合条件随机场（Bi-LSTM-CRF）模型进行对比实验。实验结果表明，AttBi-LSTM-CRF模型的准确率达到0.786，召回率达到0.756，F1值达到0.771，优于对比模型，验证了AttBi-LSTM-CRF性能的优越性。

针对电力线通信（PLC）系统中存在严重影响传输性能的脉冲噪声，传统的消噪算法大都不能有效抑制脉冲噪声的问题，提出一种时频结合的消噪算法。首先，通过选择合适的门限对时域接收信号中峰值较大的脉冲噪声进行检测和置零处理；然后，在频域根据已判决的符号来重构时域尚未消除完的峰值较小的脉冲噪声，并通过迭代来提高噪声重构的准确性；最后，从频域接收信号中减去重构的脉冲噪声。在电力线多径信道下进行仿真实验，相比传统的时域消噪和频域消噪算法，所提算法在误比特率为0.01时可以分别实现2 dB和0.5 dB的性能提升，而随着误比特率的降低，它们之间的性能差距将会更大。仿真结果表明，所提出的时频结合消噪算法能够提高电力线通信系统对脉冲噪声的抵抗能力。

由信任的相关概念及信任特性入手，阐述了信任度提出的原因，介绍了几种信任度模型，分析了各模型的特点和共性。重点对Levien信任度模型进行了研究，分析了其存在的缺陷，并从攻击者角度提出一种改进的节点信任度模型。新模型基于Levien信任度模型结构特点，根据计算攻击〖JP2〗者的攻击能力参数，引入信任传递衰减因数，综合度量每一节点的信任度，分析得出提高信任度的途径。