为解决工业云存储系统数据遭受篡改等网络主动攻击问题，实现工业数据云端安全共享的目标，并确保工业数据传输与存储过程的机密性、完整性与可用性，提出基于工业云存储系统的数据防篡改批量审计方案。在该方案中，设计基于双线性对映射的同态数字签名算法，使第三方审计者实现对工业云存储系统数据的批量防篡改完整性检测，并及时将防篡改完整性审计结果反馈给工程服务终端用户；此外，通过加入审计者减轻工程服务终端用户的计算负担，同时确保工业加密数据在传输与存储过程中的完整性。安全性分析与性能比较结果表明，所提方案通过设计防篡改检测向量，使得第三方审计者的计算量从O（n）次双线性对操作减少到O（1）次常量级双线性对操作，极大地降低了第三方审计者的计算开销。可见，所提方案适用于需要对大量工业云存储系统核心数据文件进行防篡改检测的轻量级批量审计场景。
阻尼最小二乘法（DLS）与遗传算法（GA）均适用于光学系统自动设计，前者搜索效率高但极易陷入局部极值陷阱，后者光学结构参数空间全局搜索能力强但局部搜索能力弱。针对上述问题，提出一种可校正强化搜索GA（CRSGA）。该算法在GA基础上进行了两方面的改进：首先，在GA交叉算子后，引入DLS增强局部搜索能力；其次，引入校正策略，即在下轮迭代前按比例回滚进化后评价函数值变差的个体以校正进化结果。选取双高斯（DG）、反远摄（RT）和有限共轭距成像（FCDI）这3种典型光学系统设计实验以验证CRSGA的有效性，CRSGA优化效果优于DLS、GA，且依次优于商业光学设计软件Zemax阻尼最小二乘法约8.92%、12.19%和9.39%，特别是优化结果分别达到Zemax HAMMER算法的99.98%、94.33%和88.45%。实验结果表明，所提算法对光学系统优化效果良好，可用于光学系统自动设计工作。
由于超声图像具有噪声强、质量低和边界模糊等特征，获取可靠的注释非常耗时费力，提出基于半监督和多尺度级联注意力的超声颈动脉斑块分割方法。首先，通过不确定性修正金字塔一致性（URPC）的半监督分割方法充分利用未标记数据训练模型减轻费时费力的标注压力。其次，提出一种基于边缘检测的双编码器结构，并利用边缘检测编码器辅助超声斑块图像特征编码器充分获取边缘信息；另外，设计了一个多尺度融合模块（MSFM），通过自适应融合多尺度特征改善提取不规则形状斑块的结果，并结合一个级联通道空间注意力（CCSA）模块更好地关注斑块区域；最后，在超声颈动脉斑块图像数据集上评估所提方法。实验结果表明，所提方法在该数据集上的Dice指标和交并比（IoU）指标比监督方法CA-Net（Comprehensive Attention convolutional neural Network）分别提升了约2.8和6.3个百分点，比半监督方法循环原型一致性学习（CPCL）分别提高了约1.8和1.3个百分点，所提方法可以有效提高超声颈动脉斑块图像的分割准确度。
随着大规模预训练语言模型的出现，文本生成技术已取得突破性进展。然而，在开放性文本生成领域，生成的内容缺乏拟人化的情感特征，使生成的文本难以让人产生共鸣和情感上的联系，可控文本生成在弥补当前文本生成技术不足方面具有重要意义。首先，在ChnSentiCorp数据集的基础上完成主题和情感属性的扩展，同时，为构建一个可生成流畅文本且情感丰富的多元可控文本生成模型，提出一种基于扩散序列的可控文本生成模型DiffuSeq-PT。该模型以扩散模型为基础架构，利用主题情感属性和文本数据在无分类器引导条件下对序列执行扩散过程，使用预训练模型ERNIE 3.0（Large-scale Knowledge Enhanced Pre-training for Language Understanding and Generation）的编码解码能力贴合扩散模型的加噪去噪过程，最终生成符合相关主题和多情感粒度的目标文本。与基准模型DiffuSeq相比，所提模型在2个公开的真实数据集（ChnSentiCorp和辩论数据集）上分别取得0.13和0.01的BERTScore值的提升，困惑度分别下降了14.318和9.46。
为了增强云数据存储的完整性和安全性，在无线传感器网络（WSN）中，提出一种基于混合算法区块链的数据存储方案，以及一种集成身份验证和隐私保护的去中心化框架。首先，簇头将采集到的信息传递至基站，而基站在分布式区块链上记录所有关键参数，并传递至云端存储。然后，为了获得更高的安全等级，合并椭圆曲线加密（ECC）的160位密钥与高级加密标准（AES）的128位密钥，并在云存储层之间进行密钥对交换。基于混合算法的区块链结合身份验证方案可以很好地保证云数据的安全性存储，因此所提方案在安全性方面较为优秀。此外，恶意节点可通过基站从区块链中直接移除并撤销认证，方便快捷。仿真结果表明，与去中心化的区块链信息管理（BIM）方案、基于信任和分布式区块链评估的安全定位（DBE）算法和利用密钥衍生加密和数据分析（KDE-DA）管理方案相比，所提方案在延迟、吞吐量、计算开销方面具有一定的优越性。
由于缺乏足够的训练数据，文本共情预测的进展一直都较为缓慢；而与之相关的文本情感极性分类任务则存在大量有标签的训练样本。由于文本共情预测与文本情感极性分类两个任务间存在较大相关性，因此提出了一种基于迁移学习的文本共情预测方法，该方法可从情感极性分类任务中学习到可迁移的公共特征，并通过学习到的公共特征辅助文本共情预测任务。首先通过一个注意力机制对两个任务间的公私有特征进行动态加权融合；其次为了消除两个任务间的数据集领域差异，通过一种对抗学习策略来区分两个任务间的领域独有特征与领域公共特征；最后提出了一种Hinge?loss约束策略，使共同特征对不同的目标标签具有通用性，而私有特征对不同的目标标签具有独有性。在两个基准数据集上的实验结果表明，相较于对比的迁移学习方法，所提方法的皮尔逊相关系数（PCC）和决定系数（R2）更高，均方误差（MSE）更小，充分说明了所提方法的有效性。
提示微调的核心思想是在原输入文本中插入提示模板，并将分类问题转换为含有遮掩码的语言模型预测遮掩码在句子中出现的概率。细粒度情感分析（ABSA）任务中，确定一个合适的提示模板需要相应的句法知识，而构建有效的情感标签非常耗时，而且不能忽略复杂的隐式情感观点中蕴含的语义信息和先验知识。因此，介绍一个句法提示模板，该模板将句法知识（如短语结构、依存关系）融合到情感方面词相关的情感观点挖掘的提示模板中，以增强显式或隐式情感关系对的捕获。在4个公开数据集上的实验结果表明，所提融合句法知识的提示模型SynPrompt （Syntax aware Prompt-tuning）是有效的，它在Restaurant、Laptop和MAMS数据集上分别与dotGCN （Discrete Opinion Tree Graph Convolutional Network）、DualGCN （Dual Graph Convolutional Network）和dotGCN模型相比准确率分别提升了0.81%、0.27%和0.09%。此外，消融实验和案例分析的结果表明了句法知识在显式和隐式情感提示上都是有效的。在8-Shot时，通过数据增强的方式使SynPrompt模型在4个数据集上的F1分数分别提升了31.62%、42.02%、121.04%和35.01%；然而在16、32-shot时，SynPrompt模型的准确率并没有显著提升。这说明数据增强的方式在小样本数据集上是有效的，并增强了句法提示SynPrompt模型捕获信息的能力。
