物联网（IoT）中入网设备的海量性、动态性和设备轻量级是内在联系并同时存在的特征。为了同时满足上述三个特征，提出一种基于区块链的IoT访问控制（BBIAC）框架。首先提出了该框架下的BBIAC模型，在IoT授权过程中引入属性的概念以满足模型对海量性的支持；而区块链自身的分布式结构和身份认证方式为该模型提供了动态性的支持；同时，区块链自身提供的安全性和多机构信任使BBIAC模型可以将需要大规模计算和存储的部分部署在区块链中，使该模型支持轻量级的IoT设备。接着，介绍了BBIAC模型完整的工作流程。然后，通过着色Perti网（CPN）对BBIAC模型进行形式化的安全性评估，证明了BBIAC模型的安全性。实验结果表明，BBIAC适用于具有海量性、动态性和设备轻量级特征的IoT环境。

针对载波聚合等关键技术的引入造成通信网络测试及优化困难，长期演进（LTE）网络空口测试仪表国内市场短缺的问题，提出一种支持3GPP R10/11协议标准，LTE演进（LTE-A）载波聚合等关键技术的空口监测分析仪的设计方案。首先，介绍空口监测分析仪整体物理架构及逻辑架构及两者之间的关系，及架构中各模块在监测仪中的功能；然后，设计一种监测仪中载波聚合技术的实现方案，以及一种仪表在多载波多小区情况下对多用户的支持方案，以满足新技术下用户及基站设备测试的需要。方案的应用，可加快载波聚合在网络中的商用进展，加速LTE-A网络部署进程，缩短网络建设周期，并将在网络运行维护中起到不可或缺的作用。

针对单传感器煤矿数据预测存在的片面性问题，提出将信息融合技术与相空间重构技术相结合的多传感器煤矿数据的预测模型。对井下多种传感器，包括瓦斯浓度、风速、温度传感器，进行融合预测。以多类传感器时序数据为研究对象，首先利用信息融合的方法分别对各类传感器数据依次进行数据层融合、特征层融合；然后采用关联积分方法对两级融合之后的传感器数据分别确定相重构的时间延迟τ和嵌入维数m两个参数；最后结合多变量相空间重构技术，将各类传感器数据融合重构相空间，运用基于K-Means聚类的加权一阶局域法构建多传感器数据的预测模型。数据来源于山西省阳泉煤矿，采集了近20G数据，以瓦斯浓度、风速、温度三种传感器数据进行实验，实验结果表明：对于特征层的融合，每15分钟时间段内的数据经融合后可有效作为衡量这段时间内的特征，经过预测模型计算后，与时间段为5分钟、10分钟、20分钟相比较误差达到最小ESS=0.003，较目前的最小误差值0.05，误差大大下降，故融合预测效果较好，可以较准确地预测未来15分钟后的传感器数据，可有充足时间进一步为井下的安全评估提供决策依据。

提出一种基于K-Means聚类的非线性时间序列预测模型。利用混沌时间序列短期可以预测的特点，对选取的某两处煤矿构建了瓦斯浓度预测模型。采用关联积分方法确定相空间时间延迟τ和相空间嵌入维数m。然后在重构相空间中，运用基于K-Means聚类的加权一阶局域法构建煤矿瓦斯浓度的预测模型。结果表明：在预测间隔1min的数据时，使用200个连续的数据进行训练,预测效果较好，误差达到最小值0.0341；在预测间隔多分钟的数据时，使用200个15min间隔的数据进行训练，预测效果较好，误差达到最小值0.0437，可见该瓦斯浓度时序在间隔15min后又恢复了初始的混沌性。

针对专家系统规则库的软件测试和评价是保证专家系统质量与可靠性的重要环节。基于数据流的结构化测试技术,提出了一种规则库执行流图RBEF,用于描述规则库中不同规则之间相互连结、制约关系,进而给出了一组规则库覆盖度量准则和测试用例的设计方法,最后讨论了一个已实现并付诸于应用的基于RBEF的软件测试工具ESRTS。