传统数据增强技术，如同义词替换、随机插入和随机删除等，可能改变文本的原始语义，甚至导致关键信息丢失。此外，在文本分类任务中，数据通常包含文本部分和标签部分，然而传统数据增强方法仅针对文本部分。为解决这些问题，提出一种结合标签混淆的数据增强（LCDA）技术，从文本和标签这2个基本方面入手，为数据提供全面的强化。在文本方面，通过对文本进行标点符号随机插入和替换以及句末标点符号补齐等增强，在保留全部文本信息和顺序的同时增加文本的多样性；在标签方面，采用标签混淆方法生成模拟标签分布替代传统的one-hot标签分布，以更好地反映实例和标签与标签之间的关系。在THUCNews（TsingHua University Chinese News）和Toutiao这2个中文新闻数据集构建的小样本数据集上分别结合TextCNN、TextRNN、BERT（Bidirectional Encoder Representations from Transformers）和RoBERTa-CNN（Robustly optimized BERT approach Convolutional Neural Network）文本分类模型的实验结果表明，与增强前相比，性能均得到显著提升。其中，在由THUCNews数据集构造的50-THU数据集上，4种模型结合LCDA技术后的准确率相较于增强前分别提高了1.19、6.87、3.21和2.89个百分点；相较于softEDA（Easy Data Augmentation with soft labels）方法增强的模型分别提高了0.78、7.62、1.75和1.28个百分点。通过在文本和标签这2个维度的处理结果可知，LCDA技术能显著提升模型的准确率，在数据量较少的应用场景中表现尤为突出。

知识图谱（KG）作为一种辅助信息能够有效提高推荐模型的推荐质量，但现有的基于图神经网络（GNN）的知识感知推荐模型存在节点信息利用不均衡问题。为此，提出一种基于知识感知和跨层次对比学习的推荐方法（KCCL）。所提方法在GNN的知识感知推荐模型基础上引入对比学习范式，以缓解稀疏的交互数据和嘈杂的KG在信息聚合时节点间依赖的关系偏离真实表示导致节点信息利用不均衡的问题。首先，将用户?物品交互图和物品知识图整合为一个异质图，并通过基于图注意力机制的GNN实现用户和物品的节点表示；其次，在信息传播聚合层中加入一致的噪声进行数据增强，得到不同阶层的节点表示，并将获得的最外层节点表示与最内层节点表示进行跨层次对比学习；最后，联合优化推荐监督任务和对比学习辅助任务，得到最终各节点表示。在DBbook2014和MovieLens-1m数据集上的实验结果显示，相较于次优对比方法，KCCL的Recall@10分别提升了3.66%和0.66%，NDCG@10分别提升了3.57%和3.29%，验证了KCCL的有效性。

传统多维标度方法学习得到的低维嵌入保持了数据点的拓扑结构，但忽略了低维嵌入数据类别间的判别性。基于此，提出一种基于多维标度法的无监督判别性特征学习方法——判别多维标度模型（DMDS），该模型能在学习低维数据表示的同时发现簇结构，并通过使同簇的低维嵌入更接近，让学习到的数据表示更具有判别性。首先，设计了DMDS对应的目标公式，体现所学习特征在保留拓扑性的同时增强判别性；其次，对目标函数进行了推理和求解，并根据推理过程设计所对应的迭代优化算法；最后，在12个公开的数据集上对聚类平均准确率和平均纯度进行对比实验。实验结果表明，根据Friedman统计量综合评价DMDS在12个数据集上的性能优于原始数据表示和传统多维标度模型的数据表示，它的低维嵌入更具有判别性。

针对现有小目标跟踪算法的鲁棒性差、精度及成功率低的问题，提出一种基于孪生网络和Transformer的小目标跟踪算法SiamTrans。首先，基于Transformer机制设计一种相似度响应图计算模块。该模块叠加若干层特征编码-解码结构，并利用多头自注意力机制和多头跨注意力机制在不同层次的搜索区域特征图中查询模板特征图信息，从而避免陷入局部最优解，并获得一个高质量的相似度响应图；其次，在预测子网中设计一个基于Transformer机制的预测模块（PM），并利用自注意力机制处理预测分支特征图中的冗余特征信息，以提高不同预测分支的预测精度。在Small90数据集上，相较于TransT（Transformer Tracking）算法，所提算法的跟踪精度和跟踪成功率分别高8.0和9.5个百分点。可见，所提出的算法具有更优异的小目标跟踪性能。

深度学习在缺陷检测方面具有优越性能，然而在工业应用过程中由于缺陷概率低，无缺陷图像的检测过程占据了大部分计算时间，严重限制了整体上的有效检测速度。针对上述问题，提出一种基于级联网络的型钢表面缺陷检测算法SDNet。该算法分为两个阶段：预检阶段和精检阶段。预检阶段采用基于深度可分离卷积（DSC）以及多尺度并行卷积的轻量化ResNet预检网络，判断型钢表面图像是否存在缺陷；精检阶段以YOLOv3作为基准网络对图像中的缺陷进行准确分类与定位，并在主干特征提取网络以及预测分支中引入改进空洞空间金字塔池化（ASPP）模块以及对偶注意力模块，以提升网络的检测性能。实验结果表明，SDNet在1 024像素×1 024像素图像上的检测速度达到每秒120.63帧，准确率达到92.1%。与原YOLOv3算法相比，所提算法的检测速度是原YOLOv3算法的3.7倍，检测精度提高了10.4个百分点，可应用于型钢表面缺陷的快速检测。

当前网络安全事故频发，传统被动防御技术已经无法应对未知的网络安全威胁。针对这一问题，构建了多阶段演化信号博弈模型，并以防御方主动发射诱导信号进行安全防御为背景，提出了一种基于多阶段演化信号博弈模型的移动目标防御（MTD）决策算法。首先，以博弈双方不完全信息约束及完全理性前提为假设对模型的基本元素进行定义并进行模型整体理论分析；然后，设计了攻防策略的收益量化方法，并给出了详细的最优策略均衡求解过程；最后，引入MTD方法分析多阶段攻防情况下双方策略的演化趋势。实验结果表明，所提算法能准确预测出不同阶段最优防御策略，而且对新型网络主动防御技术研究具有指导意义。同时，通过蒙特卡洛仿真实验，将所提算法与传统随机均匀策略选择算法进行对比，所得结果验证了所提算法的有效性和安全性。

为了解决由于型钢表面缺陷形态多样、微小缺陷众多所带来的检测效率低与检测精度差的问题，提出一种基于可变形卷积与多尺度-密集特征金字塔的型钢表面缺陷检测算法——Steel-YOLOv3。首先，使用可变形卷积代替Darknet53网络部分残差单元的卷积层，从而强化特征提取网络对型钢表面多类型缺陷的特征学习能力；其次，设计了多尺度-密集特征金字塔模块：在原有YOLOv3算法的3层预测尺度上增加1层更浅层的预测尺度，再对多尺度特征图进行跨层密集连接，从而增强对密集微小缺陷的表征能力；最后，针对型钢缺陷尺寸分布特点，使用K-means维度聚类方法优化先验框尺寸并将先验框平均分配到4个对应预测尺度上。实验结果表明：Steel-YOLOv3算法具有89.24%的检测平均精度均值（mAP），与Faster R-CNN（Faster Region-based Convolutional Neural Network）、SSD（Single Shot MultiBox Detector）、YOLOv3和YOLOv5算法相比分别提高了3.51%、26.46%、12.63%和5.71%，且所提算法显著提升了微小剥落缺陷的检出率。另外，所提算法的每秒检测图像数量达到25.62张，满足实时检测的要求，可实际应用于型钢表面缺陷的在线检测。

与二维可见光图像相比，三维点云在空间中保留了物体真实丰富的几何信息，能够应对单目标跟踪问题中存在尺度变换的视觉挑战。针对三维目标跟踪精度受到点云数据稀疏性导致的信息缺失影响，以及物体位置变化带来的形变影响这两个问题，在端到端的学习模式下提出了由三个模块构成的提案聚合网络，通过在最佳提案内定位物体的中心来确定三维边界框从而实现三维点云中的单目标跟踪。首先，将模板和搜索区域的点云数据转换为鸟瞰伪图，模块一通过空间和跨通道注意力机制丰富特征信息；然后，模块二用基于锚框的深度互相关孪生区域提案子网给出最佳提案；最后，模块三先利用最佳提案对搜索区域的感兴趣区域池化操作来提取目标特征，随后聚合了目标与模板特征，利用稀疏调制可变形卷积层来解决点云稀疏以及形变的问题并确定了最终三维边界框。在KITTI跟踪数据集上把所提方法与最新的三维点云单目标跟踪方法进行比较的实验结果表明：在汽车类综合性实验中，真实场景中所提方法在成功率上提高了1.7个百分点，精确率上提高了0.2个百分点；在多类别扩展性实验上，即在汽车、货车、骑车人以及行人这4类上所提方法的平均成功率提高了0.8个百分点，平均精确率提高了2.8个百分点。可见，所提方法能够解决三维点云中的单目标跟踪问题，使得三维目标跟踪结果更加精确。

在软件定义网络（SDN）中，各类网络应用的独立开发以及多用户的网络管理可能导致下发至交换设备的流规则发生冲突，而控制平面与转发平面的分离使得交换设备缺乏策略分析能力，无法独立检测内部的流规则冲突。针对这一问题，提出一种流规则冲突检测系统和检测算法。首先，通过监听、捕获控制平面与转发平面之间的OpenFlow报文，获取即将下发的流规则的信息。然后，使用冲突检测算法判定流规则的冲突类型。该算法根据流规则的匹配协议选择对应的规则集合，从而缩小了检测规模；而且在检测时优先对无冲突（NC）规则的特征进行检测，使得对NC规则的检测效率要高于其他类型的冲突规则。最后，根据冲突类型对流规则进行冲突消解。实验结果表明，所提冲突检测算法的检测准确率可以达到100%，与动态冲突检测模型相比该算法在同等规模的规则集合下的检测时间缩短约47%。且检测时间随NC规则占比的提高而缩短。

为了提高利用图像处理技术进行四轴飞行器避障的实时性，提出一种基于贝叶斯估计与区域划分遍历的避障路径规划算法。首先，通过贝叶斯估计来对四轴飞行器采集到的视频图像进行预处理；其次，对采集到的图像进行障碍物概率分析以获取视频图像中的关键帧，最大限度地提高四轴飞行器的实时性；最后，对选取的图像帧进行背景差分实现障碍物识别，并通过实现基于区域划分的像素点遍历算法提高障碍物识别的准确性。实验结果表明，在保证障碍物识别性能的前提下，所提算法使四轴飞行器进行避障时的实时性有所提升，且四轴飞行器的理想轨迹与实际飞行轨迹的最大距离为25.6 cm，最小距离为0.2 cm。可见所提出的避障路径规划算法为四轴飞行器利用摄像头采集的视频图像进行避障提供了一种高效的解决方案。

针对社交媒体平台上消息内容普遍很短、传播结构中存在大量空转发、用户角色与内容间的失配等条件约束，提出了一种基于传播网络中的用户属性信息和消息内容的谣言检测模型GMB_GMU。首先以用户属性为节点、传播链为边构建用户传播网络，并引入图注意力网络（GAT）得到用户属性的增强表示；同时，基于此用户传播网络，利用node2vec得到用户的结构表征，并使用互注意机制对其进行增强。另外，引入BERT建立源帖内容表征。最后，利用多模态门控单元（GMU）对用户属性表征、结构表征和源帖内容表征进行融合，从而得到消息的最终表征。实验结果表明，GMB_GMU模型在公开的Weibo数据上的准确率达到0.952，能够有效识别谣言事件，效果明显优于基于循环神经网络（RNN）和其他神经网络基准模型的传播算法。

针对通过脑成像对阿尔茨海默症（AD）进行人工识别存在主观性、易误诊的问题，提出了一种基于核磁共振成像（MRI）图像构建脑网络对AD进行自动识别的方法。首先，把MRI图像叠加并进行结构块划分，并通过计算任意两个结构块之间的结构相似性（SSIM）来构造网络；然后，利用复杂网络理论提取结构参数，并将其作为机器学习算法的输入实现AD的自动识别。分析发现双参数特别是节点介数和边介数作为输入时分类效果最优，进一步研究发现MRI图像划分为27个结构块时分类效果最优，对于加权网络和无权网络的准确率分别最高可达91.04%和94.51%。实验结果表明，基于MRI结构块划分构建的结构相似性复杂网络能够对AD进行准确率更高的识别。

为融合节点描述信息提升网络表示学习质量，针对社会网络中节点描述属性信息存在的语义信息分散和不完备性问题，提出一种融合节点描述属性的网络表示（NPA-NRL）学习算法。首先，对属性信息进行独热编码，并引入随机扰动的数据集增强策略解决属性信息不完备问题；然后，将属性编码和结构编码拼接作为深度神经网络输入，实现两方面信息的相互补充制约；最后，设计了基于网络同质性的属性相似性度量函数和基于SkipGram模型的结构相似性度量函数，通过联合训练实现融合语义信息挖掘。在GPLUS、OKLAHOMA和UNC三个真实网络数据集上的实验结果表明，和经典的DeepWalk、TADW（Text-Associated DeepWalk）、UPP-SNE（User Profile Preserving Social Network Embedding）和SNE（Social Network Embedding）算法相比，NPA-NRL算法的链路预测AUC（Area Under Curve of ROC）值平均提升2.75%，节点分类F1值平均提升7.10%。

针对二阶偏微分方程（PDE）放大算法丢失弱边缘和纹理细节的不足，提出一种改进复扩散自适应耦合非局部变换域模型的图像放大算法。利用复扩散具有边缘定位准确的特点耦合冲击滤波器，改进复扩散模型能够较好地增强强边缘；而通过对相似图像块构成图像组的三维变换系数的稀疏特性进行建模，非局部变换域模型能够很好地利用图像中相似图像块的非局部信息，对弱边缘和纹理细节有较好的处理效果；最后利用复扩散得到图像的二阶导数作为参数实现改进复扩散模型和非局部变换域模型自适应耦合。所提算法与偏微分方程放大算法、非局部变换域放大算法和偏微分方程耦合空域非局部模型放大算法进行仿真实验比较，在强边缘、弱边缘和细节纹理具有较好的放大效果，弱边缘和纹理细节图像在平均结构相似性测度上高于改进复扩散放大算法、非局部变换域放大算法。所提算法验证了空域模型和变换域模型、局部模型和非局部模型耦合结合的有效性。

针对传统移动轨迹模式挖掘方法挖掘速度慢、占用最大内存大的问题，提出一种基于空间邻近搜索的移动轨迹相对时间模式挖掘方法。该方法包括5个阶段：1）对移动轨迹数据进行时空划分，并基于移动轨迹数据与时空格的匹配得到移动轨迹数据对应的时空格序列。2）扫描所有的时空格序列数据得到空间网格集合，并通过空间网格与时空格序列的包含运算得到所有的频繁空间网格。3）频繁空间网格转变为长度为1的频繁相对时间模式。4）基于空间邻近搜索的方式进行模式增长，得到以频繁空间网格为单元的候选相对时间模式，并通过相对时间模式与时空格序列的匹配运算，计算相对时间模式的支持度。5）基于设定的支持度阈值，得到所有频繁的相对时间模式。实验结果表明：所提方法由于采用了基于空间邻近搜索的方式进行模式扩展，大幅减小候选相对时间模式的搜索范围。与传统方法相比，所提方法具有挖掘速度快、占用最大内存少的优点。另外，方法在运行时间上具有更好的稳定性和可扩展性，而在占用最大内存上的稳定性与可扩展性与传统方法基本相近。该方法有助于移动轨迹模式挖掘方法提升挖掘速度、减少占用最大内存。

针对裸眼三维中视差图生成过程中存在的高成本、长耗时以及容易出现背景空洞的问题，提出了一种基于卷积神经网络（CNN）学习预测的算法。首先通过对数据集的训练学习，掌握数据集中的变化规律；然后对输入卷积神经网络中的左视图进行特征提取和预测，得到深度值连续的深度图像；其次将预测所得到的每一个深度图和原图进行卷积，将生成的多个立体图像对进行叠加，最终形成右视图。仿真结果表明：该算法的像素重构尺寸误差相比基于水平视差的三维显示算法和深度图像视点绘制的算法降低了12.82%和10.52%，且背景空洞、背景粘连等问题都得到了明显改善。实验结果表明，卷积神经网络能提高视差图生成的图像质量。

针对移动传感器网络监测区域中目标覆盖所需传感器数不同且各目标之间没有形成通路的问题，提出了通过虚拟力方法实现对不同目标的按需覆盖方法。根据不同目标的覆盖需求设置对传感器节点的基于万有引力的吸引力、节点之间基于库仑力的斥力以及目标之间的引力线，节点在虚拟合力的引导下覆盖目标或连接成通路。仿真结果显示所提方法与已有代表性算法相比收敛时间短，节点移动公平性高达99%，且GPS误差的影响能够控制在1%以下，可实现稀疏或密集初始条件下按需覆盖的分布式快速部署。

针对现有球面嵌入算法在非近邻点间的距离度量不准确或缺失的情况下，不能有效地进行低维嵌入的问题，提出了一种新的球面嵌入算法，它能够只利用近邻点间的距离，将任何尺度的高维数据嵌入到单位球面上，同时求出适合原始数据分布的球面半径。该算法从一个随机产生的球面分布开始，利用KL散度衡量每对近邻点间的归一化距离在原始空间和球面空间中的差异，并基于此差异构建出目标函数，然后再用带有动量的随机梯度下降法，不断优化球面上点的分布，直到结果稳定。为了测试算法，模拟产生了两类球面分布数据：分别是球面均匀分布和球面正态分布的数据。实验结果表明，对于球面均匀分布的数据，即使在近邻点个数很少的情况下，仍然能够将数据准确地嵌入球面空间，嵌入后的数据分布与原始数据分布的均方根误差（RMSE）低于0.00001，且球面半径的估算误差低于0.000001；而对于球面正态分布的数据，在近邻点个数较多的情况下，该算法也可以将数据较准确地嵌入球面空间。因此，在非近邻点间距离缺失的情况下，所提方法仍然可以较准确地对数据进行低维嵌入，这非常有利于数据的可视化研究。

针对可视图（VG）算法存在噪声鲁棒性差的问题，提出一种改进的有限穿越可视图（LPVG）建网方法。该算法基于可视图（VG）算法的可视性准则，并设定有限穿越视距，将时间序列中满足条件的点连接起来，从而将时间序列映射为网络。首先，对LPVG算法进行性能分析；然后，将LPVG算法结合功率谱密度（PSD）算法应用到癫痫发作前、中、后脑电信号的识别上；最后，提取三种状态下癫痫脑电信号的LPVG网络特征参数，研究癫痫对网络拓扑结构的影响。仿真结果表明，与VG和水平穿越可视图（HVG）相比，虽然LPVG算法的时间复杂度较高，但是LPVG对信号中的噪声具有较强的鲁棒性：分别对周期、随机、分形和混沌四种时间序列进行LPVG建网，发现随着噪声强度增大，LPVG网络聚类系数的波动率均为最低，分别为6.73%、0.05%、0.99%和3.20%。接下来对脑电信号的PSD和LPVG建网分析结果表明，癫痫发作中，PSD值在delta频带下显著增强，而在theta频带下显著降低；LPVG网络拓扑结构有所改变，网络中各模块的独立性有所提高，网络的平均路径长度增大，复杂度降低。所提的功率谱密度和有限穿越可视图算法能够有效表征癫痫前、中、后三种状态下的脑电信号能量分布和单通道信号可视化后的网络拓扑结构的异常，为癫痫的病理研究和临床诊断提供帮助。

针对现有协同认知无线网络工作在固定结构导致灵活性低、对复杂环境适应力不足的问题，以提高其抗干扰和抗毁能力为目标，提出了一种基于协同认知的网络结构自适应技术。该技术能够使协同认知无线网络在集中控制、自组织和协同中继三种结构之间灵活、自主切换，从而应对电磁干扰、设备故障和通信链路遮挡等问题，极大增强了网络的稳健性。详细介绍了切换方案设计和节点协议实现，并通过搭建基于GNU Radio和二代通用软件无线电外设（USRP2）的协同认知无线网络测试床对其切换耗时以及吞吐量性能进行实际测试验证。结果表明，相比单一、固定的网络结构，该技术能够显著增强网络抗毁性、连通性，提高服务质量（QoS）。

多视匹配点的提取是多视影像场景三维重建的核心问题之一,提取结果将直接影响三维重建的精度。将多视匹配点的提取问题转化为动态连通性问题,设计了基于并查集算法的解决方案。采用高效的树结构来组织并查集中的节点,在树中采用parent-link连接方式,使得每次增加匹配点对的过程中只需修改单个节点的寻址参数,避免了遍历数组来比较寻址参数的计算过程,提高了查找和修改的效率。同时通过加权策略对算法进行优化,利用加权编码方式替代常用的硬编码,可以平衡树状图的结构,降低树中节点的平均深度。多组影像集的实验结果表明,基于并查集的算法可以提取更多的多视匹配点,并且计算效率要优于传统的广度优先搜索算法。

针对图像匹配技术中匹配时间与匹配精度不能同时满足要求的问题,提出一种基于特征点匹配的方法,利用随机森林分类器实现地标的匹配,将匹配问题转化为简单的分类问题,大大简化了计算过程,保证影像匹配实时性;采用FAST特征点表示影像地标,利用高斯金字塔结构以及仿射增强策略改进FAST特征点的尺度和仿射不变性,提升影像地标匹配率。将实验结果与尺度不变特征变换(SIFT)算法和加速鲁棒性(SURF)算法进行比较。实验结果表明在尺度变化、发生遮挡以及旋转情况下,匹配率能达到90%左右,保持与SIFT算法和SURF算法相近的匹配率,并且匹配时间相较其他两种算法减少了一个数量级,能有效地对影像地标进行匹配,匹配时间也满足实时影像地标匹配要求。

目前,由于可供网络协议开发的硬件资源极其有限,而且真实性能评估要求硬件上的组网产生了高额的硬件成本。因此,对于大多数网络协议的研究以及性能评估都是基于纯软件系统进行的,其结果仅局限于理论意义。为了解决这些问题,基于GNU Radio平台以及二代通用软件无线电外设(USRP2)设计和实现了分布式无线网络媒体介入控制(MAC)协议的半实物仿真系统。该系统以IEEE802.11分布式协调功能(DCF)为协议框架,结合离散事件仿真技术,依靠较少的硬件资源(一台个人计算机(PC)和两台USRP2)模拟了多个节点的无线通信网络。实现中,MAC层协议使用简洁的Python语言进行系统开发,具有很大的灵活性,而且扩展性和可移植性强;物理层使用高效的C++语言对信号进行模块化处理,并利用USRP2射频硬件在真实信道上进行数据传输。将系统的节点发送概率以及吞吐量实测数据分别与Bianchi算法以及基于时隙分析的饱和吞吐量计算模型进行了对比,对比结果的吻合性说明了网络仿真平台的可靠性。

针对当前决策树算法较少考虑训练集的嘈杂程度对模型的影响,以及传统驻留内存算法处理海量数据困难的问题,提出一种基于Hadoop平台的不确定概率C4.5算法——IP-C4.5算法。在训练模型时,IP-C4.5算法认为用于建树的训练集是不可靠的,通过用基于不确定概率的信息增益率作为分裂属性选择标准,减小了训练集的嘈杂性对模型的影响。在Hadoop平台下,通过将IP-C4.5算法以文件分裂的方式进行MapReduce化程序设计,增强了处理海量数据的能力。与C4.5和完全信条树(CCDT)算法的对比实验结果表明,在训练集数据是嘈杂的情况下,IP-C4.5算法的准确率相对更高,尤其当数据嘈杂度大于10%时,表现更加优秀;并且基于Hadoop的并行化的IP-C4.5算法具有处理海量数据的能力。

针对增强图像中的弱边缘、细节纹理和消除二阶偏微分方程在图像平滑部分的阶梯效应问题,提出一种各向异性四阶偏微分方程耦合二阶偏微分方程的图像放大算法。算法通过像素的局部方差自适应约束阈值,实现图像中不同结构的各向异性四阶扩散,增强弱边缘和细节纹理,去除平滑部分阶梯效应,同时耦合改进的总变差方法和受梯度约束的冲激滤波器对边缘进行增强,放大算法采用双正交映射实现图像退化模型的约束。仿真实验证明该算法能够很好地增强边缘、细节和纹理,去除阶梯效应。与其他二阶偏微分方程放大算法比较,算法具有较好的主观视觉效果,算法放大图像的峰值信噪比(PSNR)和平均结构相似性测度(MSSIM)也高于其他二阶偏微分方程算法,其中平滑部分较多图像的PSNR比基于改进的总变差放大算法提高1 dB左右,细节纹理较多的图像提高0.5 dB以上。该算法的放大图像更加自然,弱边缘和细节能够得到分辨率增强。

针对事物可拓状态的识别问题,提出了一种可拓模式判别模型.首先,给出了可拓模式判别的定义;然后,分析了论域的静态划分与动态划分特性;其次,设计出可拓模式判别的一般框架,并给出了对判别结论进行质变与量变的量化处理公式;最后,利用提出的方案对实例的一般状态及可拓状态进行了判别.实验结果表明了该方案对对象可拓状态表达、分析与判别的可行性.模型能够有效地解决传统可拓模式分类器所无法解决的可拓性与状态变换的判别问题.

针对自动门运行过程中的效率及安全问题,提出了一种基于全方位视觉传感器(ODVS)的自动门安全和节能智能检测技术。首先,采用ODVS采集自动门周边的360°全景图,并对全景图像按检测要求进行预处理;接着,采用一种运动历史/能量图像(MHoEI)算法来检测和跟踪运动目标前景对象;然后,根据前景对象的运动方向和空间位置等信息来分析行人的行为;最后,根据行人的行为和状态来控制自动门的开启和关闭,以达到自动门安全性、节能性和舒适性的控制目标。实验结果表明,该检测方法能有效地识别自动门周围的行人行为,有助于避免各种自动门安全隐患发生,同时能高精度统计出进出自动门的人流量。

针对无线传感器网络(WSN)中的信任值更新问题，提出了一种基于模糊预测(FP)的无线传感器网络信任值更新的方法——RMFP。算法采用模糊数学理论方法，利用模糊隶属函数来全面地刻画节点的表现行为，并将其转换成节点的模糊隶属度，最后将模糊隶属度进行整合以实现节点的信任值更新。仿真实验表明，所提算法在整合节点信任值精确度方面提高了10.8%，在判断可疑节点的速度方面提高了两倍。这说明基于模糊预测的节点信任值更新算法在发现并摒除恶意节点的准确率和速度上均有显著的效果，尤其是针对前期取得高信任的恶意节点的判断具有很强的优势。

针对高度测量信息不准确情况下的欠驱动无人水下航行器(UUV)地形跟踪控制问题，结合欠驱动UUV的固有特性，提出了一种基于反步法的非线性海底地形跟踪控制方法。首先，针对高度计受海水温度和盐度等海洋环境的干扰而导致高度测量信息不准确的问题，采用卡尔曼滤波器对高度测量信息进行处理，提高高度信息的准确性;然后，基于Lyapunov稳定性理论和反步法设计了非线性地形跟踪控制器，并证明了控制系统的渐近稳定性;最后，分别通过仿真实验和海试实验对所提出的方法进行验证。结果表明，基于高度信息滤波处理的欠驱动UUV非线性地形跟踪控制器能够实现精确的地形跟踪控制。

针对数字图像信息隐藏存在的安全问题，提出一种基于按位分层Arnold变换的置乱算法。算法将秘密图像按位平面分层，同时考虑图像的位置迁移和像素的灰度变换，对每个位平面进行不同次数的Arnold变换，经像素交叉换位，相邻像素间按位异或得出置乱图像。实验结果表明，秘密图像分层置乱后直方图分布更加均匀，与白噪声相似度在0.962左右，置乱图像可近无损地还原和提取，提高了信息隐藏的鲁棒性。与其他置乱算法相比，置乱图像具有更高的置乱度、更强的抵御攻击能力，提高了空域信息隐藏的安全性。