随着人工智能的发展，深度神经网络成为多种模式识别任务中必不可少的工具，由于深度卷积神经网络（CNN）参数量巨大、计算复杂度高，将它部署到计算资源和存储空间受限的边缘计算设备上成为一项挑战。因此，深度网络压缩成为近年来的研究热点。低秩分解与向量量化是深度网络压缩中重要的两个研究分支，其核心思想都是通过找到原网络结构的一种紧凑型表达，从而降低网络参数的冗余程度。通过建立联合压缩框架，提出一种基于低秩分解和向量量化的深度网络压缩方法——可量化的张量分解（QTD）。该方法能够在网络低秩结构的基础上实现进一步的量化，从而得到更大的压缩比。在CIFAR-10数据集上对经典ResNet和该方法进行验证的实验结果表明，QTD能够在准确率仅损失1.71个百分点的情况下，将网络参数量压缩至原来的1%。而在大型数据集ImageNet上把所提方法与基于量化的方法PQF （Permute， Quantize， and Fine-tune）、基于低秩分解的方法TDNR （Tucker Decomposition with Nonlinear Response）和基于剪枝的方法CLIP-Q （Compression Learning by In-parallel Pruning-Quantization）进行比较与分析的实验结果表明，QTD能够在相同压缩范围下实现更好的分类准确率。

为了增强对初始轮廓的鲁棒性并提高对灰度不均图像、噪声图像的分割效率，提出一种基于区域的活动轮廓模型。首先分别构造全局灰度拟合力与局部灰度拟合力，然后用线性组合获得模型的拟合项，并通过调整拟合力之间的权重提高模型对初始轮廓的鲁棒性，最后利用演化曲线的长度项保持曲线的光滑性。通过实验结果可以看出：与区域可变灰度拟合（RSF）模型和选择性局部或全局分割（SLGS）模型相比，所提模型的迭代步数分别减少了约57%和31%，分割时间分别减少了约62%和14%。所提模型在无需初始轮廓的情况下，不仅可以快速、准确地分割灰度不均图像和噪声图像，而且对医学图像和红外图像等一些实际应用图像也有很好的分割效果。

针对使用中文文本进行情感分析时，忽略语法规会降低分类准确率的问题，提出一种融合语法规则的双通道中文情感分类模型CB_Rule。首先设计语法规则提取出情感倾向更加明确的信息，再利用卷积神经网络（CNN）的局部感知特点提取出语义特征；然后考虑到规则处理时可能忽略上下文的问题，使用双向长短时记忆（Bi-LSTM）网络提取包含上下文信息的全局特征，并对局部特征进行融合补充，从而完善CNN模型的情感特征倾向信息；最后将完善后的特征输入到分类器中进行情感倾向判定，完成中文情感模型的构建。在中文电商评论文本数据集上将所提模型与融合语法规则的Bi-LSTM中文情感分类方法R-Bi-LSTM以及融合句法规则和CNN的旅游评论情感分析模型SCNN进行对比，实验结果表明，所提模型在准确率上分别提高了3.7个百分点和0.6个百分点，说明CB_Rule模型具有很好的分类效果。

针对梯度下降法收敛性较差、对局部极小值比较敏感的问题，提出一种改进NAG算法，并以此替换距离保持水平集演化（DRLSE）模型中的梯度下降算法，进而得到一个基于NAG的图像快速分割算法。首先，给出初始水平集演化方程；其次，用改进NAG算法计算梯度；最后，对水平集函数进行不断更新，从而避免水平集函数陷入局部极小值。实验结果表明，与DRLSE模型中的原算法相比，所提算法迭代次数减少了约30%，CPU运行时间减少了30%以上。该算法实现简单，能够对实时性要求较高的红外图像、医学图像进行快速、有效的分割。

对运行在文件系统上的工作负载进行分析有助于优化分布式文件系统的性能，且对构建新型存储系统至关重要。由于工作负载的复杂性和规模多样性的增加，使用基于直觉的分析来显式地捕获工作负载踪迹的特征是不完备的。针对这一问题，提出了一个分布式日志分析与负载特征提取模型。首先，从分布式文件系统日志中根据关键字抽取出与读写相关的信息；其次，从统计与时序两方面对负载特征进行描述；最后，分析基于负载特征进行系统优化的可能。实验结果表明，提出的模型具有一定的可行性与准确性，且可以较为详细地给出负载统计与时序特征，具有低开销、高时效、易于分析等优点，可以用来指导具有相同特征的工作负载的合成、热点数据监测、系统的缓存预取优化。

针对灰度不均图像的分割问题，提出了一个结合全局信息的局部区域自适应灰度拟合模型。首先，分别利用图像的局部和全局信息构造了局部拟合项和全局拟合项；其次，利用像素点邻域内灰度的极差反映该点邻域内灰度的偏差程度，并以此定义了一个自适应权值函数；最后，利用定义的权值函数为局部项和全局项自适应赋权值，得到所提模型的能量泛函，并使用变分法推导出模型的水平集函数迭代方程。数值实现采用有限差分法。实验结果表明，与区域可变灰度拟合（RSF）模型和局部和全局灰度拟合（LGIF）模型相比，所提模型不仅能够稳定、准确地分割多种灰度不均图像，而且对演化曲线初始轮廓的位置、大小和形状具有更强的鲁棒性。

针对医学图像中存在的灰度对比度低、器官组织边界模糊等问题，提出一种新的随机森林（RF）特征选择算法用于鼻咽肿瘤MR图像的分割。首先，充分提取图像的灰度、纹理、几何等特征信息用于构建一个初始的随机森林分类器；随后，结合随机森林特征重要性度量，将改进的特征选择方法应用于原始手工特征集；最终，以得到的最优特征子集构建新的随机森林分类器对测试图像进行分割。实验结果表明，该算法对鼻咽肿瘤的分割精度为：Dice系数79.197%，Acc准确率97.702%，Sen敏感度72.191%，Sp特异性99.502%。通过与基于传统随机森林和基于深度卷积神经网络（DCNN）的分割算法对比可知，所提特征选择算法能有效提取鼻咽肿瘤MR图像中的有用信息，并较大程度地提升小样本情况下鼻咽肿瘤的分割精度。

鼻咽肿瘤生长方向不确定，解剖结构复杂，当前主要依靠医生手动分割，该方法耗时久同时严重依赖于医生的经验。针对这一问题，基于深度学习理论，提出一种基于U-net模型的全自动鼻咽肿瘤MR图像分割算法，利用卷积操作替换原始U-net模型中的最大池化操作以减少特征信息的损失。首先，从所有患者的肿瘤切片中提取大小为128×128的区域作为数据样本；然后，将患者样本分为训练样本集和测试样本集，并对训练样本集进行数据扩充；最后，选择训练样本集中所有数据用于训练网络模型。为了验证所提模型的有效性，选取测试样本集中患者的所有肿瘤切片进行分割，最终平均分割精度可达到：DSC（Dice Similarity Coefficient）为80.05%，PM系数为85.7%，CR系数为71.26%，ASSD（Average Symmetric Surface Distance）指标为1.1568。与基于图像块的卷积神经网络（CNN）相比，所提算法DSC，PM（Prevent Match）、CR（Correspondence Ratio）系数分别提高了9.86个百分点、19.61个百分点、16.02个百分点，ASSD指标下降了0.4364；与全卷积神经网络（FCN）模型及基于最大池化的U-net网络相比，所提算法的DSC、CR系数均取得了最优结果，PM系数较两种对比模型中的最大值低2.55个百分点，ASSD指标较两种对比模型中的最小值略高出0.0046。实验结果表明，所提算法针对鼻咽肿瘤图像可以实现较好的自动化分割效果以辅助医生进行诊断。

针对局部图像拟合（LIF）模型对初始轮廓大小、形状和位置敏感的问题，提出一个结合全局信息的局部图像灰度拟合模型。首先，构造了一个基于全局图像信息的全局项；其次，将该全局项与LIF模型中的局部项线性组合；最后，得到了一个以偏微分方程形式存在的图像分割模型。数值实现采用有限差分法，同时采用高斯滤波器正则化水平集函数以确保水平集函数的光滑作用。在分割实验中，当选取不同的初始轮廓时，该模型均能得到正确的分割结果，且分割时间仅为LIF模型的20%到50%。实验结果表明，所提模型既对演化曲线初始轮廓的大小、形状和位置都不敏感，又能够有效地分割灰度不均图像，且分割速度较快。此外，在无初始轮廓的情形下，该模型能快速分割一些真实图像和人造图像。

针对各种智能设备在移动蜂窝网络中的普及及移动流量需求日益增长的问题，研究控制无线电带宽并将其分配给多个无线电用户设备，提出了一个基于软件定义网络（SDN）的资源分配框架，以及LTE/WLAN多无线电网络中异构资源分配算法。该框架将SDN范式应用到LTE-WLAN集成网络的异构资源分配，并进行了扩展，以整体的方式分配LTE/WLAN多无线电网络中的异构射频带宽。通过将集中式解决方案的功能分解到指定的网络实体的方式，来处理异构资源。模拟实验表明，所提框架可以较好地平衡网络吞吐量和用户公平性，且算法收敛性较好。

针对电子政务云跨域访问中用户资源共享访问控制细粒度不足的安全问题,提出一种基于用户等级的跨域访问控制方案。该方案采用了云计算典型访问控制机制——身份和访问控制管理(IAM),实现了基于用户等级的断言属性认证,消除了用户在资源共享中由于异构环境带来的阻碍,提供一种细粒度的跨域访问控制机制。基于Shibboleth和OpenStack的keystone安全组件,搭建了云计算跨域访问系统,通过测试对比用户的域外和域内token,证明了方案的可行性。

针对云计算环境下的任务调度程序通常需要较多响应时间和通信成本的问题,提出了一种基于蜜蜂行为的负载均衡(HBB-LB)算法。首先,利用虚拟机(VM)进行负载平衡来最大化吞吐量;然后,对机器上任务的优先级进行平衡;最后,将平衡重点放在减少VM等待序列中任务的等待时间上,从而提高处理过程的整体吞吐量和优先级。利用CloudSim工具模拟云计算环境进行仿真实验,结果表明,相比粒子群优化(PSO)、蚁群算法(ACO)、动态负载均衡(DLB)、先入先出(FIFO)和加权轮询(WRR)算法, HBB-LB算法的平均响应时间分别节省了5%、13%、17%、67%、37%,最大完成时间分别节省了20%、23%、18%、55%、46%,可以更好地平衡非抢占式独立任务,适用于异构云计算系统。

针对无线传感器网络(WSN)通信安全的问题,提出了一种基于代理的多层安全检测方法。该模型按节点功能不同将网络中的节点分为三层,各层分别执行相应的检测方法进行入侵判定,以维护网络的安全。考虑到节点能量有限的约束,引入移动代理技术进行高效的数据采集;同时,利用代理节点辅助簇头节点完成底层安全检测任务,降低簇头节点的能耗,提高簇头节点的生命周期。仿真实验表明,与传统的Su和eHIDS安全检测方法相比,对于Normal、Probe、Hello等攻击,所提方法下的检测率最多可提升约35%,误报率最多可降低约10%并且网络整体能耗明显减少,因此该方法可有效地检测无线传感网络中的网络攻击。

针对传统电力地理信息系统（GIS）在存储能力、分析能力和扩展能力上的不足，将云计算技术应用到电力GIS领域，提出利用Hadoop云平台对电力GIS数据进行高效存储和管理的方案。首先对电力GIS各类数据的特点进行了分析，提出了关系型数据库与非关系型数据库相结合的数据存储策略，并在此基础上设计了基于Hadoop的电力GIS数据管理整体架构、相应的数据模型以及基于MapReduce的数据并行查询分析方法。最后，在单机和集群的环境下，对空间分析与运行数据查询的性能进行了对比与验证。实验结果表明，在数据量达到一定规模时，该方案优势明显，数据分析与查询的平均时间缩短30%以上，具有较高的效率和良好的扩展性。

针对传统的航迹关联算法在运动目标交叉、分岔时，常出现错漏相关航迹且计算量随着传感器和目标数量增加而飞速增长的缺陷，提出一种改进的Kohonen神经网络航迹关联算法。该算法由聚类关联、目标状态估计、神经元优化和状态融合估计等模块组成。通过给每个竞争层神经元加上一个合适的阈值，有效避免了常规的Kohonen神经网络因初始权值选择不合适而容易造成坏死神经元的问题。进一步设计了自组织竞争神经网络学习规则，将多传感器在同一时刻的测量数据进行自组织聚类，从而实现测量数据的有效关联。最后，利用连续时间下的关联数据，实现运动目标航迹关联。仿真研究验证了该算法的可行性和有效性。

为了探索人脑的工作机制，提出将社团划分算法应用于人脑功能网络。利用功能磁共振(fMRI)采集28名健康被试静息态脑功能数据，构建了基于时间序列的脑功能网络;根据模块度和网络全连接理论对网络中的边数划定阈值范围，利用层次聚类算法和贪心算法对脑网络进行社团划分，实验结果证明两种算法的划分结果基本一致，验证了人脑功能网络具有模块化结构;进而分析了脑网络社团结构在跨阈值范围内的差异化表现，提出了研究脑功能网络的边数有效阈值范围是180至320条边。挖掘脑网络的社团结构有助于研究脑病变机理，以辅助脑疾病的诊断治疗。

在求解函数优化问题时，为了提升人工蜂群算法局部搜索能力，提出了一种新颖的混沌蜂群算法。新算法设计了一种混沌局部搜索算子，并将其嵌入蜂群算法框架中；该算子不仅能够实现在最优食物源周围局部搜索，还能够随着进化代数增加使搜索范围不断缩小。仿真实验结果表明,与人工蜂群算法相比，新算法在Rosenbrock函数上，求解精度和收敛速度明显占优；此外新算法在多模函数Griewank和Rastrigin上，收敛速度明显占优。

针对Chan定位算法在非视距(NLOS)环境下定位性能差的缺点，提出一种基于Elman神经网络的Chan定位算法，利用Elman神经网络的动态递归特性以及强大的非线性映射逼近能力，对NLOS误差进行修正，再利用Chan算法定位。仿真结果表明，在NLOS误差较大的环境下该算法仍具有良好的定位精度，性能优于Chan算法和泰勒级数展开法。

首先分析了多态性的成因及形式化表示；然后借用控制流图的思想分析协作图，将类图中的信息结合到协作图中，对传统的函数间受限控制流图IRCFG进行多态性扩展并带上类图的基本信息；最后分析了测试覆盖准则并给出测试线索的生成方法。

根据元胞自动机理论建立改进的交通流模型，给出每辆车的演化规则。在此基础上依据实际车辆行为建立换道规则，利用模糊推理来模拟人在换道过程中的主观判断过程，建立换道模型。仿真表明该方法能较好的模拟车辆的实际行为。

基于Apriori算法原理，提出一种有效的完全连接条件，在频繁2k-项集的集合L2k进行自身Apriori连接得频繁(2k+1)-项集的同时，自身完全连接产生未剪枝的候选4k-项集；对频繁(2k+1)-项集的集合L2k+1，直接对其项集进行完全连接产生未剪枝的候选(4k+2)-项集。改进的算法减少了连接的比较次数、迭代运算次数。实验表明该算法在保证无遗漏的情况下有效地提高了Apriori算法的挖掘速度。

IPv6技术将是下一代互联网的核心技术，对IPv6网络入侵检测系统的研究与下一代网络的安全问题息息相关。在分析了现有网络安全系统的基本原理和IPv6网络主要特点之后，提出了一种IPv6网络入侵检测系统的框架，并着重分析了采用现场可编程门阵列（FPGA）来实现模式匹配的方法。

提出了一种基于马氏距离的填充算法来估计基因表达数据集中的缺失数据。该算法通过基因之间的马氏距离来选择最近邻居基因，并将已得到的估计值应用到后续的估计过程中，然后采用信息论中熵值的概念计算最近邻居的加权系数，得到缺失数据的填充值。实验结果证明了该算法具有有效性，其性能优于其他基于最近邻居法的缺失值处理算法。

现有的流媒体系统一般是基于客户/服务器模式和IP组播技术,这限制了用户数量且IP组播需先得到ISP支持,故其发展受到很大限制。而在P2P网络中,每个接收数据的用户同时向外转发数据,这就充分利用了以往忽视的客户机资源。首先指出了P2P流媒体应用中所面临的挑战,并着重从应用层多播树、网络异构性、激励机制等方面阐述了P2P流媒体的研究现状,分析讨论了存在的问题,最后指出进一步的研究方向。