心电图（ECG）数据通常包含多种病症，而ECG诊断是一个典型的多标签分类问题。在多标签分类方法中，RAKEL算法将标签集随机分解为若干个大小为k的子集，并建立LP分类器进行训练；然而由于没有充分考虑标签间的相关性，LP分类器中容易产生一些标签组合所对应样本稀少的情况，从而影响预测性能。为了充分考虑标签间的相关性，提出一种基于贝叶斯网络的RAKEL算法BN-RAKEL。首先利用贝叶斯网络找到标签间的相关性，确定候选标签子集；然后对每个标签采用基于信息增益的特征选择算法确定其最优特征空间，并针对每个候选标签子集利用最优特征空间相似性来检测其相关程度，以确定最终的具有强相关性的标签子集；最后在标签子集的最优特征空间上训练LP分类器。在实际的ECG数据集上，与多标签K近邻（ML-KNN）、RAKEL、CC和基于FP-Growth的RAKEL算法FI-RAKEL进行对比，结果显示所提算法在召回率和F-score上最少提高了3.6个百分点和2.3个百分点。实验结果表明，BN-RAKEL算法有较好的预测性能，能有效提升ECG诊断的准确性。

多项式插值技术是近似理论中一种常见的近似方法,被广泛用于数值分析、信号处理等领域。但传统的多项式插值技术大多是基于数值分析与实验结果相结合得到的,没有统一的理论描述和规律性的解决方案。为此,根据密切多项式近似理论为图像的多项式插值算法提出一个统一的理论框架。密切多项式近似的理论框架包括采样点数目、密切阶数和导数近似规则三个部分,它既可以用于分析现有的多项式插值算法,也可以用于开发新的多项式插值算法。分析了主流多项式插值技术在密切多项式近似理论框架下的表现形式,并以四点二阶密切多项式插值算法为例详细描述了利用密切多项式插值的理论框架开发新的多项式插值算法的一般流程。理论分析和数值实验表明大多数主流插值算法都属于密切多项式插值算法,它们的处理效果与采样点数目、密切阶数和导数近似规则有紧密的关系。

为了研究赋权网络在遭到局部破坏后，网络性能保持稳定的抗毁能力，通过计算节点间不重叠路径对流量的贡献度，进而引入熵的概念，将网络拓扑结构的连通稳定性与网络承载流量的稳定性相结合，以全连通网为基准，提出了用于评估节点间抗毁性的标准稳定熵指标，并在此基础上给出了用于全网抗毁性评估的模型。仿真实验表明网络的抗毁性不仅与网络的拓扑结构、各边权重所代表的边容量总和有关，同时也与各边权重的均匀度有关；关键边性能权重分布越均匀的网络，其整体抗毁性能越强。

针对传统的插值算法和基于模型的超分辨算法通常会导致图像对比度和清晰度下降等问题,提出了一种基于泰勒展开式与曲率逆向驱动图像超分辨算法。该算法首先采用泰勒公式估计图像灰度值的变化趋势,然后利用等照度线的曲率细化图像边缘特征,并将梯度作为约束条件抑制图像边缘的锯齿与振铃效应。大量实验表明,所提算法在清晰度和信息保留度上比传统算法更具有优势,算法处理结果更符合人眼视觉效果,在泰勒展开式的基础上进行逆向扩散也使该算法的运行效率明显高于传统迭代算法。