泛在计算模式下，数据分布式获取和处理带来了分布式数据驱动优化的需求。针对数据分布获取、约束异步评估且信息缺失的挑战，构建分布式数据驱动的多约束进化优化算法（DDDEA）框架，由一系列终端节点负责数据提供和分布式评估，服务器节点负责全局进化优化。基于该框架具体实现了一个算法实例，终端节点利用局部数据构建径向基函数（RBF）模型，辅助驱动服务器节点差分进化（DE）算法对问题进行寻优。通过与3个集中式数据驱动的多约束进化优化算法在两个标准测试集的实验对比，DDDEA在68.4%的测试用例中取得显著最优结果，在84.2%的测试用例中找到可行解的成功率为1.00，表明该算法具有良好的全局搜索能力和收敛能力。

针对噪声导致非线性数字通信系统传输信号的差错概率增加的问题，提出一种基于离散双向联想记忆（BAM）神经网络的多元通信系统。首先，根据需要传输的信号，选取适当的神经元数量和记忆向量，计算权值矩阵，并生成BAM神经网络；然后将多元信号映射为具有调制幅度的初始输入向量并不断输入系统，通过神经网络进行循环迭代，并向各神经元添加高斯噪声，之后按照码元间隔采样输出并在无损信道中传输，接收端依据判决规则译码判决；最后在图像处理领域，利用所提系统传输图像压缩后的数据并解码恢复图像。仿真结果表明，对于码元间隔较大的弱调制信号，随着噪声强度的增加，差错概率先减后增，随机共振现象比较明显；差错概率还与信号的进制数呈正相关关系，与信号幅度、码元间隔和神经元个数呈负相关关系，某些条件下，差错概率可以达到0。以上结果表明BAM神经网络可以通过噪声改善数字通信系统的可靠性。另外，解码恢复图像的相似度显示了适量噪声对图像恢复效果的改善，扩展了BAM神经网络和随机共振在图像压缩编码中的应用。

当前的中文问答匹配技术大多都需要先进行分词，中文医疗文本的分词问题需要维护医学词典来缓解分词错误对后续任务影响，而维护词典需要大量人力和知识，致使分词问题一直具有极大的挑战性。同时，现有的中文医疗问答匹配方法都是对问题和答案分开建模，并未考虑问题和答案中各自包含的关键词汇间的关联关系。因此，提出了一种基于注意力机制的栈卷积神经网络（Att-StackCNN）模型来解决中文医疗问答匹配问题。首先，使用字嵌入对问题和答案进行编码以得到二者各自的字嵌入矩阵；然后，通过利用问题和答案的字嵌入矩阵构造注意力矩阵来得到二者各自的特征注意力映射矩阵；接着，利用栈卷积神经网络（Stack-CNN）模型同时对上述矩阵进行卷积操作，从而得到问题和答案各自的语义表示；最后，进行相似度计算，并利用相似度计算最大边际损失以更新网络参数。所提模型在cMedQA数据集上的Top-1正确率比Stack-CNN模型高接近1个百分点，比Multi-CNNs模型高接近0.5个百分点。实验结果表明，Att-StackCNN模型可以提升中文医疗问答匹配效果。

作为自然语言处理中的热点问题，摘要生成具有重要的研究意义。基于Seq2Seq模型的生成式摘要模型取得了良好的效果，然而抽取式的方法具有挖掘有效特征并抽取文章重要句子的潜力，因此如何利用抽取式方法来改进生成式方法是一个较好的研究方向。鉴于此，提出了融合生成式和抽取式方法的模型。首先，使用TextRank算法并融合主题相似度来抽取文章中有重要意义的句子。然后，设计了融合抽取信息语义的基于Seq2Seq模型的生成式框架来实现摘要生成任务；同时，引入指针网络解决模型训练中的未登录词（OOV）问题。综合以上步骤得到最终摘要，并在CNN/Daily Mail数据集上进行验证。结果表明在ROUGE-1、ROUGE-2和ROUGE-L三个指标上所提模型比传统TextRank算法均有所提升，同时也验证了融合抽取式和生成式方法在摘要生成领域中的有效性。

为了生成新颖的艺术效果,提出了周期性动态图像模型,其每个像素都是一个时域周期函数。首先,提出了周期性动态图像的傅里叶表达,具体是将图像中每个像素对应的周期函数以一系列傅里叶系数来表达,并在实时运行中以傅里叶级数求和的结果作为每个像素的动态输出。其次,提出了三种渲染风格,使得图像的动态输出以不同的方式渲染显示。这三种渲染风格演示了三种应用,包括动态数字绘画、动态图像扭曲特效和动态对白气泡。最后,构建了原型绘画系统,并进行了有关艺术效果的心理评价实验,结果显示其生成的视觉效果新颖而多样化,且易于实现笔式交互编辑。这种图像模型可作为一种新型的艺术媒介。