涡扇发动机作为航空航天领域的核心设备之一，其健康状况决定了航空器能否稳定可靠地运行。而对涡扇发动机的剩余寿命（RUL）进行判断，是设备监测与维护的重要一环。针对涡扇发动机监测过程中存在的工况复杂、监测数据多样、时间跨度长等特点，提出了一种遗传算法优选时序卷积网络（TCN）基模型的集成方法（GASEN-TCN）的涡扇发动机剩余寿命预测模型。首先，利用TCN捕获长跨度下的数据内在关系，从而对RUL作出预测；然后，应用GASEN集成多个独立的TCN，以增强模型的泛化性能；最后，在通用的商用模块化航空推进系统模拟模型（C-MAPSS）数据集上，对所提模型与当下流行的机器学习方法和其他的深度神经网络进行了比较。实验结果表明，在多种不同的运行模式和故障条件下，与流行的双向长短期记忆（Bi-LSTM）网络相比，所提模型都有着更高的预测准确率与更低的预测误差。以FD001数据集为例，在该数据集上所提模型的均方根误差（RMSE）相较Bi-LSTM低17.08%，相对准确率（Accuracy）相较Bi-LSTM高12.16%。所提模型在设备的智能检修与维护方面有着较好的应用前景。

目前，卷积神经网络（CNN）开始应用在肺炎分类领域。针对层数较浅、结构较为简单的卷积网络对肺炎识别的准确率难以提高的情况，采用深度学习方法，并针对采用深度学习方法时常常需要消耗大量的系统资源，导致卷积网络难以在用户端部署的问题，提出一种使用优化的卷积神经网络的分类方法。首先，根据肺炎图像的特征，选择具有良好图像分类性能的AlexNet与InceptionV3模型；然后，利用医学影像特点对层次更深、结构更加复杂的InceptionV3模型进行预训练；最后，通过知识蒸馏的方法，将训练好的"知识"（有效信息）提取到AlexNet模型中，从而实现在减少系统资源占用的同时，提高准确率的效果。实验数据表明，使用知识蒸馏后，AlexNet模型的准确率、特异性与灵敏度分别提高了4.1、7.45、1.97个百分点，且对图像处理器（GPU）占用相比InceptionV3模型减小了51个百分点。