目前大多数池化方法主要是从一阶池化层或二阶池化层提取聚合特征信息，忽略了多种池化策略对场景的综合表示能力，进而影响到场景识别性能。针对以上问题，提出了联合一二阶池化网络学习的遥感场景分类模型。首先，利用残差网络ResNet-50的卷积层提取输入图像的初始特征。接着，提出基于特征向量相似度的二阶池化方法，即通过特征向量间的相似度求出其权重系数来调制特征值的信息分布，并计算有效的二阶特征信息。同时，引入一种有效的协方差矩阵平方根逼近求解方法，以获得高阶语义信息的二阶特征表示。最后，基于交叉熵和类距离加权的组合损失函数训练整个网络，从而得到富于判别性的分类模型。所提方法在AID（50%训练比例）、NWPU-RESISC45 （20%训练比例）、CIFAR-10和CIFAR-100数据集上的分类准确率分别达到96.32%、93.38%、96.51%和83.30%，与iSQRT-COV方法相比，分别提高了1.09个百分点、0.55个百分点、1.05个百分点和1.57个百分点。实验结果表明，所提方法有效提高了遥感场景分类性能。

针对基于深度学习的遥感图像目标检测方法密集目标漏检率高、分类不准确的问题，建立了一种基于深度学习的无锚点的遥感图像任意角度的密集目标检测方法。首先采用CenterNet作为基线模型，经过主干网络提取特征，并改造原有检测器结构，即加入角度回归分支进行目标角度回归；然后提出一种基于非对称卷积的特征增强模块，并将主干网络提取到的特征图输入特征增强模块，从而增强目标的旋转不变性特征，消除由于目标的旋转、翻转带来的影响，进一步提升目标中心点、尺寸信息的回归精度。采用HourGlass-101作为主干网络时，该方法在DOTA数据集上的平均精度均值（mAP）比旋转区域候选网络（RRPN）提升了7.80个百分点，每秒处理帧数（FPS）提升了7.5；在自建数据集Ship3上，该方法的mAP比RRPN提升了8.68个百分点，FPS提升了6.5。结果表明，所提方法能获得检测精度和速度的平衡。

针对通用型无参考图像质量评价（NR-IQA）算法，提出一种基于伪参考图像显著性深层特征的评价算法。首先，在失真图像的基础上，利用微调的ConSinGAN模型生成相应的伪参考图像作为失真图像的补偿信息，弥补NR-IQA算法缺少真实参考信息的不足；然后，提取伪参考图像的显著性信息，将伪参考显著性图像与失真图像输入到VGG16网络中提取深层特征；最后，融合二者的深层特征并将其映射到由全连接层组成的回归网络中，从而产生与人类视觉一致的质量预测。为了验证算法的有效性，在四个大型公开的图像数据集TID2013、TID2008、CSIQ与LIVE上进行实验，结果显示所提算法在TID2013数据集上的斯皮尔曼秩相关系数（SROCC）比H-IQA算法提升了5个百分点，比RankIQA算法提升了14个百分点，针对单一失真类型也具有稳定的性能。实验结果表明，所提算法总体表现优于现有主流全参考图像质量评价（FR-IQA）和NR-IQA算法，与人类主观感知表现一致。

超声成像因其便捷、廉价、无辐射等优点被广泛应用于临床诊断中，然而图像中的斑点噪声可能对临床诊断或后续图像分析产生不利影响。作为一种典型的去噪技术，在利用非局部平均滤波（NLMF）对超声图像进行去斑时，会存在时耗高、滤波参数不易设置等不足，因此，提出一种多尺度快速非局部平均滤波（MF-NLMF）算法用来去除超声图像的斑点噪声。首先提出快速非局部平均滤波（F-NLMF）算法，利用互相关滤波技术减少运算时耗；接着设置多种窗口参数获得多幅去斑结果，而模型参数值可根据窗口尺寸自适应调节；最后将多幅去斑结果进行融合得到最终的去斑图像。实验结果表明：在相同实验条件下，与传统NLMF算法相比，F-NLMF算法的运算时间至少减少了96.04%；而MF-NLMF算法与迭代贝叶斯非局部均值滤波（IBNLMF）等算法相比，去斑图像的峰值信噪比（PSNR）值、特征相似度测度（FSIM）值、对比度噪声比（CNR）和信噪比（SNR）分别提高了0.73 dB、0.011、0.000 5、0.001 6以上。

针对深度图像分辨率低、深度不连续性模糊问题，提出一种基于形状自适应非局部回归和非局部梯度正则的深度图像超分辨方法。为了探究深度图像非局部相似块之间的相关性，提出了形状自适应的非局部回归。该方法对每个像素点提取其形状自适应块，并根据形状自适应块构建目标像素的相似像素组；然后针对相似像素组中的每个像素，结合同场景的高分辨率彩色图像获得非局部权重，从而构建非局部回归先验。为了保持深度图像的边缘信息，对图像梯度的非局部性进行探究。不同于总变分（TV）正则化对所有像素点梯度的零均值拉普拉斯分布假设，该方法利用深度图像梯度的非局部相似性，用非局部块估计特定像素点的梯度均值，并用学习到的均值来拟合各像素点的梯度分布。实验结果表明，相较于基于边缘不一致性评价模型（EIEM），所提方法在Middlebury数据集上的2倍和4倍上采样率的平均绝对值差（MAD）分别下降了41.1%和40.8%。

针对拟态云系统中代理的安全威胁和单点故障问题，提出一种主备监视的高可用拟态云代理实现方法。首先，在云环境分布式代理基础之上，提出一种主备用监视机制来构建异构的主备代理，备用代理通过镜像流方式分析到达主用代理的流量，并对主用代理输出结果进行交叉验证；其次，基于数据平面开发套件（DPDK）平台设计备用代理的同步裁决机制和无缝的主备切换机制，实现云代理的安全加固与性能优化；最后，提出一种主备切换判决算法以避免主备频繁切换造成的资源浪费。实验结果分析表明，该拟态云代理相较于基于Nginx的云代理，在高并发下的流量处理时延损耗为毫秒级。可见该设计能够大幅提升云代理的安全性和稳定性，减少单点故障对代理稳定性造成的影响。

针对传统的访问控制方法存在单点故障，不能提供可信、安全、动态化权限管理的问题，提出了一种面向无线传感器网（WSN）的基于区块链和智能合约的新型访问控制方法，以解决现有的基于区块链的访问控制方法存在的访问动态化、智能化水平不高等问题。首先，提出一种基于区块链的新型访问控制管理架构，降低网络运算开销；其次，搭建多层次智能合约体系，设计代理合约（AC）、权限管理合约（AMC）和访问控制合约（ACC），以实现对WSN的可信化、动态化的权限管理；最后，采用基于径向基函数（RBF）神经网络的动态权限生成算法，并结合访问政策动态生成访问节点的信用度阈值，实现面向WSN海量传感器的智能化、动态化的访问控制管理。实验结果表明，所提模型在WSN安全访问控制应用上具有可行性、安全性和有效性。

针对基于快速搜索和发现密度峰值的聚类（CFSFDP）算法中截断距离需要人工选取，以及最近邻分配带来的误差导致的在具有不同密度簇的复杂数据集上的聚类效果不佳的问题，提出了一种基于自适应可达距离的密度峰值聚类（ARD-DPC）算法。该算法利用非参数核密度估计方法计算点的局部密度，根据决策图选取聚类中心，并利用自适应可达距离分配数据点，从而得到最终的聚类结果。在4个合成数据集和6个UCI数据集上进行了仿真实验，将所提算法ARD-DPC与基于快速搜索和发现密度峰值的聚类（CFSFDP）、基于密度的噪声应用空间聚类（DBSCAN）、基于密度自适应距离的密度峰聚类（DADPC）算法进行了比较，实验结果表明，相比其他三种算法，ARD-DPC算法在7个数据集上的标准化互信息（NMI）、兰德指数（RI）和F1-measure取得了最大值，在2个数据集分别取得F1-measure和NMI的最大值，只对模糊度较高、聚类特征不明显的Pima数据集聚类效果不佳；同时，ARD-DPC算法在合成数据集上能准确地识别出聚类数目和具有复杂密度的簇。

随着网络应用的不断发展，网络资源呈指数型增长，信息过载现象日益严重，如何高效获取符合需求的资源成为困扰人们的问题之一。推荐系统能对海量信息进行有效过滤，为用户推荐符合其需求的资源。对推荐系统的研究现状进行详细介绍，包括基于内容的推荐、协同过滤推荐和混合推荐这三种传统推荐方式，并重点分析了基于卷积神经网络（CNN）、深度神经网络（DNN）、循环神经网络（RNN）和图神经网络（GNN）这四种常见的深度学习推荐模型的研究进展；归纳整理了推荐领域常用的数据集，同时分析对比了传统推荐算法和基于深度学习的推荐算法的差异。最后，总结了实际应用中具有代表性的推荐模型，讨论了推荐系统面临的挑战和未来的研究方向。

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。

为了解决车辆重识别过程中因车辆特征图分块所导致的空间信息丢失问题，提出一种联合条纹特征之间关系的模块以弥补丢失的空间信息。首先，针对车辆特殊的物理结构，构建了一种双分支神经网络模型，对输出的特征图进行水平和垂直均等分割并在不同的神经网络分支上进行训练；然后，设计多激活值模块以减少噪声并丰富特征图信息；接着，使用三元组和交叉熵损失函数对不同的特征进行监督训练以约束类内距离并扩大类间距离；最后，设计批量归一化（BN）模块消除不同损失函数在优化方向上存在的差异，从而加速模型的收敛。使用所提方法在VeRi-776和VehicleID两个公共数据集上进行实验，结果表明该方法的Rank1值优于现有最好的方法VehicleNet，验证了其有效性。

针对现有的基于卷积神经网络（CNN）的车辆重识别方法所提取的特征表达力不足的问题，提出一种基于小波特征与注意力机制相结合的车辆重识别方法。首先，将单层小波模块嵌入到卷积模块中代替池化层进行下采样，减少细粒度特征的丢失；其次，结合通道注意力（CA）机制和像素注意力（PA）机制提出一种新的局部注意力模块——特征提取模块（FEM）嵌入到卷积网络中，对关键信息进行加权强化。在VeRi数据集上与基准残差网络ResNet-50、ResNet-101进行对比。实验结果表明，在ResNet-50中增加小波变换层数能提高平均精度均值（mAP）；在消融实验中，虽然ResNet-50+离散小波变换（DWT）比ResNet-101的mAP降低了0.25个百分点，但是其参数量和计算复杂度都比ResNet-101低，且mAP、Rank-1和Rank-5均比单独的ResNet-50高，说明该模型在车辆重识别中能够有效提高车辆检索精度。

针对语音情感数据集规模小且数据维度高的特点，为解决传统循环神经网络（RNN）长程依赖消失和卷积神经网络（CNN）关注局部信息导致输入序列内部各帧之间潜在关系没有被充分挖掘的问题，提出一个基于多头注意力（MHA）和支持向量机（SVM）的神经网络MHA-SVM用于语音情感识别（SER）。首先将原始音频数据输入MHA网络来训练MHA的参数并得到MHA的分类结果；然后将原始音频数据再次输入到预训练好的MHA中用于提取特征；最后通过全连接层后使用SVM对得到的特征进行分类获得MHA-SVM的分类结果。充分评估MHA模块中头数和层数对实验结果的影响后，发现MHA-SVM在IEMOCAP数据集上的识别准确率最高达到69.6%。实验结果表明同基于RNN和CNN的模型相比，基于MHA机制的端到端模型更适合处理SER任务。

准确识别命名实体有助于构建专业知识图谱、问答系统等。基于深度学习的命名实体识别（NER）技术已广泛应用于多种专业领域，然而面向材料领域的NER研究相对较少。针对材料领域NER中可用于监督学习的数据集规模小、实体词复杂度高等问题，使用大规模非结构化的材料领域文献数据来训练基于一元语言模型（ULM）的子词嵌入分词模型，并充分利用单词结构蕴含的信息来增强模型鲁棒性；提出以BiLSTM-CRF模型（双向长短时记忆网络与条件随机场结合的模型）为基础并结合能够感知方向和距离的相对多头注意力机制（RMHA）的实体识别模型，以提高对关键词的敏感程度。得到的BiLSTM-RMHA-CRF模型结合ULM子词嵌入方法，相比BiLSTM-CNNs-CRF和SciBERT等模型，在固体氧化物燃料电池（SOFC）NER数据集上的宏平均F1值（Macro F1值）提高了2~4个百分点，在SOFC细粒度实体识别数据集上的Macro F1值提高了3~8个百分点。实验结果表明，基于子词嵌入和相对注意力的识别模型能够有效提高材料领域实体的识别准确率。

针对传统正余弦算法（SCA）处理复杂优化问题时存在易得局部最优和收敛慢的不足，提出一种基于惯性权重与柯西混沌变异的改进正余弦算法IWCCSCA。首先设计了基于指数函数的曲线自适应振幅调整因子更新方法，用于均衡个体的全局搜索与局部开发能力；接着设计了自适应递减惯性权重更新机制，以改进个体位置更新方式，加快算法收敛；还设计了基于精英柯西混沌变异的个体扰动机制，以提升种群多样性，避免局部最优。利用8种基准函数寻优测试验证了IWCCSCA能够有效提升收敛速度和寻优精度。此外，将IWCCSCA应用于数据原始特征集中的特征子集选取问题，提出了基于IWCCSCA的特征选择算法IWCCSCA-FS。通过将正余弦函数的连续优化转换为特征选择的二进制优化，实现了个体位置与特征子集间的映射关系，以同步考虑特征选择量与分类准确率的适应度函数来评估候选解质量。UCI基准数据集的测试结果表明，IWCCSCA-FS算法可以有效选择最优特征子集，降低特征维度，提高数据分类准确率。

针对平衡优化器（EO）存在寻优精度低、收敛速度慢、容易陷入局部最优的不足，提出一种考虑距离因素与精英进化策略的平衡优化器（E-SFDBEO）。该算法首先在平衡池候选解的选择中引入距离因素，通过自适应权重平衡适应度值和距离，调节算法在不同迭代时期的探索和开发能力；其次引入精英进化策略（EES），以精英自然进化和精英随机变异两种方式提升算法的收敛速度和精度；最后使用自适应t分布变异策略对部分个体施加扰动，并以贪心策略对个体进行保留，使算法能够有效跳出局部最优。在仿真实验中对所提算法与4种基本算法和2种改进算法在10个基准测试函数进行比较，并对算法进行Wilcoxon秩和检验，结果表明所提算法具有更好的收敛性和更高的求解精度。

针对传统人工协同搜索（ACS）算法求解精度不高、收敛速度慢等问题，提出一种基于Sigmoid函数的反向人工协同搜索（SQACS）算法求解旅行商问题（TSP）。首先，利用Sigmoid函数构造比例因子，增强算法的全局搜索能力；其次，在变异阶段，加入差分进化（DE）算法的DE/rand/1变异策略，对当前种群进行二次变异，提高算法的计算精度和种群的多样性；最后，在算法后期的开发阶段，引入拟反向学习策略，进一步提高解的质量。对TSP测试库TSPLIB中的4个实例进行仿真实验，结果显示，SQACS算法在最短路径与花费时间上均优于麻雀搜索算法（SSA）、DE、阿基米德算法（AOA）等7种对比算法，并且具有良好的鲁棒性；与其他求解TSP的改进算法综合对比，SQACS算法也显示了良好的性能。实验结果表明，SQACS算法在求解小规模TSP时是有效的。

针对在最小二乘支持向量机（LSSVM）的核函数参数和正则化参数优化中回溯搜索优化算法（BSA）易早熟、局部开采能力弱等问题，提出了一种集成预测模型CABSA-LSSVM。首先采用柯西种群生成策略增加历史种群的多样性使算法不易陷入局部最优解，然后利用自适应变异因子策略调节变异尺度系数以平衡算法的全局勘探和局部开采能力，最后运用改进后的柯西自适应回溯搜索算法（CABSA）优化LSSVM以形成新的集成预测模型。选取10个UCI数据集进行数值实验，结果表明所提模型CABSA-LSSVM在种群规模为80时回归预测性能最优，且与标准BSA、粒子群优化（PSO）算法、人工蜂群（ABC）算法、灰狼优化（GWO）算法优化的LSSVM相比，该模型的决定系数提升了1.21%~15.28%，预测误差降低了6.36%~29.00%，运行时间降低了5.88%~94.16%，可见该模型具有较高的预测精度和较快的计算速度。

针对状态预测误差直接作为内在好奇心奖励，在状态新颖性与奖励相关度低的任务中强化学习智能体不能有效探索环境的问题，提出一种基于奖励预测误差的内在好奇心模块（RPE-ICM）。RPE-ICM利用奖励预测误差网络（RPE-Network）学习并修正状态预测误差奖励，并将奖励预测误差（RPE）模型的输出作为一种内在奖励信号去平衡探索过度与探索不足，使得智能体能够更有效地探索环境并利用奖励去学习技能，从而达到更好的学习效果。在不同的MuJoCo环境中使用RPE-ICM、内在好奇心模块（ICM）、随机蒸馏网络（RND）以及传统的深度确定性策略梯度（DDPG）算法进行对比实验。结果表明，相较于传统DDPG、ICM-DDPG以及RND-DDPG，基于RPE-ICM的DDPG算法的平均性能在Hopper环境中分别提高了13.85%、13.34%和20.80%。

软件安全的根源在于软件开发人员开发的源代码，但随着软件规模和复杂性不断提高，仅靠人工检测漏洞代价高昂且难以扩展，而现有的代码分析工具有较高的误报率与漏报率。为此，提出一种基于关系图卷积网络（RGCN）的自动化漏洞检测方法以进一步提高漏洞检测的精度。首先将程序源代码转换为包含语法、语义特征信息的CPG；然后使用RGCN对图结构进行表示学习；最后训练神经网络模型预测程序源代码中的漏洞。为验证所提方法的有效性，在真实的软件漏洞样本上开展了实验验证，结果表明所提方法的漏洞检测结果的召回率和F1值分别达到了80.27%和63.78%。与Flawfinder、VulDeepecker和基于图卷积网络（GCN）的同类方法相比，所提方法的F1值分别提高了182%、12%和55%，可见所提方法能有效提高漏洞检测能力。

MOOC平台上，一个课程可能存在多个版本的视频，为向学生推荐一个满足学习兴趣的MOOC视频就需要分析学生兴趣与视频内容的关系，为此，提出一种基于元路径注意力机制的视频推荐方法Mrec。一方面，利用异构信息网（HIN）描述学习者和MOOC资源之间的关系，进而使用元路径表达学生和视频之间的交互关系；另一方面，利用注意力机制捕捉学生、视频、元路径的特征对学习兴趣的影响情况。具体来说，Mrec方法包括两层注意力机制：第一层是节点注意力层，通过邻居的特征加权联合节点自身的特征，利用多头注意力得到实体在不同元路径下的特征表示；第二层是路径注意力层，通过融合在不同元路径的指导下学习到的实体的特征表示来捕捉实体在不同兴趣下的特征表示，并将学习到的用户与视频实体输入到多层感知机（MLP）中得到预测分数来进行top-K推荐。在MOOCCube和MOOCdata数据集上进行实验的结果表明，Mrec的点击率、归一化折损累积收益（NDCG）、平均倒数排名（MRR）与受试者工作特征曲线下面积（AUC）均优于对比方法。

针对司法领域标记数据匮乏、标注质量不高、存在强逻辑性导致裁判文书量刑情节识别效果不佳的问题，提出一种基于反绎学习的量刑情节识别模型ABL-CON。首先结合神经网络与领域逻辑推理，通过半监督学习方法，使用置信学习方法表征情节识别置信度；然后修正无标签数据经过神经网络产生的不合逻辑的错误情节，重新训练识别模型，以提高识别精度。在自构建的司法数据集上的实验结果表明，使用50%标注数据与50%无标注数据的ABL-CON模型在Macro_F1值和Micro_F1值上分别达到了90.35%和90.58%，优于同样条件下的BERT和SS-ABL，也超越了使用100%标注数据的BERT模型。ABL-CON模型通过逻辑反绎修正不符合逻辑的标签能够有效提高标签的逻辑合理性以及标签的识别能力。

关系抽取旨在从文本中抽取实体与实体之间的语义关系。作为关系抽取的上层任务，实体识别所产生的错误将扩散至关系抽取，从而导致级联错误。与实体相比，实体边界粒度小且具有二义性，更易识别。因此，提出一种基于实体边界组合的关系抽取方法，通过跳过实体，对实体边界两两组合来进行关系抽取。由于边界性能高于实体性能，所以错误扩散的问题得到了缓解；并且通过特征组合的方法将实体类型特征和位置特征加入模型中，性能得到了进一步提高，再次减轻了错误扩散带来的影响。实验结果表明，所提方法在ACE 2005英文数据集的宏平均F1值优于表格-序列编码器方法8.61个百分点。

用于文本表示的预训练语言模型在各种文本分类任务上实现了较高的准确率，但仍然存在以下问题：一方面，预训练语言模型在计算出所有类别的后验概率后选择后验概率最大的类别作为其最终分类结果，然而在很多场景下，后验概率的质量能比分类结果提供更多的可靠信息；另一方面，预训练语言模型的分类器在为语义相似的文本分配不同标签时会出现性能下降的情况。针对上述两个问题，提出一种后验概率校准结合负例监督的模型PosCal-negative。该模型端到端地在训练过程中动态地对预测概率和经验后验概率之间的差异进行惩罚，并在训练过程中利用带有不同标签的文本来实现对编码器的负例监督，从而为每个类别生成不同的特征向量表示。实验结果表明：PosCal-negative模型在两个中文母婴护理文本分类数据集MATINF-C-AGE和MATINF-C-TOPIC的分类准确率分别达到了91.55%和69.19%，相比ERNIE模型分别提高了1.13个百分点和2.53个百分点。

利用城市大数据发现社区结构是城市计算中重要的研究方向。有效表示面向“15分钟生活圈”社区的结构特征可以细粒度地评价生活圈社区周围的设施情况，有利于城市规划建设，创造宜居的生活环境。首先，定义了面向“15分钟生活圈”的城市社区结构，并采用表示学习方法获取生活圈社区的结构特征；然后，提出了生活圈社区结构的嵌入表示框架，框架中利用居民的出行轨迹数据确定兴趣点（POI）与居民区的关系，构建反映不同时段居民出行规律的动态活动图；最后，对构建的动态活动图采用自编码器进行表示学习得到生活圈社区潜在特征的向量表示，从而有效概括居民日常活动所形成的社区结构。针对生活圈社区便利性评价、相似性度量等应用，利用真实数据集进行了实验评估，结果表明，分POI类别的日周期的潜在表示方法优于星期周期的潜在表示方法，且前者的归一化折损累计增益（NDCG）比后者最少提升了24.28%，最多提升了60.71%，验证了所提方法的有效性。

在网约车平台中，匹配是一个核心功能，平台需要尽可能增加匹配订单的数量；但网约车的需求分布通常极度不均匀，订单的起点或终点在某些时间段会呈现出高度集中的特征。因此，提出一种带预警的激励机制鼓励司机跨区域接单，以达到平台跨区域运力再平衡的目的。该机制通过对订单信息进行分析，建立邻近区域运力预警机制，并在区域运力紧张时，激励邻近区域的司机接受跨区域订单，以减少运力紧张时期区域内的未匹配订单数量，提高平台效用和乘客满意度。通过算例将跨区域运力再平衡机制与Greedy（贪心机制）、Surge（暴涨定价）机制进行对比，结果表明，再平衡机制较Greedy和Surge机制在平均效用上分别提高了15%和38%，说明跨区域运力再平衡机制可以提高平台收益和司机效用，在一定程度上重新平衡了区域间供需关系，能为网约车平台在宏观上的供需关系平衡提供参考。

区块链与供应链的结合应用是近几年的热门研究课题。区块链的数据可溯源、防篡改、分布式存储等优点可以为供应链提供较好的数据安全保障，而区块链自身的自治属性也为供应链自治提供了可能。区块链的自治主要依赖于共识机制，然而现有共识机制难以实现对供应链自治的良好支持。针对上述问题，提出一种基于委托权益证明（DPoS）的选举型共识机制，并在此基础上构建了一个基于区块链的供应链自制框架：选举供应链（ESC）。在ESC中，先根据节点参与的智能合约活动计算其信用分，然后从博弈论的角度分析ESC下节点的活跃度和信用分数对其权益的影响。最后，通过定理证明与仿真实验验证了该机制对节点具有良好的激励作用，能有效抑制理性节点支付的最大交易费用，且抑制的力度会随着代表数量的增加而增大。

近年来，有研究提出了使用多个定制且可拉伸的射频识别（RFID）标签进行语音识别的无线平台，但该标签难以精准捕捉拉伸引起的大频率偏移，而且需要探测多个标签，标签脱落或自然磨损时还须重新校准。针对以上问题，提出基于单标签RFID的唇语识别算法，将灵活、易于隐藏且没有侵入性的单个通用RFID标签贴在脸上，即使用户不发出声音，仅依靠面部的微动作也可进行唇语识别。首先建立模型处理RFID阅读器接收的单个标签随时间和频率响应的接收信号强度（RSS）和相位变化，然后采用高斯函数对原始数据的噪点进行平滑去噪预处理，再采用动态时间规整（DTW）算法对收集到的信号特征进行评估分析，以解决发音长短不匹配的问题；最后创建无线语音识别系统来识别区分与声音相对应的面部表情，从而达到识别唇语的目的。实验结果表明，对于识别不同用户的200组数字信号特征，该方法的RSS准确率可以达到86.5%以上。

水位预测是防洪预警工作的辅助决策支持。为了进行准确的水位预测，为预防自然灾害提供科学依据，提出一种结合改进的灰狼优化（MGWO）算法与时域卷积网络（TCN）的预测模型MGWO-TCN。针对标准灰狼优化（GWO）算法存在早熟停滞的不足引入差分进化（DE）算法，扩展灰狼种群的多样性；改进灰狼种群更新时的收敛因子和变异时的变异算子，以自适应的形式对参数进行调整，提升算法的收敛速度，均衡算法的全局与局部搜索能力；利用MGWO算法对TCN的重要参数寻优，提升TCN的预测性能。将MGWO-TCN预测模型用于河流水位预测，预测结果的均方根误差（RMSE）为0.039。实验结果表明，与对比模型相比，MGWO-TCN预测模型具有更好的寻优能力和更高的预测精度。

精细化短时交通流预测是保证智能交通系统（ITS）合理决策的前提。为了建立无人驾驶汽车换道模型、预测车辆轨迹、引导车辆出行，及时为每条车道预测车流量成为亟须解决的问题，然而精细化短时交通流预测面临着以下挑战：一是交通流数据日益多元化，传统预测方法难以满足ITS高精度、短时延的要求；二是为每条车道训练预测模型会造成大量的资源浪费。针对以上问题，提出利用卷积-门控循环单元（Conv-GRU）结合灰色关联度分析法（GRA）建立精细化短时交通流预测模型预测车道流量。考虑到深度学习训练时间长、推理时间相对较短的特点，提出云-雾部署方案；同时，为避免为每条车道训练预测模型，在云-雾部署方案的基础上提出了模型迁移部署方案，该方案仅需训练部分车道的预测模型，然后通过GRA将训练好的预测模型迁移部署到关联车道进行预测。对真实交通流数据集进行大量对比实验的结果表明：与传统深度学习预测方法相比，所提模型拥有更精准的预测性能，与卷积-长短期记忆（Conv-LSTM）网络相比在提高精度的基础上运行时间更短，且能在保证高精度预测的情况下实现模型迁移，比训练每条车道的预测模型节省了约49%的训练时间。