针对现有局部特征匹配算法对具有仿射性的图像匹配效果欠佳、耗时较长，以及随机采样一致性（RANSAC）算法对仿射性图像匹配得不到较好的参数模型等问题，提出一种具有抗仿射性的A-AKAZE（Affine Accelerated KAZE）算法，并用向量场一致性来筛选内点。首先利用非线性函数构建尺度空间，然后借助Hessian矩阵检测特征点，并以特征点为中心选取合适的区域作为特征采样窗口；再把特征采样窗口在经纬度上进行投影以模拟不同角度对图像的影响，随后在投影区域中提取具有抗仿射性的A-MLDB（Affine Modified-Local Difference Binary）描述符；最后利用向量场一致性算法提取内点。实验结果表明：A-AKAZE算法的正确匹配率相较于AKAZE算法提高了20%以上，与AKAZE+RANSAC算法相较提升了15%左右，与ASIFT（Affine Scale-Invariant Feature Transform）算法相比提高了10%左右，相比ASIFT+RANSAC算法提高了5%；而且该算法的匹配速度远高于AKAZE+RANSAC、ASIFT和ASIFT+RANSAC算法。

针对循环神经网络（RNN）的门控循环单元（GRU）在进行地点推荐时没有考虑地点的时间和空间信息的影响，提出了融合时空感知的GRU模型。另外，对于签到序列中不相关的签到数据会产生噪声的问题，提出了融合时空感知的GRU和注意力的下一个地点推荐模型（ST-GRU+Attention）。首先，通过计算两个地点之间时间间隙和距离间隙，在GRU模型的基础上增加时间门和空间门，设置权重矩阵，控制时间信息和空间信息对推荐下一个地点的影响；然后，引入注意力机制，通过计算用户偏好的注意力权重得分，得到用户的注意力权重系数，获取用户的个性化偏好；最后，通过贝叶斯个性化排序（BPR）算法构造目标函数并学习模型参数。实验结果表明，与个性化马尔可夫链和用户位置受限的推荐方法（FPMC-LR）、基于个性化排名度量嵌入的推荐方法（PRME）和融合时间和空间的循环神经网络（ST-RNN）的推荐方法相比，ST-GRU+Attention的准确度有了较大的提高，其准确率（Precision）和召回率（Recall）两项指标比较优的ST-RNN算法分别提高了15.4%和17.1%。ST-GRU+Attention推荐方法可以有效地改善地点推荐的结果。

针对单一事实类问答系统中问句和关系的语义匹配在小规模标注样本中难以获得较高准确率的问题，提出一种基于循环神经网络（RNN）的迁移学习模型。首先，使用基于RNN的序列到序列无监督学习算法，通过序列重构的方式在大量无标注样本中学习问句的语义空间分布，即词向量和RNN；然后，通过给神经网络参数赋值的方式，使用此语义空间分布作为有监督语义匹配算法的参数；最后，通过使用问句特征和关系特征计算内积的方式，在有标注样本中训练并生成语义匹配模型。实验结果表明，在有标注数据量较少而无标注数据量较大的环境下，与有监督学习方法Embed-AVG和RNNrandom相比，所提模型的语义匹配准确率分别平均提高5.6和8.8个百分点。所提模型通过预学习大量无标注样本的语义空间分布可以明显提高在小规模标注样本环境下的语义匹配准确率。

近年来随着在线教育中试题资源数量爆炸式的增长，学生很难在海量的试题资源中找到合适的试题，因此面向学生的试题推荐方法应运而生；然而，传统的基于概率矩阵分解的试题推荐方法没有考虑学生的知识点掌握信息，导致推荐结果准确率低，为此，提出一种基于联合概率矩阵分解的个性化试题推荐方法。首先，通过认知诊断模型得到的学生知识点掌握信息；然后，结合学生、试题和知识点三者信息进行联合概率矩阵分解；最后，根据难度范围进行试题推荐。实验结果表明，与其他传统推荐方法相比，所提方法在不同难度试题推荐的准确率上取得了较好的推荐结果。

针对60GHz信号在非视距（NLOS）环境下测距困难的问题，提出一种基于波束成形的60GHz无线局域网络（WLAN）定位算法。首先，通过借助波束成形技术进行最强路径搜索，波束成形算法将天线的最大增益方向指向接收最强多径信号的方向，在增强搜索鲁棒性的同时扩大了定位覆盖范围；然后，对NLOS条件下的时延偏差进行建模，重构NLOS测量数据；最后，为进一步提高定位精度，设置检测阈值，引入异常值检测机制。采用Matlab仿真平台在STAs-STAs信道模型进行仿真，结果表明，NLOS环境下基于传统相干估计的到达时间（TOA）定位算法的定位误差约为2m，定位成功率仅为0.5%，而采用基于波束成形的60GHz定位算法后，定位误差降低至1.02cm，定位成功率高达94%。因此，波束成形技术为NLOS环境下的60GHz定位提供了解决思路，有效地提高了60GHz室内定位精度和定位成功率。

为了解决基于增量词集频率的主题词提取算法不能提取合成词的问题,在原算法的基础上增加了文本预处理环节,即合成词识别。采用基于词性探测和词共现有向图算法识别文本中的合成词,并对分词结果进行修正。生成候选主题词集时,考察每个词的出现位置,根据不同的出现位置赋予不同的权重;然后累加获得同一个词的总权重,并按权重从高到低生成候选主题词集。提取主题词时逐个考察候选主题词集中的每一个候选主题词,计算其对主题词集权重的增量,若增量小于给定阈值,则主题词提取算法结束;否则将该候选主题词加入主题词集。实验结果表明,该算法取得了较好的效果,所获得的主题词能更贴切地反映文档的主题内容,主题词满意度比原算法提高了5个百分点。

为延长无线传感器网络(WSN)的生存时间，针对低功耗自适应集簇分层(LEACH)协议中分簇不均匀和轮时间固定的问题，提出了一种基于LEACH协议的动态轮时间(LEACH-DRT)算法。通过基站获取簇和簇内成员节点信息，根据簇内成员节点数和簇内剩余能量计算出各簇的轮时间，并由基站将时间信息发送至各簇，各簇按接收到的时间信息进行工作。同时，利用新的簇头选取机制，避免了因簇头节点能量不足导致的数据丢失和成员节点的无谓消耗。分析和仿真结果表明，改进后的算法比LEACH协议延长了约4倍的网络生存时间，数据丢失率降低了约18%，在均衡网络能量消耗和降低数据丢失率方面取得了较好的应用效果。

分析了红外小目标图像的时域特性以及小目标、噪声、背景的不同特点,提出了一种时空结合的红外小目标检测算法。首先根据背景图像变化较慢的特点,运用相邻帧相减以减少背景和噪声的干扰,提高了目标信噪比(SNR);接着,使用中心点判别方法检测出可能的小目标点;然后,利用双滑窗方法去除孤立的噪声;最后,运用区域相似度判别函数,剔除边缘纹理的干扰,检测出小目标。仿真实验表明,该算法不仅具有良好的实时性,同时还具有较高的检测概率和较低的平均虚警数。

为了提高差分进化算法(DEA)的收敛速度和寻优精度，提出了一种改进的差分进化算法。在该算法中，引入了基于Laplace分布的变异算子，并且能根据以往的进化经验自适应地调整进化策略及交叉概率以适应不同阶段的进化。通过5个典型Benchmark函数的测试结果表明，该算法的收敛速度快、求解精度高、鲁棒性较强，适合求解高维复杂的全局优化问题。

基于预测的思想，引入数字信号处理中常用的最小均方（LMS）横向滤波器对图像进行边缘检测。由于图像的缓变区域可等效为一个平稳随机过程，使得LMS算法能够适用。在通过LMS预测检测出图像边缘的基础上，本文还对该算法在边缘处的行为进行了附加条件的判断，使得LMS算法在经过边缘的地方重新收敛后才进行边缘检测，这样可以获得单像素精度边缘。

复杂系统中存在着大量的过程依赖、自组织，并且一直是进化的，用传统的方法对其建模十分困难。模糊认知图作为一种模糊逻辑和神经网络相结合的产物，为复杂系统建模提供了一种有效工具。文中根据模糊认知图的特点，提出了用遗传学习算法建立系统的模糊认知图方法，为复杂系统分析及预测提供了一种解决方案。最后，以股票市场的数据为例进行了分析和预测模拟，结果表明，该方法是有效的。