联盟区块链通常都会采用严格的身份准入机制，但然而该机制不能完全保证联盟网络中不会混入拜占庭恶意节点，也不能担保现有的联盟成员节点一定不会被第三方敌手劫持利用。针对这类问题，提出了一种能够监控节点状态的检测型实用拜占庭容错（d-PBFT）共识算法。首先，选举主节点并校验主节点的其状态，以保证选举出来的主节点从未有过作恶历史；然后，经历“预准备—准备—提交”的共识三阶段过程，尝试来完成客户端提交的共识请求；最后，会根据三阶段完成的情况对主节点的状态进行评估，将有故障或作恶行为的主节点标记出来，并将作恶的主节点加入到隔离区等待处理。该算法在容忍一定数量拜占庭节点的基础上还能随时监控各个节点的状态，并对恶意节点能够进行隔离，从而降低恶意节点对整个联盟系统的不良影响。实验结果表明，采用d-PBFT算法的网络拥有较高的吞吐量和较低的共识时延，并且在联盟网络中有拜占庭节点的情况下相较原实用拜占庭容错（PBFT）算法的共识生成量提升了26.1%。d-PBFT算法不仅提高了联盟网络的健壮性，还进一步提升了网络的吞吐量。

针对行人属性识别任务中不同属性对特征粒度和特征依赖性的需求不同的问题，提出了一种基于由空间自注意力机制和通道自注意力机制组成的双域自注意力机制的行人属性识别模型。首先，使用ResNet50作为骨干网络，提取出具有一定语义信息的特征；然后将得到的特征分别输入到双分支网络中，提取具有空间依赖性与语义相关性的自注意力特征以及整体性信息的全局特征；最后，融合双分支的特征，并利用批归一化（BN）和加权损失的策略降低行人属性样本不平衡的影响。在两个行人属性数据集PETA和RAP上的实验结果表明，所提出的模型比基准模型的平均准确率指标分别提高了3.91个百分点和4.05个百分点，在已提出的行人属性识别模型中具有较强的竞争力。基于双域自注意力机制的行人属性识别方法可在监控场景下对行人进行结构化描述，提高行人分析和检索等任务的准确度和效率。

人工神经网络的自适应结构学习（AdaNet）是基于Boosting集成学习的神经结构搜索框架，可通过集成子网创建高质量的模型。现有的AdaNet所产生的子网之间的差异性不显著，因而限制了集成学习中泛化误差的降低。在AdaNet设置子网网络权重和集成子网的两个步骤中，使用Adagrad、RMSProp、Adam、RAdam等自适应学习率方法来改进现有AdaNet中的优化算法。改进后的优化算法能够为不同维度参数提供不同程度的学习率缩放，得到更分散的权重分布，以增加AdaNet产生子网的多样性，从而降低集成学习的泛化误差。实验结果表明，在MNIST（Mixed National Institute of Standards and Technology database）、Fashion-MNIST、带高斯噪声的Fashion-MNIST这三个数据集上，改进后的优化算法能提升AdaNet的搜索速度，而且该方法产生的更加多样性的子网能提升集成模型的性能。在 F1值这一评估模型性能的指标上，改进后的方法相较于原方法，在三种数据集上的最大提升幅度分别为0.28%、1.05%和1.10%。

针对现有突发事件关系抽取研究多集中于因果关系抽取而忽略了其他演化关系的问题，为了提高应急决策中信息抽取的完备性，应用一种基于注意力机制的双向长短时记忆（LSTM）网络模型进行突发事件演化关系抽取。首先，结合突发事件演化关系的概念，构建演化关系模型并进行形式化定义，依据模型对突发事件语料进行标注；其次，搭建双向LSTM网络结构，并引入注意力机制计算注意力概率以突出关键词汇在文本中的重要程度；最终，使用搭建的网络模型进行演化关系抽取得到结果。在演化关系抽取实验中，相对于现有因果关系抽取方法，所提方法不仅抽取出更加充分的演化关系，为突发事件应急决策提供了更完善的信息；同时，在正确率、召回率和F1分数上分别平均提升了7.3%、6.7%和7.0%，有效提高了突发事件演化关系抽取的准确性。

针对由于摄影角度受限，一些自然图像被铁丝网、栅栏、外墙玻璃接缝等网状遮挡物所遮挡的问题，提出了一种用于修复此类图像的网状遮挡物检测算法。对于现有算法使用单像素颜色特征和固定形状特征造成对颜色和形状不均的网状遮挡物检测效果不佳的弊端，首先将图像进行超像素分割，引入颜色与纹理直方图的联合特征来描述超像素块，将基于像素分类问题转换成基于超像素的分类问题，抑制了局部颜色变化造成的误分类；然后，使用图割算法将超像素块进行分类，使网状结构能够沿着光滑的边缘进行延伸，不受固定的形状限制，提高了对异形网状结构的检测准确率，并且不依赖Farid等提出的算法（FARID M S，MAHMOOD A，GRANGETTO M.Image de-fencing framework with hybrid inpainting algorithm.Signal，Image and Video Processing，2016，10（7）：1193-1201）所需的人工输入；其次使用新的联合特征训练支持向量机（SVM）分类器并对所有未被分类的超像素块进行分类，得到准确网状遮挡物掩膜；最后，使用SAIST算法对图像进行修复。实验中，获得的网状遮挡物掩膜比Farid等提出的算法所得到的保留了更多的细节，在修复算法不变的同时显著提升了图像修复效果。在使用相同网状遮挡物掩膜的情况下，使用SAIST算法修复得到的图片在峰值信噪比（PSNR）和结构相似性（SSIM）上分别比Farid等提出算法提高了3.06和0.02。新的掩膜检测算法联合SAIST修复算法的总体修复效果对比Farid等提出算法及Liu等提出的算法（LIU Y Y，BELKINA T，HAYS J H，et al.Image de-fencing.Proceedings of the 2008 IEEE Conference on Computer Vision and Pattern Recognition.Washington，DC：IEEE Computer Society，2008：1-8）有了明显提升。实验结果表明，所提算法提升了网状遮挡物的检测准确性，得到了效果更好的去除网状遮挡物的图像。

对于产品虚拟装配的三维呈现过程中难以实现零件信息管理问题，结合电动车模型的拆装，提出三维可视化与信息管理技术融为一体的设计方案。首先，建立三维模型库，并根据电动车模型的拓扑结构和辅助信息，如零件的材质、型号等，建立信息库；其次，读取信息库中零件与子装配体间的父子关系信息建立目录树，根据子装配体与场景树均为“多叉树”组成结构的原理进行子装配体的三维呈现，再对子装配体的各个节点设置动画完成拆装呈现；最后，采用多线程方法将电动车配件信息管理与可视化有机结合，实现支持三维的拾取交互查询和检索定位查询等功能。系统以世纪鸟电动车进行验证，实现了三维可视化技术与信息系统相融合，能快速有效地为电动车的三维呈现和虚拟装配提供技术支持。实例验证表明，所设计系统可以有效地将零件的信息管理融入到虚拟装配的三维可视化中。

针对震后高分辨率遥感图像的建筑物损毁区域,提出一种基于多特征结合的损毁建筑物检测方法。首先使用形态学属性剖面(MAP)与局部二值模式(LBP)算子提取图像中的几何特征与纹理特征;然后使用随机森林(RF)分类器提取损毁的建筑物,形成初步结果;最后针对分割的对象,根据对象损毁像元所占的比例获取最终的损毁建筑物区域。采用空间分辨率为0.1 m的玉树震后航空遥感图像进行实验。结果表明,该方法的总体精度比基于形态学剖面(MP)的方法提高了12%,能够有效检测高分辨率震后遥感图像中的损毁建筑物区域。

利用随机投影加速技术将高维矩阵的奇异值分解(SVD)投影到一个低维子空间上进行,可以减少SVD消耗的时间。定义了奇异值随机投影压缩算子,取代之前的奇异值压缩算子,并用这个算子改进了定点连续(FPC)算法得到FPCrp算法。对改进前后的算法进行了大量实验,结果表明:随机投影技术能够在保持算法鲁棒性和精度的同时,节省50%以上的时间。因此,基于随机投影技术的矩阵填充算法更适合求解大规模问题。

为了提高多视图半监督协同算法的性能，并针对算法应用范围受限的问题，提出了一种组合标记规则的协同训练方法。该算法将一致性与非一致性标记规则相结合，若分类器具有相同标记则将对应样本加入到相应的样本集中；若标记不同且两分类器对应的标记置信度差值超过了一定的阈值，则采用高置信度分类器的标记结果，并将样本添加到相应的样本集中。通过判断两分类器对相应样本的标记是否一致以及差异性阈值对未标记样本进行组合标记，并利用分类器差异性判断原则更新分类模型，充分利用未标记样本中的有用信息将分类器性能提高5%以上。所提出的算法在桥梁结构健康监测数据集及标准UCI数据集上的实验结果验证了算法在多视图分类问题上的有效性和可行性。

为了有效利用网络资源，增加网络容量和生存时间，设计一种基于剩余能量及其消耗速率的Ad Hoc网路由协议(REECV)。该协议一方面以避免网络分割为目标，保护网络中能量较低的节点；另一方面考虑链路带宽状况，均衡能量较多节点的流量。仿真表明，该协议在网络生存时间、包传输率和端到端的延时等方面都有一定程度的改善。

鉴于生物体的运作机制已被广泛地用于提高分布式系统的性能，将概念之间的语意相似度引入到基于蚁群搜索算法的对等网络协议，并对资源检索、信息素更新以及节点异动处理等机制进行了研究。在模拟实验中，将上述协议与K路随机游走协议进行了性能比较，结果表明基于蚁群搜索算法的语意对等网络协议不仅能够提高查询效率而且能减轻网络的负载。