针对由于驾驶员对于道路限速和时延信息获取的不确定性而引起的跟驰行为受扰和交通流失稳等问题，提出了一种车联网（IoV）环境下考虑时延速度差和限速信息的跟驰模型TD-VDVL。首先，引入时延导致的速度变化量和道路限速信息对全速差（FVD）模型进行改进；然后，利用线性谱波微扰法推导出TD-VDVL模型的交通流稳定性判断依据，并分析模型中各参数对系统稳定性的影响；最后，利用Matlab进行数值仿真实验与对比分析。仿真实验中，分别选取在笔直道路和环形道路，给行驶过程中的车队施加轻微扰动。当条件一致时，TD-VDVL模型比优化速度（OV）、FVD模型中车队的速度波动率和车头间距起伏均小，尤其是当限速信息的敏感系数取0.3、时延速度差的敏感系数取0.3时，所提模型的车队速度平均波动率在时间500 s时可以达到2.35%，车头间距波峰波谷差仅为0.019 4 m。实验结果表明，TD-VDVL模型在引入时延速差和限速信息后，具备更优的稳定区域，能够明显增强跟驰车队吸收扰动的能力。
目前深度学习模型大都难以应对复杂背景噪声下的鸟鸣声分类问题。考虑到鸟鸣声具有时域连续性、频域高低性特点，提出了一种利用同源谱图特征进行融合的模型用于复杂背景噪声下的鸟鸣声分类。首先，使用卷积神经网络（CNN）提取鸟鸣声梅尔时频谱特征；然后，使用特定的卷积以及下采样操作，将同一梅尔时频谱特征的时域和频域维度分别压缩至1，得到仅包含鸟鸣声高低特性的频域特征以及连续特性的时域特征。基于上述提取频域以及时域特征的操作，在时域和频域维度上同时对梅尔时频谱特征进行提取，得到具有连续性以及高低特性的时频域特征。然后，将自注意力机制分别用于得到的时域、频域、时频域特征以加强其各自拥有的特性。最后，将这三类同源谱图特征决策融合后的结果用于鸟鸣声分类。所提模型用于Xeno-canto网站的8种鸟类音频分类，并在分类对比实验中取得了平均精确率（MAP）为0.939的较好结果。实验结果表明该模型能应对复杂背景噪声下的鸟鸣声分类效果较差的问题。
用电动汽车进行冷链物流配送符合绿色物流的发展趋势。针对电动汽车冷链配送需消耗更多能源以维持低温环境，而电动汽车续驶里程短、充电时间长，致使运营成本高的现象，思考了电动汽车配送中的冷链车辆路径问题（REVRP）。考虑电动汽车能耗特点和社会充电站的充电需求，构建了以总配送成本最小为优化目标的线性规划模型，而目标函数由固定成本和可变成本构成，其中可变成本包含运输成本和制冷成本。模型考虑容量约束和电量约束，并设计混合蚁群（HACO）算法对其进行求解，其中重点设计了适合社会充电站的转移规则以及4种局部优化算子。在改进Solomon基准算例的基础上，形成了小规模和大规模两个算例集，并通过实验比较了蚁群（ACO）算法和局部优化算子的性能。实验结果表明，在小规模算例集中，传统ACO算法与CPLEX求解器均能找到精确解，而ACO算法在运算时间方面可节省99.6%；而在大规模算例集中，与ACO算法相比，结合4种局部优化算子的HACO算法的平均优化效率提升了4.45%。所提算法能够在有限时间内得出电动汽车REVRP的可行解。
针对乳腺肿块和钙化簇分类任务中可用训练数据量较少的问题，结合乳腺钼靶图成像特点提出了一种基于二次迁移学习的多视角模型。首先，使用CBIS-DDSM制作乳腺局部组织切片数据集来预训练主干网络，完成主干网络的领域适应性学习，使之具备基本的病理特征捕捉能力；随后,把主干网络二次迁移到多视角网络中，在绵阳市中心医院数据集上进行微调，同时利用CBIS-DDSM增加训练的正样本数量以提升网络的泛化能力。实验结果表明，领域适应性学习和数据扩充策略平均提升了17%性能指标，取得了94%和90%的肿块和钙化簇曲线下面积(AUC)值。
基于单一脑图谱模板的功能连接网络中提取的特征表示不足以揭示患者组和正常对照组（NC）之间的复杂拓扑结构差异，而传统的基于多模板的功能脑网络定义多采用独立模板，缺乏模板间的关联，从而忽略了各模板构建的功能脑网络中潜在的拓扑关联信息。针对上述问题，提出了一种多层次脑图谱模板和一种使用关系诱导稀疏（RIS）特征选择模型的方法。首先定义了具有关联的多层次脑图谱模板，挖掘模板之间潜在关系和表征组间网络结构差异；然后用RIS特征选择模型进行参数优化，进而提取组间差异特征；最后利用支持向量机（SVM）方法构建分类模型，并应用于抑郁症患者的诊断。在山西大学第一医院抑郁症临床诊断数据库上的实验结果显示，基于多层次模板的功能脑网络通过使用具有RIS特征的选择方法取得了91.7%的分类准确率，相比传统多模板方法的准确率提高了3个百分点。
现有Web服务在面临高并发请求时,会出现响应时间增加,甚至服务器宕机的问题,为此提出一种基于云计算的自伸缩分布式Web系统架构。该架构构建在OpenStack基础设施即服务(IaaS)的平台之上,结合Cloudify平台即服务(PaaS)的平台,实现了自伸缩云应用平台(ECAP)；并提出以虚拟机资源模板为标度值来构建模糊矩阵,实现模糊层次分析调度算法。最后在云平台上上传测试应用,并使用压力测试工具对平台进行了测试分析,结果表明所构建平台比普通应用服务器在应用的平均响应时间和负荷性能上表现更好。
随着面向服务计算技术(SOC)的快速发展，网络上出现了大量功能相同而服务质量(QoS)有很大差别的Web服务，QoS成为评价和选择Web服务的重要依据。由于Web服务所在环境的开放性，使得Web服务的QoS具有很强的动态性，如何精确地预测Web服务的QoS成为影响服务选择和服务组合质量的关键问题。对当前已有的Web服务QoS动态预测方法进行了深入的剖析，指出了现有QoS动态预测方法的优点与不足，讨论了未来的研究方向；明确了存在的关键问题以及未来的发展方向。
针对云环境下大规模并发视频流调度过程中资源利用率低和负载不均的问题,提出一种基于蚁群优化(ACO)算法的视频点播(VOD)集群视频流任务调度策略VodAco。在分析视频流期望性能与服务器空闲性能的相关性、定义综合性能匹配度的基础上,建立数学模型,并采用蚁群优化思路进行最佳调度方案搜索。通过云仿真软件CloudSim实验表明,与轮询(RR)、贪婪(Greedy)算法相比,所提算法在任务完成时间、平台资源占有率、各节点性能负载均衡指标上具有较为明显的优势。
