知识追踪模型主要使用学习过程、学习结束和学习间隔等三类学习行为数据，但现有研究没有融合上述类型的学习行为，无法准确描述多种类型学习行为的相互作用。针对上述问题，提出多学习行为协同的知识追踪（MLB-KT）模型。首先采用多头注意力机制描述每类学习行为的同类约束性，然后采用通道注意力机制建模三类学习行为的多类协同性。将MLB-KT模型与深度知识追踪（DKT）、融合注意力机制的时间卷积知识追踪（ATCKT）模型在3个数据集上进行对比，实验结果表明，MLB-KT模型的曲线下面积（AUC）有明显增加，且在ASSISTments2017数据集上的表现最佳，与DKT、ATCKT模型相比分别提升了12.26%、2.77%；表示质量对比实验的结果也表明MLB-KT模型具有更好的表现。可见建模同类约束性和多类协同性能更好地判断学生的知识状态、预测学生未来的答题情况。

针对带宽资源有限、存在系统外部干扰以及参数不确定性的问题，提出了一种基于事件触发的网络化系统非脆弱耗散控制方案。首先，在网络化控制系统（NCS）模型的基础上，提出了一种非周期采样的事件触发方案，并建立一个时滞闭环系统模型；然后，利用锯齿波的结构特点构造新型双边李雅普诺夫泛函；最后，结合杰森不等式、自由权矩阵、凸组合等方法，导出保证系统稳定性的充分条件，并计算出反馈控制器的增益。数值仿真结果证明，所设计的双边泛函比用单边泛函具有更小的保守性，事件触发机制与普通采样机制相比能够节约带宽，且所设计出的控制器具有可行性。

针对航空发动机剩余使用寿命（RUL）预测方法没有同时加权不同时间步下的数据，包括原始数据和所提取的特征，导致RUL预测准确性较低的问题，提出了一种基于优化混合模型的RUL预测方法。首先，选用三种不同的路径提取特征：1）将原始数据的均值和趋势系数输入至全连接网络；2）将原始数据输入双向长短期记忆（Bi-LSTM）网络，并采用注意力机制处理得到的特征；3）使用注意力机制处理原始数据，并将加权特征输入至卷积神经网络（CNN）和Bi-LSTM网络中。然后，采用融合多路径特征预测的思想，将上述提取到的特征融合后输入至全连接网络获得RUL预测结果。最后，使用商用模块化航空推进系统仿真（C-MAPSS）数据集验证方法的有效性。实验结果显示，所提方法在4个数据集上均有较好的表现。以FD001数据集为例，所提方法的均方根误差（RMSE）比Bi-LSTM网络降低了9.01%。