现有的图像美学质量评价方法普遍使用卷积神经网络（CNN）提取图像特征，但受局部感受野机制的限制，CNN较难提取图像的全局特征，导致全局构图关系、全局色彩搭配等美学属性缺失。为解决该问题，提出基于自监督视觉Transformer（SSViT）模型的图像美学质量评价方法。利用自注意力机制建立图像局部块之间的长距离依赖关系，自适应地学习图像不同局部块之间的相关性，提取图像的全局特征，从而刻画图像的美学属性；同时，设计图像降质分类、图像美学质量排序和图像语义重构这3项美学质量感知任务，利用无标注的图像数据对视觉Transformer（ViT）进行自监督预训练，增强全局特征的表达能力。在AVA（Aesthetic Visual Assessment）数据集上的实验结果显示，SSViT模型在美学质量分类准确率、皮尔森线性相关系数（PLCC）和斯皮尔曼等级相关系数（SRCC）指标上分别达到83.28%、0.763 4和0.746 2。以上实验结果表明，SSViT模型具有较高的图像美学质量评价准确性。

针对传统基于兴趣区的可视化方法在分析飞行员眼动数据过程中无法关注细节的问题，提出了一种基于用户自定义兴趣区的眼动数据可视分析方法。首先，根据具体的分析任务，引入对任务背景图像的自我划分和定义；然后，在此基础上，结合多种辅助视图和交互手段，设计并实现了面向飞行员培训的眼动数据可视分析系统，帮助分析人员分析不同的飞行员之间的眼动差异，最后通过案例分析，证明了可视分析方法的有效性和分析系统的实用性。实验结果表明，较传统方法来说，所提方法增加了分析人员在分析过程中的主动性，在整体和局部方面，支持分析人员对任务背景进行细节的探索，增加了分析人员分析数据的多角度性，让分析人员能够结合整体发现飞行学员在训练过程中认知困难的部分，进而制定更有针对性、更有效的训练课程。

针对当数据集含有敏感信息时，直接发布频繁序列模式本身及其支持度计数都有可能泄露用户隐私信息的问题，提出一种满足差分隐私（DP）的频繁序列模式挖掘（DP-FSM）算法。该算法利用向下封闭性质生成候选序列模式集，基于智能截断方法从候选模式中挑选出频繁的序列模式，最后采用几何机制对所选出模式的真实支持度添加噪声进行扰动。另外，为了提高挖掘结果的可用性，设计了一个阈值修正的策略来减小挖掘过程中的截断误差和传播误差。理论分析证明了该算法满足ε-差分隐私。实验结果表明了该算法在拒真率（FNR）和相对支持度误差（RSE）两个指标上明显低于对比算法PFS²，有效地提高了挖掘结果的准确度。

针对已有概率频繁项集挖掘算法采用模式增长的方式构建树时产生大量树节点,导致内存空间占用较大以及发现概率频繁项集效率低等问题,提出了改进的不确定数据频繁模式增长(PUFP-Growth)算法。该算法通过逐条读取不确定事务数据库中数据,构造类似频繁模式树(FP-Tree)的紧凑树结构,同时更新项头表中保存所有尾节点相同项集的期望值的动态数组。当所有事务数据插入到改进的不确定数据频繁模式树(PUFP-Tree)中以后,通过遍历数组得到所有的概率频繁项集。最后通过实验结果和理论分析表明:PUFP-Growth算法可以有效地发现概率频繁项集;与不确定数据频繁模式增长(UF-Growth)算法和压缩的不确定频繁模式挖掘(CUFP-Mine)算法相比,提出的PUFP-Growth算法能够提高不确定数据概率频繁项集挖掘的效率,并且减少了内存空间的使用。

针对无线Mesh网络的带宽容量问题，文章通过使用无线网络干扰协议模型对无线链路的干扰进行量化，利用整数线性规划公式对信道分配问题进行描述，在信道分配的时候，应用目标函数对无线链路的信道分配进行优化，使网络总的干扰权重最小化，在此基础上提出一个信道分配的启发式算法。仿真结果表明，文章提出的算法能提高网络的吞吐量。