针对二元关联法(BR)未考虑标签之间相关性,容易造成分类器输出在训练集中不存在或次数较少标签的不足,提出了基于贝叶斯模型的多标签分类算法(MLBM)和马尔可夫型多标签分类算法(MMLBM)。首先,建立仿真模型分析BR算法的不足,考虑到标签的取值应由属性置信度和标签置信度共同决定,提出MLBM。其中,通过传统的分类算法计算获得属性置信度,以及通过训练集得到标签置信度。然后,考虑到MLBM在计算属性置信度时必须考虑所有已分类的标签,分类器的性能容易受无关或弱关系的标签影响,所以使用马尔可夫模型简化置信度的计算提出了MMLBM。理论分析和仿真实验表明,与BR算法相比,MMLBM的平均分类精度在emotions数据集上提高约4.8%,在yeast数据集上提高约9.8%,在flags数据集上提高约7.3%。实验结果表明,当数据集中实例的标签基数较大时,相对于BR算法,MMLBM的准确性有较大的提升。

针对当前大多数典型软子空间聚类算法未能考虑簇类投影子空间的优化问题，提出一种新的软子空间聚类算法。该算法将最大化权重之间的差异性作为子空间优化的目标，并提出了一个量化公式。以此为基础设计了一个新的优化目标函数，在最小化簇内紧凑度的同时，优化每个簇所在的软子空间。通过数学推导得到了新的特征权重计算方法，并基于k-means算法框架定义了新聚类算法。实验结果表明，所提算法对子空间的优化降低了算法过早陷入局部最优的可能性，提高了算法的稳定性，并且具有良好的性能和聚类效果，适合用于高维数据聚类分析。

经典统计阈值方法直接利用类方差构造最优阈值准则,具有一定的通用性,但在某些情况下缺乏实际应用的针对性。为了解决血细胞图像阈值化及白细胞核提取问题,提出了一种利用云模型的简单快速方法。该方法分别生成白细胞核和血细胞背景对应的云模型,利用各类云模型的超熵定义了新的阈值化准则,然后通过最大化该准则自动获取最优灰度阈值,最终完成血细胞图像二值化及白细胞核提取。实验结果表明,与Otsu法、最大熵法、最小误差法、最小类内方差和法以及最小极大类内方差法等方法相比,新方法更适合于血细胞图像分割,二值化效果好，白细胞核提取质量高,具有合理性和有效性。

为了改善量子行为粒子群优化(QPSO) 算法的收敛性能, 提出了一种基于随机评价策略的改进QPSO优化算法(RE-QPSO)。该算法通过使用随机因子对种群中粒子的创新性进行评价，提高了粒子摆脱局部极值的能力。提出了固定取值和线性递减两种控制策略分析RE-QPSO算法的唯一控制参数——收缩-扩张系数，通过6个标准测试函数的仿真结果给出了具有实际指导意义的控制参数选择方法

集中式的基于案例推理(CBR)应用于感知服务质量(QoS)的Web服务组合时，面临信息维护量大、节点负载高、中心失效等问题。为解决上述问题，提出了基于分布式哈希表(DHT)的协作式Web服务组合方法COCO，利用哈希函数和空间填充曲线(SFC)将组合服务的工作流和服务质量映射为一维数据键，并利用底层DHT Overlay以Peer-to-Peer的方式查询满足用户请求的已知组合服务，一次成功查询可获得同时满足功能性要求和非功能性要求的组合服务。实验结果表明，COCO在查询时延和查询命中率方面均有较好性能，适用于大规模网络计算环境。

针对图像过渡区提取与阈值化问题，提出了一种融合局部灰度复杂度和局部灰度差异度的方法。首先生成图像的局部复杂度和局部差异度等局部灰度特征；其次融合这些局部灰度特征构造新的特征矩阵；然后设计了与特征矩阵的均值和标准差相关的自动特征阈值，并提取图像过渡区；最后将过渡区像素的灰度均值作为最优灰度阈值完成图像二值化。实验结果表明，所提方法的过渡区提取质量高，分割效果好，具有合理性和有效性，可作为经典方法的有效补充。

多侧面覆盖算法对海量高维数据的分类采用分而治之的思想,依据分量差的绝对值和,选取部分属性构建不同样本子集的覆盖,降低了学习的复杂度,但初始属性集的选择依据经验或实验获得。为降低初始属性集选择的主观性和属性集调整的复杂性,利用Relief特征选择方法确定适合不同数据集的最优特征子集,构建了分层递阶的覆盖网络,并对实际数据集进行实验。实验结果表明,该算法具有较高的精度和效率,可以有效地实现复杂问题的分类。