为了避免花朵授粉算法在极限学习机识别过程中易陷入局部最优，提出了一种基于云量子花朵授粉的极限学习机算法。首先,将云模型和量子系统引入到花朵授粉算法中，增强花朵授粉算法的全局搜索能力，使粒子能在不同状态下进行寻优。然后,采用云量子花朵授粉算法优化极限学习机的参数，提高极限学习机的识别精度和效率。实验中采用6个标准测试函数对多个算法进行仿真对比，对比结果验证了所提云量子花朵授粉算法的性能优于另外3种群智能优化算法。最后，将改进的极限学习机算法应用到油气层识别中，结果表明其识别精度达到98.62%，相较于经典极限学习机，其训练时间缩短了1.680 2 s，该算法具有较高的识别精度和效率，可以广泛应用到实际分类领域中。

针对断路器储能弹簧传统经验试算的设计方法易导致弹簧结构参数不合理、断路器的体积大及分断性能差的问题，应用一种结合鲶鱼效应改进的云粒子群优化算法对断路器的储能弹簧参数进行优化设计。首先，根据储能弹簧的工作原理，推导储能弹簧的数学优化设计模型以及弹簧参数设计的约束条件；然后，根据优化模型对算法进行改进，在传统粒子群优化算法的基础上，引入鲶鱼效应策略产生多样候选解，避免算法陷入局部最优值，并结合云模型适时调整寻优速度权重因子，以加快算法的收敛和提高全局搜索能力；最后，采用改进算法对断路器的储能弹簧优化模型进行仿真及相应的弹簧参数计算。实验结果表明，可以应用改进的粒子群优化算法对断路器储能弹簧进行优化设计，设计结果更加小型化、分断性能更优。

针对稀疏矩阵奇异值分解（SRSVD）方法和半精确增广拉格朗日（SEALM）算法在采样比例小且稀疏噪声大，以及存在高斯噪声时不能准确拟合无线传感器网络（WSN）节点轨迹的问题，提出一种正则化的加权不完全鲁棒主成分分析（RWIRPCA）方法。首先，将不完全鲁棒主成分分析（IRPCA）应用于节点轨迹拟合；然后，在IRPCA的基础上，为了更好地刻画矩阵的低秩性和稀疏性，以及增强模型的抗高斯噪声性能，分别对低秩矩阵和稀疏矩阵进行加权；最后，将高斯噪声矩阵的F范数作为正则项，应用于节点轨迹拟合。仿真结果表明，IRPCA和RWIRPCA在采样比例小且稀疏噪声大时拟合效果均优于SRSVD和SEALM方法，特别是所提的RWIRPCA在稀疏噪声和高斯噪声同时存在时，仍能取得准确且稳定的拟合效果。

基于会话的协同过滤用固定时间窗划分交互历史并将用户兴趣表示为这些阶段的序列，但是旅游数据的高稀疏性会导致某些阶段内没有交互行为和近邻相似度计算困难的问题。为了缓解数据稀疏，有效利用数据特性，提出了基于动态聚类的旅游线路推荐算法。该方法首先分析了旅游数据不同于其他标准数据的特性；其次利用动态聚类得到的变长时间窗口对游客交互历史进行划分，利用潜在狄利克雷分布（LDA）抽取每个阶段的概率主题分布，结合时间惩罚权值建立用户兴趣漂移模型；接着，通过反映年龄、线路季节、价格等因素的游客特征向量为目标游客选择近邻和候选线路集合；最后根据候选线路和游客的概率主题相关度完成线路推荐。该方法通过采用变长时间窗口不但缓解了数据稀疏，而且划分的阶段数目不需提前指定，而是根据数据特性自动生成；近邻选择时采用特征向量而非旅游数据进行相似度计算，避免了由于数据稀疏无法计算的问题。在实际旅游数据上的大量实验结果表明，该方法不仅很好适应了旅游数据特征，而且提高了旅游线路的推荐精度。

高光谱图像各波段图像噪声分布复杂，传统去噪方法难以达到理想效果。针对这一问题，在主成分分析（PCA）的基础上，结合噪声估计和字典学习，提出一种新的高光谱去噪方法。首先，对原始高光谱数据进行主成分变换得到一组主成分图像并根据能量比重将其划分为清晰图像组和含噪图像组；然后，根据任一波段图像的信息，利用奇异值分解（SVD）对图像进行噪声估计，再将得到的噪声估计方法与K-SVD字典学习去噪算法结合，提出一种具备自适应噪声估计特性的字典学习去噪算法，并将其应用于信息量较小的含噪图像组进行去噪处理；最后，按各主成分图像对应的信息量比例进行加权融合得到最终的去噪图像。通过对模拟与实际高光谱遥感图像的实验表明，与PCA、PCA-Bish、PCA-Contourlet三种去噪方法相比，所提方法去噪后图像的峰值信噪比（PSNR）可以提升1~3 dB，且具有更多的细节信息和更好的视觉效果。