针对在受到部分遮挡或角度过大无法定位面部关键特征点的情况下，传统的头部姿态估计方法的准确率低或无法进行头部姿态估计的问题，提出了优化LeNet-5网络的多角度头部姿态估计方法。首先，通过对卷积神经网络（CNN）的深度、卷积核大小等进行优化来更好地捕捉图像的全局特征；然后，改进池化层，用卷积操作代替池化操作来增强网络的非线性能力；最后，引入AdaBound优化器，并利用Softmax回归模型做姿态分类训练。训练中在自建数据集中增加遮挡头发、做出夸张表情和佩戴眼镜等动作来增强网络的泛化能力。实验结果表明，所提方法不需要定位面部关键特征点，在光照阴影、头发等遮挡情况下也可以实现抬头、低头、偏头等多角度转动下的头部姿态估计，在Pointing04公共数据集和CAS-PEAL-R1公共数据集上准确率达到了98.7%，运行速度平均在每秒22~29帧。

为了阻挡人脸识别系统中的照片及视频攻击，提出了一种将头部姿态和面部表情融合的互动式活体检测算法。首先，对VGGNet的卷积核数目、网络层数、正则化等进行了调整优化，构建了一个多层卷积的头部姿态估计网络；其次，引入全局平均池化、局部响应归一化和卷积替代池化等方法对VGGNet进行改进，构建了一个表情识别网络；最后，融合上述两个网络实现了互动式活体检测系统，对用户发出随机指令实时完成活体检测。实验结果表明，所提出的头部姿态估计网络和表情识别网络分别在CAS-PEAL-R1数据集和CK+数据集上取得了99.87%和99.60%的准确率，而活体检测系统的综合准确率达到了96.70%，运行速度达到了每秒20~28帧，在实际应用中泛化能力突出。

针对在灰度图像着色领域中，传统算法信息提取率不高、着色效果不理想的问题，提出了基于密集神经网络的灰度图像着色算法，以实现改善着色效果，让人眼更好地观察图片信息的目的。利用密集神经网络的信息提取高效性，构建并训练了一个端到端的深度学习模型，对图像中的各类信息及特征进行提取。训练网络时与原图像进行对比，以逐渐减小网络输出结果的信息、分类等各类型的损失。训练完成后，只需向网络输入一张灰度图片，即可生成一张颜色饱满、鲜明逼真的彩色图片。实验结果表明，引入密集网络后，可有效改善着色过程中的漏色、细节信息损失、对比度低等问题，所提算法着色效果较基于VGG网络及U-Net、双流网络结构、残差网络（ResNet）等性能优异的先进着色算法而言取得了显著的改进。

现有基于内容的医学图像检索（CBMIR）算法存在特征提取的不足，导致图像的语义信息表达不完善、图像检索性能较差，为此提出一种多尺度密集网络算法以提高检索精度。首先，将512×512的肺结节图像降维到64×64，同时加入密集模块以解决提取的低层特征和高层语义特征之间的差距；其次，由于网络的不同层提取的肺结节图像信息不同，为了提高检索精度和效率，采用多尺度方法结合图像的全局特征和结节局部特征生成检索哈希码。实验结果分析表明，与自适应比特位的检索（ABR）算法相比，提出的算法在64位哈希码编码长度下的肺结节图像检索查准率可以达到91.17%，提高了3.5个百分点；检索一张肺切片需要平均时间为48 μs。所提算法的检索结果在表达图像丰富的语义特征和检索效率方面，优于其他对比的网络结构，适用于为医生临床辅助诊断提供依据、帮助患者有效治疗。

为了能够有效地降低无线传感器网络(WSN)的能耗,延长网络生命周期,对低功耗自适应集簇分层型(LEACH)协议等多个分簇路由协议进行分析,并针对其算法存在的缺陷提出基于吸引因子和多跳传输的分簇路由算法(CRAH)。针对不合理的簇头选择问题,采用加权和的方法将节点剩余能量与节点位置两个参数,作为簇头选择的新指标;对簇头节点的任务进行重新分配,选出新的融合节点;融合节点和基站的通信采用单跳与多跳相结合的混合传输方式,结合吸引因子和Dijkstra算法提出新的基于吸引因子的Dijkstra(AF-DK)算法,为融合节点找到最优转发路径。仿真结果表明,与LEACH、集中式低功耗自适应集簇分层型(LEACH-C)路由和固定簇半径的分簇(HEED)等协议相比,CRAH使网络寿命分别提高了约51.56%、47.1%和42%,网络能耗速度明显减缓,基站接收的数据量平均减少了69.9%。CRAH使簇头选择更加合理,有效减少了通信过程中的冗余数据,均衡了网络能耗,延长了网络生命周期。

虚拟机动态配置是解决数据中心能耗低效的有效方法。针对动态配置过程中的虚拟机部署及优化问题展开研究，提出一种新的面向系统能耗的虚拟机部署算法以及基于主动迁移的优化策略。为了降低系统能耗，新算法采用基于服务器利用率的最佳适配降序算法求解虚拟机部署方案；同时为了适应应用负载的动态变化，新算法启动主动迁移策略对部署方案进行优化，即通过启发式算法在当前部署的基础上搜索使系统能耗更低的优化方案，并根据新部署对虚拟机执行主动迁移。考虑到迁移会导致应用服务质量降级和额外能耗，新算法通过在优化策略中设置基于服务器利用率的启动门限，对虚拟机主动迁移频率进行控制。仿真实验表明，所提算法在系统能耗、虚拟机迁移频率、服务器状态切换频率以及服务质量等多项性能指标上均有显著提高

为了进一步提高支持向量机在回归预测中的精度，提出一种基于模糊核聚类的最小二乘支持向量机集成方法。该方法采用模糊核聚类算法根据相互独立训练出的多个LSSVM在验证集上的输出对其进行分类，并计算每一类中的所有个体在独立验证集上的泛化误差，然后取其中平均泛化误差最小的个体作为这一类的代表，最后经简单平均法得到集成的最终预测输出。在短期电力负荷预测中的实验结果表明，该方法具有更高的精确度。

对医学图像数据中感兴趣区域（ROI）进行准确的边缘提取和分割，是对图像进行分析、理解和处理的重要前提。为克服现有Snake算法人工初始化轮廓不精确,迭代过程中曲线易被复杂背景吸引等缺点，提出基于一种改进Snake模型的序列图像边缘提取算法。该算法先利用序列图像相似性原理提取出近似边缘，然后将其平均分为4个子边缘，在每个子边缘上取数目均衡的Snake输入点，最后离散Snake的内力和外力，经过迭代得到最终边缘。实验结果表明：该方法能精确地提取出医学图像中复杂区域或畸形区域的边缘，且计算量较小。

在网络环境下，经典的链接分析方法（HITS算法）过多的关注网页的权威性，忽视了其主题相关度，易产生主题漂移现象。文本在简要介绍HITS算法的基础上，分析了其产生主题漂移的原因，并结合内容相关度评价方法，提出了一种新的搜索算法——WHITS算法。实验表明，该算法挖掘了超链接间的潜在语义关系，能有效的引导主题挖掘。