在计算机断层扫描（CT）和磁共振成像（MRI）的影像中肝脏与邻近脏器的灰度值相似性都比较高，为自动精确地分割肝脏，提出一种基于多尺度特征融合和网格注意力机制的三维肝脏影像分割方法MAGNet （Multi-scale feature fusion And Grid attention mechanism Network）。首先，通过注意力引导连接模块来连接高层特征和低层特征以提取出重要的上下文信息，并且在注意力引导连接模块中引入网格注意力机制来关注感兴趣的分割区域；然后，通过在单个特征图中按通道数进行分层连接形成多尺度特征融合模块，并用该模块替换基础卷积块以获取多尺度语义信息；最后，利用深度监督机制解决梯度消失、梯度爆炸和收敛过慢等问题。实验结果表明：在3DIRCADb数据集上，与U³-Net+DC方法相比，MAGNet在Dice相似系数（DSC）指标上提升了0.10个百分点，在相对体积差（RVD）指标上降低了1.97个百分点；在Sliver07数据集上，与CANet方法相比，MAGNet在DSC指标上提升了0.30个百分点，在体素重叠误差（VOE）指标上降低了0.68个百分点，在平均对称表面距离（ASD）和对称位置表面距离的均方根（RMSD）指标上分别降低了0.03 mm和0.22 mm；在某医院肝脏MRI数据集上，MAGNet在所有指标上也均具有良好的结果。另外，将MAGNet应用于3DIRCADb数据集和某医院肝脏MRI数据集进行混合形成的数据集，也取得了非常有竞争力的分割效果。

三支概念分析是人工智能领域一个非常重要的研究方向，该理论最大的优势是可以同时研究形式背景中对象“共同具有”和“共同不具有”的属性。众所周知，经过属性聚类生成的新形式背景与原形式背景具有较强的联系，同时原三支概念与经过属性聚类得到的新三支概念也存在紧密的内在联系。为此，进行属性聚类下三支概念的对比研究和分析。首先基于属性聚类提出悲观属性聚类、乐观属性聚类以及一般属性聚类的概念，并研究了这三种属性聚类的关系；然后，通过对比聚类过程与三支概念形成的过程，研究了原三支概念与新三支概念的区别，分别从面向对象和面向属性的角度提出两个最低约束指数，探索了属性聚类对三支概念格的影响，进一步丰富了三支概念分析理论，为可视化数据处理领域提供了可行的思路。

分组密码中的S盒（多输出）以及流密码中的反馈函数都需要特殊的布尔函数来保证密码算法的安全性。为解决现有流密码算法中非线性布尔函数（NLBF）可重构硬件运算单元资源占用过大、时钟频率低等问题，提出一种高效的基于与非锥（AIC）的NLBF可重构运算单元设计方法（RA-NLBF）。以密码学理论为基础，在着重分析多种流密码算法的NLBF特性，提取了涵盖与项次数、与项个数、输入端口数等NLBF函数特征的基础上，提出基于“混合极性Reed-Muller（MPRM）”和“传统布尔逻辑（TB）”双逻辑混合形式的NLBF化简方法，NLBF的与项数量减少29%，形成了适用于AIC的NLBF表达式；根据化简后的表达中与项个数、与项次数分布等特征，设计了可重构AIC单元和互联网络，形成可满足现有公开流密码算法中的NLBF运算的可重构单元。基于CMOS 180 nm工艺对提出的RA-NLBF进行逻辑综合验证，结果显示该方法的面积为12 949.67 μm2，时钟频率达到505 MHz，与现有相同功能的单元可重构序列密码逻辑单元（RSCLU）相比，面积减少了59.7%，时钟频率提高了37.3%。

非负矩阵三因子分解是潜在因子模型中的重要组成部分，由于能将原始数据矩阵分解为三个相互约束的潜因子矩阵，被广泛应用于推荐系统、迁移学习等研究领域，但目前还没有非负矩阵三因子分解的可解释性方面的研究工作。鉴于此，将用户评论文本信息当作先验知识，设计了一种基于先验知识的非负矩阵半可解释三因子分解（PE-NMTF）算法。首先利用情感分析技术提取用户评论文本信息的情感极性偏好；然后更改了非负矩阵三因子分解算法的目标函数和更新公式，巧妙地将先验知识嵌入到算法中；最后在推荐系统冷启动任务的Yelp和Amazon数据集以及图像零次识别任务的AwA和CUB数据集上与非负矩阵分解、非负矩阵三因子分解算法做了大量对比实验，实验结果表明所提算法在均方根误差（RMSE）、归一化折损累计增益（NDCG）、归一化互信息（NMI）和准确率（ACC）上都表现优异，且利用先验知识进行非负矩阵三因子分解的解释具有可行性和有效性。

在基于事件的社会网络（EBSN）中，自动生成社交事件（Social Event）的事件描述（Event Description）供组织者参考，从而有效避免描述贫乏、描述过度、精准度低的问题，易于形成丰富、准确、高吸引力的事件描述。为了自动生成与真实事件描述足够相似的文本，提出了一种生成对抗网络（GAN）模型GAN_PG来生成事件描述。GAN_PG模型中的生成模型（Generator）采用变分自编码器（VAE），判别模型（Discriminator）采用带门控循环单元（GRU）的神经网络。模型训练时借鉴了强化学习中的策略梯度（PG）下降，并通过设计合理的奖励函数来训练生成器生成事件描述。实验结果表明，设计的模型生成事件描述的BLEU-4值达到了0.67，证明了提出的事件描述生成模型GAN_PG可以无监督地产生与自然语言足够相似的事件描述。

为了优化梅尔频率倒谱系数（MFCC）特征提取算法，提高对呼吸声信号识别的准确率，实现识别慢性阻塞性肺病（COPD）的目的，提出了基于希尔伯特黄变换（HHT）的MFCC与短时能量（Energy）融合的特征提取算法HHT-MFCC+Energy。首先，经预处理的呼吸声信号通过HHT计算出Hilbert边际谱和边际谱能量；其次，谱能量通过Mel滤波器得到特征向量，再对特征向量取对数和进行离散余弦变换得到HHT-MFCC系数；最后，将信号的短时能量与HHT-MFCC特征向量融合形成新特征，并通过支持向量机（SVM）进行信号识别。将MFCC、HHT-MFCC和HHT-MFCC+Energy三种特征提取算法结合SVM进行呼吸声信号识别，实验结果表明，所提出的特征融合算法在COPD患者和健康人呼吸声识别效果上都优于其他两种算法：当提取24维特征、选取100个训练样本时，识别率平均值能达到97.8%，分别比MFCC和HHT-MFCC高出6.9个百分点和1.4个百分点。

肝脏是人体代谢功能的主要器官，目前机器学习在肝脏影像语义分割研究中的难点有：1）肝脏中间部位有下腔静脉、软组织和血管，甚至有坏死或肝裂等情况；2）肝脏与一些邻近器官之间的边界模糊，难以分辨。针对这些问题，提出了边缘关注模型（EAM）及边缘关注网络（EANet）。该网络采用了Encoder-Decoder（编码-解码）的模型框架：在编码器中运用了在ImageNet上预训练好的残差网络ResNet34和EAM，由此来充分获取肝脏边缘的细节特征信息；在解码器中则运用了反卷积操作和EAM对有效信息进行特征提取，进而得到肝脏影像的语义分割图。最后，对分割后噪声较大的图片实施了平滑处理。在三个数据集上与AHCNet进行对比，结果显示：在3Dircadb数据集上，EANet的体积重叠误差（VOE）和相对体积差异（RVD）分别降低了1.95个百分点和0.11个百分点，且DICE精度提高了1.58个百分点；在Sliver07数据集上，EANet的VOE、最大表面距离（MSD）和均方差对称表面距离（RMSD）分别降低了大约1个百分点、3.3 mm和0.2 mm；在某医院临床MRI肝脏影像数据集上，EANet的VOE和RVD分别降低了0.88个百分点和0.31个百分点，且DICE精度提高了1.48个百分点。实验结果表明，所提出的EANet具有较好的肝脏图像分割效果。

针对推荐算法中的数据稀疏问题，通常引入社交数据作为辅助信息进行社会化推荐。传统的社会化推荐算法忽略用户的兴趣迁移，导致模型无法描述用户兴趣的动态变化特征，也忽略了社交影响的动态特性，导致模型将很久以前的社交行为与近期社交行为同等对待。针对这两点提出一种社交信息动态融合的社会化推荐模型SLSRec。首先，利用自注意力机制构建用户交互物品的序列模型，以实现对用户兴趣的动态描述；然后，设计具有时间遗忘的注意力机制对社交短期兴趣进行建模，并设计具有协同特性的注意力机制对社交长期兴趣进行建模；最后，融合社交的长短期兴趣与用户的短期兴趣来获得用户的最终兴趣并产生下一项推荐。利用归一化折损累计增益（NDCG）和命中率（HR）指标在稀疏数据集brightkite和稠密数据集Last.FM上把所提模型与序列推荐模型（自注意力序列推荐（SASRec）模型）和社会化推荐模型（社会推荐的神经影响扩散（DiffNet）模型）进行对比验证。实验结果显示，SLSRec模型与DiffNet模型相比，在稀疏数据集上的HR指标提升了8.5%；与SASRec模型相比，在稠密数据集上的NDCG指标提升了2.1%，表明考虑社交信息的动态特性使推荐结果更加准确。

交通流量预测作为智能交通的重要一环，所要处理的交通数据具有非线性、周期性和随机性的特点，导致在数据预测时，不稳定的交通流量数据依赖于长期数据范围，且由于一些外部因素使得原始数常包含一些噪声，可能导致预测性能的进一步下降。针对上述问题提出了一种能够去噪且能处理长时依赖的预测算法——EMD-LSTM。首先，通过经验模态分解（EMD）算法将交通时序数据中的不同尺度分量逐级分解出来，生成一系列具有相同特征尺度的本征模函数，从而去除一定的噪声影响；然后，借助长短期记忆（LSTM）神经网络解决数据的长期依赖问题，从而使所提算法在长时间视野预测方面表现更为突出。对实际数据集进行短期预测的实验结果表明，EMD-LSTM的平均绝对误差（MAE）比LSTM低了1.916 32，平均绝对百分误差（MAPE）比LSTM降低了4.645 45个百分点，可见所提出的混合模型使预测准确性得到显著提高，能够有效解决交通数据的问题。

对运行在文件系统上的工作负载进行分析有助于优化分布式文件系统的性能，且对构建新型存储系统至关重要。由于工作负载的复杂性和规模多样性的增加，使用基于直觉的分析来显式地捕获工作负载踪迹的特征是不完备的。针对这一问题，提出了一个分布式日志分析与负载特征提取模型。首先，从分布式文件系统日志中根据关键字抽取出与读写相关的信息；其次，从统计与时序两方面对负载特征进行描述；最后，分析基于负载特征进行系统优化的可能。实验结果表明，提出的模型具有一定的可行性与准确性，且可以较为详细地给出负载统计与时序特征，具有低开销、高时效、易于分析等优点，可以用来指导具有相同特征的工作负载的合成、热点数据监测、系统的缓存预取优化。

针对传统基于注意力机制的神经网络不能联合关注局部特征和旋转不变特征的问题，提出一种基于多分支神经网络模型的弱监督细粒度图像分类方法。首先，用轻量级类激活图(CAM)网络定位有潜在语义信息的局部区域，设计可变形卷积的残差网络ResNet-50和旋转不变编码的方向响应网络(ORN)；其次，利用预训练模型分别初始化特征网络，并输入原图和以上局部区域分别对模型进行微调；最后，组合三个分支内损失和分支间损失优化整个网络，对测试集进行分类预测。所提方法在CUB-200-2011和FGVC_Aircraft数据集上的分类准确率分别达到87.7%和90.8%，与多注意力卷积神经网络(MA-CNN)方法相比，分别提高了1.2个百分点和0.9个百分点；在Aircraft_2数据集上的分类准确率达到91.8%，比ResNet-50网络提高了4.1个百分点。实验结果表明，所提方法有效提高了弱监督细粒度图像分类的准确率。

现有图像修复方法虽然能够补全图像缺失区域的内容，但是仍然存在结构扭曲、纹理模糊、内容不连贯等问题，无法满足人们视觉上的要求。针对这些问题，提出一种基于扩张卷积的图像修复方法，通过引入扩张卷积的思想增大感受野来提升图像修复的质量。该方法基于生成对抗网络（GAN）的思想，分为生成网络和对抗网络。生成网络包括全局内容修复网络和局部细节修复网络，并使用gated卷积动态地学习图像特征，解决了使用传统卷积神经网络方法无法较好地补全大面积不规则缺失区域的问题。首先利用全局内容修复网络获得一个初始的内容补全结果，之后再通过局部细节修复网络对局部纹理细节进行修复。对抗网络由SN-PatchGAN鉴别器构成，用于评判图像修复效果的好坏。实验结果表明，与目前存在的图像修复方法相比，该方法在峰值信噪比（PSNR）、结构相似性（SSIM）、inception分数3个指标上都有较大的提升；而且该方法有效解决了传统修复方法出现的纹理模糊问题，较好地满足了人们的视觉连贯性，证实了提出的方法的有效性和可行性。

新型存储器件的I/O性能通常比传统固态驱动器（SSD）高一个数量级，然而使用新型存储器件的分布式文件系统相对于使用SSD的分布式文件系统性能并没有显著的提高，这说明目前的分布式文件系统并不能充分发挥新型存储器件的性能。针对这个问题，对Hadoop分布式文件系统（HDFS）的数据写入流程及传输过程进行了量化分析。通过量化分析HDFS数据写入过程各阶段的时间开销，发现在写入数据的各个阶段中，节点间数据传输的时间占比较大。因此提出了对应的优化方案，通过异步写入的方式并行化数据传输与处理过程，使得不同数据包的处理阶段叠加起来，减少了数据包整体的处理时间，从而提升了HDFS的写入性能。实验结果表明，所提方案将HDFS的写入吞吐量提升了15%~24%，总体的写入执行时间降低了28%~36%。

在基于事件的社会网络（EBSNs）的相关研究中，基于事件描述来预测社交事件参与度是难点问题。相关的研究非常有限，研究难度主要来自对事件描述评价的主观性和语言建模算法的局限性。针对这些问题，首先定义了成功事件、相似事件和事件相似度等概念，并基于这些概念将采集自Meetup平台的社交数据进行抽取，同时分别设计了基于拉索回归、卷积神经网络（CNN）和门控循环神经网络（GRNN）的分析预测方法。实验时，先从抽取过的数据中选取部分数据训练三种模型，然后用剩余的数据进行分析预测。结果显示，相较于不含事件描述的事件，经过拉索回归模型处理的事件在不同分类器下的预测准确率可提高2.35%~3.8%，经过GRNN模型处理的事件在不同分类器下的预测准确率可提高4.5%~8.9%，而CNN模型的处理结果不理想。证明了事件描述能够提高事件参与度，GRNN模型在三个模型中预测准确率最高。

针对多发于老龄人群的帕金森病（PD）的早期智能化诊断的问题，提出基于医疗检测文本信息数据的聚类技术来对PD进行分析预测。首先，对原始数据集进行预处理以获取有效特征信息，并通过主成分分析（PCA）方法将原始特征分别降维到8个不同维度的维度空间；然后，应用5个传统的经典聚类模型和3种不同的聚类集成方法分别对8个维度空间的数据进行聚类；最后，采用4个聚类性能指标来预测数据集中的多巴胺异常PD患者、健康体和无多巴胺缺失（SWEDD） PD患者。仿真结果显示，PCA特征维度值取30时，高斯混合模型（GMM）的聚类准确度达到89.12%；PCA特征维度值取70时，谱聚类（SC）的聚类准确度达到61.41%；PCA特征维度值取80时，元聚类算法（MCLA）的聚类准确度达到59.62%。对比实验结果表明，5种经典聚类方法中，PCA的特征维度值小于40时，高斯混合模型聚类效果最佳；3种聚类集成方法中，对于不同的特征维度，MCLA的聚类性能均表现优异，进而为PD的早期智能化辅助诊断提供了技术和理论支撑。

为提升贷款金融客户行为预测的准确性，针对传统的K-最近邻（KNN）算法在数据分析中处理非数值因素的不完备问题，提出了一种采用值差度量（VDM）距离的对聚类结果迭代优化的改进KNN算法。首先对收集到的数据信息进行基于VDM距离的KNN算法的聚类，再对聚类结果进行迭代分析，最后通过联合训练提高了预测精度。基于葡萄牙零售银行2008—2013年收集的客户数据比较可知，改进的KNN算法与传统的KNN算法、基于属性值相关距离的KNN改进（FCD-KNN）算法、高斯贝叶斯算法、Gradient Boosting等现有算法相比具有更好的性能和稳定性，在银行数据预测客户行为中具有很大的应用价值。

针对Hadoop和Spark等大数据分析系统中无先验知识任务的高效执行问题，设计了基于累计工作量（CRW）的任务调度器CRWScheduler。该调度器根据CRW将任务在低权重队列与高权重队列间切换；在为作业分配资源时，同时考虑到作业所在的队列和其瞬时占用资源量，无需作业先验知识即显著提升系统性能。基于Apache Hadoop YARN实现了CRWScheduler原型，在28个节点的基准测试集群上的实验表明，与YARN的公平调度机制相比，作业流时间（JFT）平均降低21%，其中95百分位的作业流时间（JFT）最多降低了35%，并且在与任务级调度程序协作时可获得进一步的性能提升。

当前的肺炎图像识别算法面临两个问题：一是肺炎特征提取器使用的迁移学习模型在源数据集与肺炎数据集上图像差异较大，所提取的特征不能很好地契合肺炎图像；二是算法使用的softmax分类器对高维特征处理能力不够强，在识别准确率上仍有提升的空间。针对这两个问题，提出了一种基于深度卷积神经网络的肺炎图像识别模型。首先使用ImageNet数据集训练好的GoogLeNet Inception V3网络模型进行特征提取；其次，增加了特征融合层，使用随机森林分类器进行分类预测。实验在Chest X-Ray Images肺炎标准数据集上进行。实验结果表明，该模型的识别准确率、敏感度、特异度的值分别达到96.77%、97.56%、94.26%。在识别准确率以及敏感度指标上，与经典的GoogLeNet Inception V3+Data Augmentation （GIV+DA）算法相比，所提模型分别提高了1.26、1.46个百分点，在特异度指标上已接近GIV+DA算法的最优结果。

针对目前广泛应用的被动式射频识别（RFID）标签中的计算、存储资源有限，导致RFID认证协议的安全和隐私保护，特别是可扩展性一直没有得到很好解决的问题，提出一种基于哈希函数、可证安全的轻权认证协议。该协议通过哈希运算和随机化等操作确保认证过程中会话信息的保密传输和隐私性；在认证过程中，标签的身份信息通过伪名进行确认，其真实身份没有透漏给阅读器等不信任实体；后端服务器进行身份确认仅需进行一次哈希运算，通过标识符构造哈希表可使身份信息查找时间为常数；每次认证后，标签的秘密信息和伪名等均进行更新，从而确保协议的前向安全性。分析证实，该RFID轻权认证协议具有很好的可扩展性、匿名性和前向安全性，能够抵抗窃听、追踪、重放、去同步化等攻击，而且标签仅需提供哈希运算和伪随机数生成操作，非常适合应用于低成本的RFID系统。

针对现有的地图更新方法，在室内地图环境下的效果并不理想的问题，提出了一种分层式的室内地图更新方法。首先以室内物体的活动性为参数，然后进行层次的划分来减少更新数据的数量，最后利用卷积神经网络（CNN）对室内数据进行归属层次的判定。实验结果表明，与版本式更新方法相比，所提算法的更新时间降低了27个百分点；与增量式更新方法相比，其更新时间在更新项大于100后逐渐降低。与增量式更新方法相比更新包大小降低了6.2个百分点，且在数据项小于200之前其更新包一直小于版本式更新方法。所提方法可以显著提高室内地图的更新效率。

由于用户在实际使用云平台时，很难确定云平台的云主机类型，所以造成了云平台资源利用率低下的问题。许多典型的解决资源利用率低下的方法，都是从云提供商的角度优化放置算法，而用户选择将限制资源利用率增加；也有一些方法采用云平台下的任务性能短时间采集并预测，但会降低任务分类的准确性。为了达到提高云平台资源利用率、简化用户操作的目的，首先提出一种多属性的任务性能采集工具Lbenchmark，全面采集任务的性能特征，和Ganglia相比负载降低了50%以上。然后，利用该性能数据，提出一种基于权值可配的多 KD树- K最近邻（ KNN）应用性能分类算法，挑选适合参数建立多个基于 KD树的 KNN分类器，通过交叉验证方法调整每个属性在不同分类器的权重，进行选举分类。实验结果表明，所提算法与传统的 KNN相比，计算量明显提高了约10倍以上，而准确性平均提高约10%。该算法可利用数据特征映射将资源建议提供给用户和云提供商，进而提高云平台整体的利用率。

为解决现有稀疏编码方法在文本图像复原中存在的编码码元表述空间有限和计算时间长的问题，提出了一种基于岭回归的稀疏编码文本图像复原方法。首先，该方法在训练阶段使用样本图像块训练出用于稀疏表达的字典，并根据样本图像块和编码码元之间的欧氏距离对样本图像块进行聚类；其次，在局部流形空间构建低质量文本图像块和清晰文本图像块之间的岭回归，实现对编码码元表述空间的局部多线性扩展和快速计算；最后，在测试阶段搜索和低质量文本图像最相近的编码码元，计算出近似的清晰文本图像块，从而避免计算耗时的低质量文本图像块的稀疏编码。实验结果表明，所提算法在恢复的图像质量上相比现有的基于稀疏编码的算法在峰值信噪比上高0.3~1.1 dB，耗时降低了1~2个数量级，为提高文本图像复原质量和提升算法运算速度提供了一种解决方案。

针对现阶段使用私有云评测方法缺失所导致搭建私有云供需不匹配的问题，提出了一种自适应、可扩展的私有云系统能力检测方法，可对基础设施即服务（IaaS）云计算系统能力进行评测。首先，通过私有云应用程序接口动态扩展虚拟机数量；然后，通过性能特征模型选取虚拟机所需配置的硬件信息和操作系统类别，并根据用户的需求差异使用不同的负载模型，形成相应的模拟运行环境；最后，使用云计算服务等级协议（SLA）作为测试标准来衡量私有云服务能力。使用所提方法对Openstack开源私有云平台的能力进行了评测，实验结果表明，所提方法可以准确得出私有云服务能力，结果和用户实测一致。该方法负载生成成本更低，测试效率更高。并将该方法与Openstack自带的组件Rally进行对比，拓展性和负载动态模拟有很大的改进。

随着云存储系统的迅速发展和广泛使用，许多企业开发者和个人用户将其应用从传统存储迁移至公有云存储系统，因此，云存储系统性能成为企业开发者和个人用户关注的焦点。由于传统测试难以模拟足够多的用户同时访问云存储系统；测试环境构建复杂，测试时间长，准备测试环境成本高；受网络因素及外界其他因素影响，评测结果不稳定。针对以上所述云存储系统性能评测的重点和难点，提出一种“云测试云”的公有云存储系统性能评测方法，该方法通过在云计算平台动态申请足够数量的实例，对公有云存储系统性能进行评测。首先，构建通用的性能评测框架，可动态伸缩申请实例，自动化部署评测工具及负载，控制并发访问云存储系统，自动释放实例及收集并反馈评测结果；其次，提出多维度的性能评测指标，涵盖不同典型应用、不同云存储接口；最后，提出一种可扩展通用的性能评测模型，该模型可以评测常见典型应用的性能，分析云存储性能影响因素，可适用于任何的公有云存储平台。为了验证该方法的可行性、合理性、通用性和可扩展性，利用所提方法对Amazon S3云存储系统进行性能评测，并使用s3cmd验证评测结果的准确性。实验结果表明，评测结果可以为企业开发者和个人用户提供参考意见。

大数据和云计算环境下海量增长的数据对存储系统的超高容量和体系结构带来了极大的挑战。目前存储系统的发展趋向于大容量、低成本和高性能，然而任何单一的存储器件如传统的机械磁盘（HDD）、固态硬盘（SSD）、非易失型性随机存储器等由于其固有的物理特性的限制，并不能满足以上的需求。将不同的存储介质混合组合成高效的存储系统是一个好的解决方法，固态硬盘作为一种高可靠性、低能耗、高性能的存储器被越来越广泛地运用到混合存储系统。通过将固态硬盘与传统磁盘进行组合，利用固态硬盘的高性能和传统磁盘低成本大容量的特点，能够为用户提供大容量的存储空间，保证系统的高性能，同时还能降低成本。通过阐述SSD与HDD混合存储系统的研究现状，对不同的SSD与HDD混合存储系统进行分类总结；然后针对缓存架构和设备同层架构这两种目前最流行的存储架构中涉及到的关键技术和不足进行讨论；最后对基于SSD和HDD的混合存储技术进行概括总结，并对今后该领域的研究重点和方向进行展望。

针对人群异常行为检测实时性较差、分类算法识别率不高、特征量较少的问题,提出一种基于智能监控的中小人群异常行为检测算法。首先,利用快速群体密度检测算法,提取人群数量变化信息;其次,利用改进的Lucas-Kanande光流法提取视频中人群的平均动能、人群方向熵、人群距离势能;最后,利用极限学习机(ELM)算法对人群行为进行分类。使用UMN公共数据集进行测试,ELM算法对中小人群异常行为分析比中高密度人群异常行为检测算法和基于KOD能量特征的群体异常行为检测算法识别率分别高出7.13个百分点和5.89个百分点,并且人数密度估计部分平均每帧图像处理耗时相比中高密度人群异常行为检测算法减少了106 ms(近1/3)。实验结果表明:基于智能监控的中小人群异常行为检测算法能有效提高异常帧识别率和实时性。

针对基于视频监控/识别的井下机车无人驾驶系统中机车动态无线接入传输网络的问题,提出一种串行干扰消除(SIC)区域划分策略。首先,建立基站通信覆盖范围内的非线性区域划分模型;其次,根据理论推导可得区段划分数与基站通信覆盖范围的关系,机车位置与发射功率的关系;最后给出SIC区域划分策略。仿真实验结果表明:SIC区域划分策略使得一个基站可以同时接入3辆机车,机车总通过时间和基站覆盖范围利用率的整体优化效果提高50%以上。

为了提高自动编码器算法的学习精度,更进一步降低分类任务的分类错误率,提出一种组合稀疏自动编码器(SAE)和边缘降噪自动编码器(mDAE)从而形成稀疏边缘降噪自动编码器(SmDAE)的方法,将稀疏自动编码器和边缘降噪自动编码器的限制条件加载到一个自动编码器(AE)之上,使得这个自动编码器同时具有稀疏自动编码器的稀疏性约束条件和边缘降噪自动编码器的边缘降噪约束条件,提高自动编码器算法的学习能力。实验表明,稀疏边缘降噪自动编码器在多个分类任务上的学习精度都高于稀疏自动编码器和边缘降噪自动编码器的分类效果;与卷积神经网络(CNN)的对比实验也表明融入了边缘降噪限制条件,而且更加鲁棒的SmDAE模型的分类精度比CNN还要好。

在云环境下的数据自毁机制中，针对分布式哈希表（DHT）网络的恶意节点和不诚信节点容易造成密钥分量丢失或泄露等问题，提出面向云数据安全自毁的DHT网络节点信任评估机制。该机制首先为节点建立二维信任评估模型，对节点可信程度进行定性和定量的考察；接着改进节点直接信任值和推荐信任值的计算方法，充分考虑节点内外因素，从节点运行环境和交互经验两个维度出发并细化到不同层级计算节点信任值，得到信任评价子云；然后将各个信任评价子云加权合成得到综合信任云，采用云发生器描绘出综合信任云一维高斯云图形；最后结合信任决策算法选出最优可信节点。实验结果表明该机制能够帮助原有的数据自毁机制找到更适合存储密钥分量的DHT网络节点，提高了系统的容灾能力并降低了系统计算负载。

针对Web信息抽取(WIE)技术在健康领域应用的问题,提出了一种基于WebHarvest的健康领域Web信息抽取方法。通过对不同健康网站的结构分析设计健康实体的抽取规则,实现了基于WebHarvest的自动抽取健康实体及其属性的算法;再把抽取的实体及其属性进行一致性检查后存入关系数据库中,然后对关系数据库中隐含健康实体的属性值利用Ansj自然语言处理方法进行实体识别, 进而抽取健康实体之间的联系。该技术在健康实体抽取实验中,平均 F值达到99.9%,在实体联系抽取实验中,平均 F值达到80.51%。实验结果表明提出的Web信息抽取技术在健康领域抽取的健康信息具有较高的质量和可信性。