针对神经网络训练存在解释能力差以及不稳定问题，提出一种基于CP （Chambolle-Pock）算法求解的全变分（TV）正则项展开去噪网络（CPTV-Net），用于解决低剂量计算机断层扫描（LDCT）图像去噪问题。首先，向L1正则项模型引入TV约束项，以保留图像的结构信息；其次，采用CP算法对去噪模型进行求解并得出具体迭代步骤，保证算法的收敛性；最后，借助浅层卷积神经网络学习线性操作的原始对偶变量迭代公式，用神经网络计算模型的解，并通过收集网络参数优化合并数据。在模拟和真实LDCT数据集上的实验结果表明，与残差编码器-解码器卷积神经网络（REDCNN）、TED-Net（Transformer Encoder-decoder Dilation Network）等五种先进的去噪方法相比，CPTV-Net具有较优的峰值信噪比（PSNR）、结构相似度（SSIM）和视觉信息保真度（VIF）评估值，能生成去噪效果明显和细节保留最为完整的LDCT图像。

针对目前主流对抗攻击算法通过扰动全局图像特征导致攻击隐蔽性降低的问题，提出一种聚焦图像的无目标攻击算法——PS-MIFGSM。首先，通过Grad-CAM算法捕获卷积神经网络(CNN)在分类任务中对图像的重点关注区域；然后，使用MI-FGSM攻击分类网络，生成对抗扰动，并且将扰动作用于图像的重点关注区域，而图像的非关注区域保持不变，从而生成新的对抗样本。在实验部分，以三种图像分类模型Inception_v1、Resnet_v1和Vgg_16为基础，对比了PS-MIFGSM和MI-FGSM两种方法分别进行单模型攻击和集合模型攻击的效果。实验结果表明，PS-MIFGSM能够在攻击成功率不变的同时，有效降低对抗样本与真实样本的差异大小。

采用数据挖掘中的时间序列模式对流程企业中的运行数据进行分析，首先采用模糊理论对实际数据进行处理，找出偏离常规运行状态但未到报警界限的参数点，然后采用时间窗对参数离散处理，划分时间间隔得到时间序列数据库。采用TimeSeq_PrefixSpan算法并编程实现，得到了按次序排列且有时间间隔的异常参数点对设备故障影响的规则，起到了对设备故障预警监控的作用。