针对缺乏PaaS平台下资源需求的有效预测与优化分配的问题，提出一种资源需求预测模型和分配方法。首先，根据PaaS平台中应用对资源需求的周期性来对资源序列进行切分，并在短期预测的基础上结合应用的多周期性特征，利用多元回归算法建立综合的预测模型。然后，基于MapReduce架构设计实现了一个Master-Slave模式的PaaS平台资源分配系统。最后，结合当前任务请求和资源需求预测结果进行资源分配。实验结果表明，采用该资源需求预测模型和分配方法后，相比于自回归模型和指数平滑算法，平均绝对百分比误差分别下降8.71个百分点和2.07个百分点，均方根误差分别下降2.01个百分点和0.46个百分点。所提预测模型的预测结果不仅误差小，与真实值的拟合程度也较高，而且利用较小的时间开销就可以获得较高的准确度。此外，使用该预测模型的PaaS平台的资源请求的平均等待时间有了明显的下降。

支撑向量数据域描述(SVDD)是一种已经得到了广泛应用的核方法，但是其在构建超球时没有充分考虑数据分布信息。针对此问题，首先等价改写了SVDD算法优化问题，然后重新定义了该优化问题中的距离定义形式，进而提出了最小方差支撑向量数据域描述(MVSVDD)算法。该算法充分考虑数据的分布信息。实验结果表明，相对于传统SVDD算法，MVSVDD在泛化能力上得到了较为明显的提高，体现出了更好的描述数据域的能力。

提出了一种分布式的垃圾短信过滤系统，它适合于移动网络，具有自学习能力，能够及时发现垃圾信息源，有效的过滤垃圾短信。在传统以词为属性的贝叶斯过滤算法的基础上，加入了规则和长度信息，利用互信息减小单词属性的个数。实验表明，它在短信过滤方面具有空间占用小和性能更好的特点，适合在移动电话上使用。同时还提出了一种垃圾短信发送者的可能性排名的方法。

在综述了T细胞表位预测的定义，意义和研究现状的基础上，分析了当前流行的基于误差反向传播前馈神经网络(BPNN)的T细胞表位预测模型的不足，即网络结构较难确定、训练速度慢和难以增量学习等，提出了利用排序学习前向掩蔽（SLAM）模型及其增量学习算法作为T细胞表位预测方法，并给出了构建T细胞表位预测模型的基本步骤。基因HLA-DR4 (B1*0401)编码的MHC II类分子结合肽的应用实例表明，与基于BPNN的T细胞表位预测模型相比，基于SLAM的T细胞表位预测模型不但能在极短时间内完成样本的学习,而且能有效地实现增量学习。

提出了一种动态递归神经网络模型进行混沌时间序列预测，以最佳延迟时间为间隔的最小嵌入维数作为递归神经网络的输入维数，并按预测相点步进动态递归的生成训练数据，利用混沌特性处理样本及优化网络结构，用递归神经网络映射混沌相空间相点演化的非线性关系，提高了预测精度和稳定性。将该模型应用于Lorenz系统数据仿真以及沪市股票综合指数预测，其结果与已有网络模型预测的结果相比较，精度有很大提高。因此，证明了该预测模型在实际混沌时间序列预测领域的有效性和实用性。

针对数据预处理的方法进行了研究，提出了基于非线性相关性分析与量化（Non-Linear Correlation Analysis，NLCA）算法。NLCA算法是一种基于在多重图中通过对多重边聚合从而达到约简的工具，它包括边聚合与点聚合。这种算法能够很好地表示实时数据全局的相关性，改进了现有使用联合概率的单一计算方法。对该算法进行了大量实际数据的验证，显示出它是一种优于现有的数据预处理方法。

网页自动分类是当前互联网搜索领域一个热点研究课题，目前主要有基于网页文本内容的分类和基于网页间超链接结构的分类。但是这些分类都只利用了网页的信息，没有考虑到网页所在网站提供的信息。文中提出了一种全新的对网站内部拓扑结构进行简约的算法，提取网站隐含的层次结构，生成层次结构树，从而达到对网站内部网页实现多层次分类的目的，并且已经成功应用到电子商务智能搜索和挖掘系统中。

在分析当前模型表示与模型复合方法的局限性基础上，结合Agent技术，提出了基于Agent的模型表示与模型复合理论。基于Agent的模型表示与复合,通过在传统的模型表示方法中加入知识和智能机制，从而把模型与数据、对象完整地区分开来，使模型本身具备了自适应和学习能力；模型的复合也被转换成一个多Agent之间的协作问题，从而把以前含糊不清和难于统一的模型复合计算转换为一个多Agent协商和协作问题，为当前模型库系统和决策支持系统的建设提供了一个全新的解决方案。

针对现有关联规则挖掘的评价标准存在的问题,提出在评价标准中增加参考度,并给出了参考度的定义和基于参考度的关联规则挖掘算法。利用参考度将关联规则分为正关联规则、负关联规则和无效关联规则,从而可以用算法挖掘带有负项的关联规则。最后给出了新算法的实验分析。

时态信息表示和推理是人工智能研究中的一个重要课题,现有的模型大多只能表示确定时态信息,然而现实生活中很多事件的发生结束等时态信息都是不确定的。故提出了一个表示不确定时态信息的统一模型,可用于描述各种具有确定或不确定时态信息的事件。该模型首先定义各类时态对象(如时间点、时间区间)以及它们之间的关系,并给出时态对象间的传递关系表,利用该表能进行时态一致性约束满足问题的求解。最后,给出了两个不确定时态推理的例子,表明了该模型的实际应用意义。