针对主成分分析（PCA）算法获取的主成分向量不够稀疏，拥有较多的非零元这一问题，使用重加权方法对PCA算法进行优化，提出了一个新的提取高维数据特征的方法，即重加权稀疏主成分分析（RSPCA）算法。首先，将重加权 l ₁最优化框架和LASSO回归模型引入到PCA算法数学模型中，建立新的数据降维模型；然后，使用交替最小化算法、奇异值分解算法、最小角回归算法等方式对模型进行求解；最后，使用人脸识别实验对算法效果进行了验证。在实验中使用K折交叉验证的方法针对ORL人脸数据集分别使用PCA算法和RSPCA算法进行识别实验。实验结果表明，RSPCA算法在获取更稀疏解的情况下仍拥有着不弱于PCA算法的表现，平均识别准确率达到95.1%，所提算法与表现最好的sPCA-rSVD算法相比，识别准确率提高了6.2个百分点；针对手写数字识别这一具体现实应用进行求解，获取到平均识别准确率96.4%的良好实验效果。证明了所提方法在人脸识别及书写数字识别方面的优异性。

通过对于人类大脑活动的研究来分析消费者对广告和产品的反应的神经营销正在受到新的关注。针对基于脑电波（EEG）的神经营销，提出了一种基于深度学习神经网络的消费者对产品的偏好预测方法。首先，为了提取消费者EEG的特征，采用短时傅里叶变换（STFT）与双调和样条插值，从多通道脑电信号中得到了5个不同频带的EEG形图视频；然后，提出了一种结合5个三维卷积神经网络（3D CNN）与多层长短期记忆（LSTM）神经网络的预测模型，用于从脑电地形图视频预测到消费者的偏好。与卷积神经网络（CNN）模型和LSTM神经网络模型相比，消费者依赖模型的平均准确度分别提高了15.05个百分点和19.44个百分点，消费者独立模型的平均准确度分别提高了16.34个百分点和17.88个百分点。理论分析与实验结果表明，所提出的消费者偏好预测系统可以以低成本提供有效的营销策略开发和营销管理。

为了降低社交媒体中突发事件带来的危害，提出一种基于多特征的微博突发事件检测算法。该算法融合了文本情感过滤和用户影响力计算方法。首先，通过噪声过滤和情感过滤得到饱含负面情感的微博文本；然后，采用提出的用户影响力计算方法并结合突发词提取算法来提取突发词特征；最后，引入凝聚式层次聚类算法对突发词集进行聚类，从中提取突发事件。通过实验检测，准确率为66.84%，验证了该方法能有效地对突发事件进行检测。

针对无人潜航器（UUV）在复杂环境、多约束条件下航路规划过程耗时长、占用空间大等问题，提出了基于带电粒子搜索（CSS）的航路规划方法。首先，建立UUV航路规划问题模型，设计代价函数；然后，给出了基于CSS的航路规划方法，带电粒子在搜索空间中会受到其他带电粒子电场力的作用进而迭代寻优；另外，提出了一种非线性调整速度与加速度参数的方法，通过该方法有效地平衡全局搜索与局部搜索过程，避免算法的早熟收敛。最后，通过对比实验从规划航路的质量和算法耗时两个角度将所提方法与A ^*算法、蚁群算法、粒子群航路规划方法进行对比。实验结果表明该方法在保证规划出的航路质量的同时，具有更快的收敛速度、更低的时间复杂度。

工控网络异常中存在部分已知通信异常行为和部分未知通信异常行为，白名单方法能够有效地检测规则库内的已知异常行为，但对未知通信异常行为检测率低。为了在充分挖掘有效信息的基础上提升检测率，提出一种结合白名单过滤和神经网络无监督学习算法的入侵检测方法AMPSO-BP，并应用在管理网络与工业网络服务器间的路由器上。首先，利用白名单技术一次过滤不符合白名单规则库的通信行为；其次，通过神经网络无监督离线方式样本训练学习的结果二次过滤白名单信任通信行为中的异常通信。利用神经网络提升在信息不完备情况下的检测率，且根据神经网络检测结果不断完善白名单规则库，提高跨网异常通信检测率；利用自适应变异粒子群优化（AMPSO）算法作为BP神经网络的训练函数，在粒子群优化（PSO）算法基础上加入了自适应变异过程，避免了训练过程中过早陷入局部最优解。实验利用两组数据集训练和测试，实验结果表明，AMPSO-BP与白名单结合的检测方法比PSO-BP与白名单结合检测方法的准确率更高。

针对构建大规模机器学习系统在可扩展性、算法收敛性能、运行效率等方面面临的问题，分析了大规模样本、模型和网络通信给机器学习系统带来的挑战和现有系统的应对方案。以隐含狄利克雷分布（LDA）模型为例，通过对比三款开源分布式LDA系统——Spark LDA、PLDA+和LightLDA，在系统资源消耗、算法收敛性能和可扩展性等方面的表现，分析各系统在设计、实现和性能上的差异。实验结果表明：面对小规模的样本集和模型，LightLDA与PLDA+的内存使用量约为Spark LDA的一半，系统收敛速度为Spark LDA的4至5倍；面对较大规模的样本集和模型，LightLDA的网络通信总量与系统收敛时间远小于PLDA+与SparkLDA，展现出良好的可扩展性。“数据并行+模型并行”的体系结构能有效应对大规模样本和模型的挑战；参数弱同步策略（SSP）、模型本地缓存机制和参数稀疏存储能有效降低网络开销，提升系统运行效率。

为了提高相对定向的鲁棒性和精度,提出了一种直接解算与迭代优化相结合的相对定向方法。该方法首先由同名点估计本征矩阵;然后,通过分解本征矩阵得到两相机的初始相对位姿,详细介绍了确定唯一初始位姿参数的过程;最后,通过建立水平核线坐标系,基于共面约束由同名点构建约束方程组,对初始位姿参数进行迭代优化。通过在直接解算时采用随机采样一致性(RANSAC)策略及迭代优化中进行动态剔点,使算法对外点具有极高的抗性。仿真实验结果表明,在引入各种随机误差的条件下,所提方法的解算效率和精度均优于传统方法。实际数据实验证明所提算法可有效应用于三维重建中的相对位姿估计。

数字视频领域对高质量视频的需求使得无损压缩的应用范围越来越广,为此设计了基于模糊逻辑的无损视频压缩算法。该算法采用基于模糊逻辑的方法计算相邻帧的分块间的相似性以及分块的块内相似性,来确定时间预测与空间预测的选择,时间预测中定义了一种新的运动估计的匹配准则,最后通过相似度估计Golomb编码的最优参数,在无须复杂统计模型的情况下实现低复杂度、快速高效的Golomb编码。实验结果表明,与无损压缩算法JPEG-LS相比,在压缩率上有很大提高。

针对图像标注中所使用数据集存在的数据不平衡问题，提出一种新的基于外部数据库的自动平衡模型。该模型先依据原始数据库中词频分布来找出低频点，再根据自动平衡模式，对每个低频词，从外部数据库中增加相应的图片;然后对图片进行特征提取，对Corel 5k数据集中的47065个视觉词汇和从外部数据库中追加的图片中提取出来的996个视觉词汇进行聚类;最后利用基于外部数据库的图像自动标注改善模型对图像进行标注。此方法克服了图像标注中数据库存在的不平衡问题，使得至少被正确标注一次的词的数量、精确率和召回率等均明显提高。

为了提高图像Chirp类水印的鲁棒性能，提出一种利用混沌振子检测微弱水印信号的方法。将嵌入在载体低频小波域的非周期Chirp信号通过分块平滑转化为单频周期信号，然后通过Duffing振子阵列检测器检测微弱的周期信号，使水印检测问题转化为超低信噪比下，确定性微弱周期信号的检测。实验表明信噪比为－40dB时仍然能有效检测到水印的存在。

协作过滤推荐模型目前已被广泛应用于电子商务等环境。由于其对用户偏好数据敏感，因此攻击者可以通过注入伪造的用户偏好数据来影响推荐系统的预测。提出了一个基于语义聚类的协作过滤攻击检测模型，从分析项目的语义入手，针对攻击数据中的随机性，通过分析用户兴趣的组合来评判用户偏好数据的真实与否。大量的实验证明，该模型能有效地检测协作过滤推荐中的注入攻击，从而大大提高了推荐系统的鲁棒性和可靠性。

为了提高水印抵抗旋转、剪切等攻击的能力，提出了一种新的基于小波矩特征调制的鲁棒性水印算法。小波矩具有旋转、平移、缩放不变性，且具有小波的多分辨率特性，可以利用水印信息调制载体的低阶小波矩实现信息的隐藏，并且对各阶矩的隐藏能力进行比较。实验表明该算法对剪切、旋转等几何攻击具有很强的抵抗能力，且水印检测不需要原载体的参与。

为提高抵抗旋转和剪切攻击等的能力，提出了一种基于小波矩特征调制和神经网检测的图像水印算法。利用水印信息调制载体的低阶小波矩特征，经过二值图像中附加的模板训练的神经网络几乎能够完全恢复嵌入到图像中的水印数据。实验表明该算法具有较好的鲁棒性，能有效地抵抗剪切，旋转攻击。算法利用具有旋转不变的小波矩，提高了抵抗攻击的能力。

僵尸网络（Botnet）是由Bot组成的可通信、可被攻击者控制的网络。Botnet对今天网络构成越来越大的威胁，由于组成Botnet的主机数量非常庞大，由Botnet发起的攻击的破坏性非常惊人。介绍了Botnet的定义、历史及所带来的危害，同时介绍了研究Botnet的方法，并给出了应对Botnet的措施，最后简要地论述和分析了Botnet的变化趋势。

引入信息融合技术,利用多个探测工具收集网络信息,并将来自不同类型网络探测工具的信息在不同的层次上进行融合。在数据层融合中,使用模糊逻辑的统计方法识别系统类别、区分网络设备;在决策层融合中,通过系统知识库的支持,获得最可信的网络信息。