过程挖掘可以根据企业信息系统生成的事件日志建立业务过程模型。当实际业务过程发生变化时，过程模型与事件日志之间会产生偏差，这时需要对过程模型进行修正。对于含有并行结构的过程模型修复，由于加入自环和不可见变迁等因素，有些现有的修正方法的精度会降低。因此提出一种基于逻辑Petri网和托肯重演的并行结构过程模型修复方法。首先根据子模型的输入输出库所与日志的关系，确定子模型的插入位置；然后通过托肯重演的方式确定偏差所在位置；最后根据基于逻辑Petri网提出的方法进行过程模型的修复。在ProM平台上进行了仿真实验，验证了该方法的正确性和有效性，并与Fahland等方法进行对比分析。结果表明，所提方法的精度达到85%左右，相比Fahland、Goldratt方法分别提高了17和11个百分点；在简洁度方面该算法没有增加自环和不可见变迁，而Fahland和Goldratt方法均增加了不可见变迁和自环；三种方法的拟合度均在0.9以上，而Goldratt方法略低一些。以上证明用所提方法修正后的模型具有更高的拟合度和精度。

股票市场是金融市场关键组成部分，因此对股票市场波动的研究对合理化控制金融市场风险、提高投资收益提供了重要支持，一直以来都是学术界和相关业界的关注焦点，然而，股票市场会受到各种因素的影响。面对股票市场中多源化、异构化的信息，如何高效挖掘、融合股票市场的多源异构数据具有挑战性。为了充分解释不同信息及信息间相互作用对于股票市场价格波动的影响，提出一种基于多重注意力机制的图神经网络来预测股票市场的价格波动。首先，引入关系维度构建股票市场交易数据和新闻文本的异构子图，并利用多重注意力机制实现图数据的融合；其次，通过图神经网络门控循环单元（GRU）进行图分类，在此基础上完成对股票市场中上证综合指数、沪深300指数、深证成份指数这三个重要指数波动的预测。实验结果表明，从异构信息特性角度，相较于股票市场交易数据，股市新闻信息对于股票价格影响存在滞后性；从异构信息融合角度，所提方法与支持向量机（SVM）、随机森林、多核k-means （MKKM）聚类等算法相比，预测准确率分别提升了17.88个百分点、30.00个百分点和38.00个百分点，并进行了模型交易策略的量化投资模拟。

MOOC平台上，一个课程可能存在多个版本的视频，为向学生推荐一个满足学习兴趣的MOOC视频就需要分析学生兴趣与视频内容的关系，为此，提出一种基于元路径注意力机制的视频推荐方法Mrec。一方面，利用异构信息网（HIN）描述学习者和MOOC资源之间的关系，进而使用元路径表达学生和视频之间的交互关系；另一方面，利用注意力机制捕捉学生、视频、元路径的特征对学习兴趣的影响情况。具体来说，Mrec方法包括两层注意力机制：第一层是节点注意力层，通过邻居的特征加权联合节点自身的特征，利用多头注意力得到实体在不同元路径下的特征表示；第二层是路径注意力层，通过融合在不同元路径的指导下学习到的实体的特征表示来捕捉实体在不同兴趣下的特征表示，并将学习到的用户与视频实体输入到多层感知机（MLP）中得到预测分数来进行top-K推荐。在MOOCCube和MOOCdata数据集上进行实验的结果表明，Mrec的点击率、归一化折损累积收益（NDCG）、平均倒数排名（MRR）与受试者工作特征曲线下面积（AUC）均优于对比方法。

针对支持向量机（SVM）、长短期记忆（LSTM）网络等智能算法在股市波动预测过程中股票评价特征选择困难及时序关系维度特征缺失的问题，为能够准确预测股票波动、有效防范金融市场风险，提出了一种基于改进遗传算法（IGA）和图神经网络（GNN）的股市波动预测方法——IGA-GNN。首先，利用相邻交易日间的时序关系构建股市交易指标图数据；其次，通过评价指标特性优化交叉、变异概率来改进遗传算法（GA），从而实现节点特征选择；然后，建立图数据的边与节点特征的权重矩阵；最后，运用GNN进行图数据节点的聚合与分类，实现了股市波动预测。在实验阶段，所研究的股票总评价指标数为130个，其中IGA在GNN方法下提取的有效评价指标87个，使指标数量降低了33.08%。应用所提IGA在智能算法中进行特征提取，得到的算法与未进行特征提取的智能算法相比，预测准确率整体提升了7.38个百分点；而与应用传统GA进行智能算法的特征提取相比，应用所提IGA进行智能算法的特征提取的总训练时间缩短了17.97%。其中，IGA-GNN方法的预测准确率最高，相较未进行特征提取的GNN方法的预测准确率整体提高了19.62个百分点；而该方法与用传统GA进行特征提取的GNN方法相比，训练时间平均缩短了15.97%。实验结果表明，所提方法可对股票特征进行有效提取，预测效果较好。

传统的股票预测方法大多基于时间序列模型，忽视了股票之间复杂的关系，并且该关系往往超出成对连接，例如同行业板块内股票或者基金持仓多支股票。针对该问题，提出一种基于时序超图卷积神经网络（HGCN）的股价走势预测方法，根据金融投资事实构造超图模型以拟合股票之间的多元关系，该模型包括两大组件：门控循环单元（GRU）网络和超图卷积神经网络。GRU网络对历史数据进行时间序列建模，捕捉长期依赖关系；HGCN建模股票间的高阶关系以学习内在关系属性，从而将股票间多元关系信息引入到传统的时序建模中，进行端到端的趋势预测。在中国A股市场真实数据集上的实验结果表明，相较于已有的股票预测方法，所提模型预测性能有所提升；如与GRU网络相比，所提模型在ACC和F1_score上的相对增幅分别为9.74%和8.13%，且更具有稳定性。此外，模拟回测结果显示，基于该模型的交易策略更具获利能力，年回报率达到11.30%，与长短期记忆（LSTM）网络相比提高了5个百分点。

共乘出行应用系统通过提高汽车可用座位容量利用率来减少交通拥堵、缓解停车位紧张，提高社会效益和环境效益。司机和乘客的实时匹配和优化技术是共乘系统的核心内容。基于角色的协同（RBC）是一种用于促进组织结构、提供有序系统行为和协调系统内活动的新方法。为了减少乘客和司机的动态实时匹配时间、提高匹配效率，提出结合RBC和环境-类、代理、角色、群组和对象（E-CARGO）模型形式化共乘问题的方法。在资源容量约束和利润收入给定的情况下，对共乘匹配问题进行建模和仿真实验，提高可用座位容量利用率，实现平台收益最大化，资源匹配合理化。实验结果表明，基于E-CARGO模型的形式化方法可以应用于共乘出行匹配问题建模，最优匹配矩阵和时间可以采用Kuhn-Munkres（K-M）算法和Java中的优化软件包（ILOG）解决方案获得。与ILOG软件包算法相比，K-M算法所用平均时间至少减少了21%；当代理规模大于一定数值（大于600）时，算法时间开销急剧增大。

针对已有的混合负载（HTAP）下物化视图异步增量维护任务生成算法主要面向多记录，无法面向单记录生成HTAP物化视图异步增量维护任务，导致磁盘IO开销的增加，进而降低HTAP物化视图异步增量维护性能的问题，提出面向单记录的HTAP物化视图异步增量维护任务的生成方法。首先，建立面向单记录的HTAP物化视图异步增量维护任务生成的效益模型；然后，基于Q-learning设计面向单记录的HTAP物化视图异步增量维护任务的生成算法。实验结果表明，所提算法在实现面向单记录生成HTAP物化视图异步增量维护任务的基础上，将平均每秒读写操作次数（IOPS）、平均CPU利用率（2核）和平均CPU利用率（4核）至少分别降低了8.49次、1.85个百分点和0.97个百分点。

预训练语言模型的发展极大地推动了机器阅读理解任务的进步。为了充分利用预训练语言模型中的浅层特征，并进一步提升问答模型预测答案的准确性，提出了一种基于BERT的三阶段式问答模型。首先，基于BERT设计了预回答、再回答及答案调整三个阶段；然后，在预回答阶段将BERT嵌入层的输入视作浅层特征来进行答案预生成；接着，在再回答阶段使用经BERT充分编码后的深层特征进行答案再生成；最后，在答案调整阶段结合前两个答案产生最终的预测结果。在抽取式问答任务的英文数据集SQuAD2.0和中文数据集CMRC2018上的实验结果显示，该模型在精准匹配度（EM）和F1分数（F1）两个指标上相较于同类基准模型平均提升了1~3个百分点，抽取出的答案片段更加准确。通过融合BERT中的浅层特征与深层特征，该三阶段模型拓展了BERT的抽象表示能力，探索了BERT中的浅层特征在问答模型中的应用，具有结构简单、预测准确、训练和推断速度快等特点。

在电信运维的容量预测过程中，存在容量指标和部署业务种类繁多的问题。现有研究未考虑指标数据类型的差异，对所有类型的数据使用同种预测方法，使得预测效果参差不齐。为了提升指标预测效率，提出一种指标数据类型分类方法，利用该方法将数据类型分为趋势型、周期型和不规则型。针对其中的周期型数据预测，提出基于双向循环神经网络（BiRNN）的周期型容量指标预测模型，记作BiRNN-BiLSTM-BI。首先，为分析容量数据的周期特征，提出一种忙闲分布分析算法；其次，搭建循环神经网络（RNN）模型，该模型包含一层BiRNN和一层双向长短时记忆网络（BiLSTM）；最后，充分利用系统忙闲分布信息，对BiRNN输出的结果进行优化。与传统的三次指数平滑、差分自回归移动平均（ARIMA）模型和反向传播（BP）神经网络模型进行比较的实验结果表明，在统一日志数据集和分布式缓存数据集上，提出的BiRNN-BiLSTM-BI模型的均方误差（MSE）分别比对比模型中表现最优的模型降低了15.16%和45.67%，可见预测准确率得到了很大程度的提升。

知识图谱（KG）蕴含丰富的结构与关联信息，不仅可以缓解推荐系统中数据稀疏、冷启动等问题，还可以更准确地进行个性化推荐，因此提出一种基于知识图谱驱动的端到端图神经网络推荐模型KGLN。首先使用单层神经网络框架对图中单个节点进行特征融合，并加入影响因子来改变不同邻居实体的聚合权重；然后通过迭代的方式将单层扩展到多层，使实体可以获得丰富的多阶关联实体信息；最后结合实体特征与用户特征产生预测评分进行推荐。分析并研究了不同聚合方法及影响因子对推荐效果的影响。实验结果表明，在数据集MovieLens-1M以及Book-Crossing上与基准方法因子分解库（LibFM）、深度分解机（DeepFM）、Wide&Deep、RippleNet的对比中，KGLN的曲线下面积（AUC）分别提升了0.3%~5.9%和1.1%~8.2%。

针对图像语义描述方法中存在的图像特征信息提取不完全以及循环神经网络（RNN）产生的梯度消失问题，提出了一种基于多特征提取的图像语义描述算法。所构建模型由三个部分组成：卷积神经网络（CNN）用于图像特征提取，属性提取模型（ATT）用于图像属性提取，而双向长短时记忆（Bi-LSTM）网络用于单词预测。该模型通过提取图像属性信息来增强图像表示，从而精确描述图中事物，并且使用Bi-LSTM捕捉双向语义依赖，从而进行长期的视觉语言交互学习。首先，使用CNN和ATT分别提取图像全局特征与图像属性特征；其次，将两种特征信息输入到Bi-LSTM中生成能够反映图像内容的句子；最后，在Microsoft COCO Caption、Flickr8k和Flickr30k数据集上验证了所提出算法的有效性。实验结果表明，与m-RNN方法相比，所提出的算法在描述性能方面提高了6.8~11.6个百分点。所提算法能够有效地提高模型对图像的语义描述性能。

在搜索引擎的倒排索引等字长（FWA）类型压缩算法中，倒排链的“贪心”分块划分策略和码字信息的交错存储使算法难以达到最优的压缩效果。针对上述问题，提出了一种基于有向无环图（DAG）的FWA划分压缩算法。首先，考虑到互联网网页聚类特性带来的倒排链小数字信息，设计了一种数据区为64位分块的新型FWA压缩格式。该压缩格式通过4位的指示区将数据区划分为16种适合于连续小数字压缩的存储模式，并将倒排链每个分块的指示位和数据位分类存储，从而保证了较好的批量解压性能。其次，在新压缩格式的基础上提出一种基于DAG描述的倒排链FWA划分压缩方法——固定字对齐划分（WAP）算法。该算法利用DAG将倒排链分块划分问题归结为单源最短路径（SSSP）问题，并考虑FWA压缩格式中数据区存储模式的限制条件来确定SSSP问题的结构形式和递归定义。然后，给出了采用动态规划求解SSSP问题并形成最优划分向量的伪码和算法复杂度，并对S9、S16、S8b等传统FWA算法的原有存储模式进行了基于DAG的划分优化，把优化前后的算法的计算复杂度进行比较分析。最后，使用仿真整数序列数据和文本检索会议（TREC） GOV2网页索引数据进行压缩性能实验。实验结果表明，相较于传统FWA类型算法，基于DAG的FWA划分算法在通过批量解压和划分优化技术提升算法的压缩率和解压速度同时，对连续小数字整数序列进行压缩时能够获得比传统参照框架（FOR）类型算法更高的压缩率。

利用人脸图片辅助诊断儿童阻塞性睡眠呼吸暂停（OSA）可以减轻医生的负担，提高诊断的准确率。首先，简要阐述了目前儿童OSA临床诊断中的方法及其局限性；然后，在研究了目前已有方法的基础上，结合计算机人脸辅助诊断其他疾病的方法，将计算机人脸辅助诊断儿童OSA的方法分为三种类型：传统的计算机人脸辅助诊断方法、基于迁移学习的诊断方法、基于3D人脸数据的诊断方法，综述了三种类型的方法中的关键步骤，并对这些关键步骤中使用的方法进行了对比研究，为将来儿童OSA计算机人脸辅助诊断的研究提供了不同的切入点；最后，分析了儿童OSA诊断未来研究中的机遇和挑战。

针对“中心云服务器+多个边缘服务器”构成的“云+边”混合环境中多任务卸载效率不足的问题，提出了一种基于概率性能感知演化博弈策略的任务卸载方法。首先，在一个“中心云服务器+多个边缘服务器”构成的“云+边”混合环境中，假设其中分布的边缘服务器具有时变波动的性能，采用一种基于概率性能感知演化博弈策略的任务卸载方法对边缘云服务器的历史性能数据进行概率分析，以获得演化博弈模型；然后，生成服务卸载的演化稳定策略（ESS），使每个用户都能在获得高满意度的前提下进行任务的卸载。基于云边缘资源位置数据集和云服务性能测试数据集进行模拟实验，在24个连续时间窗口上进行不同方法的测试比较。实验结果表明，所提方法在多个性能指标上都优于传统的贪婪（Greedy）算法、遗传算法（GA）和基于纳什均衡的博弈论算法等任务卸载方法。该方法的平均用户期望达成度相较于三个对比方法分别提升了13.7%、117.0%、13.8%，平均卸载时延分别降低了6.5%、24.9%、8.3%，平均货币成本分别降低了67.9%、88.7%、18.0%。

随着社交网络的发展，对其包含的海量文本进行情感分析具有重要的社会价值。不同于普通文本分类，短文本情感分类需要挖掘隐含的情感语义特征，具有极大的难度和挑战性。为了能在更高的层次上得到短文本的情感语义特征，提出了一种多头注意力记忆网络（MAMN）用于短文本情感分类。首先，利用n元语法特征信息和有序神经元长短时记忆（ON-LSTM）网络对多头自注意力机制进行改进，以对文本上下文内联关系进行充分提取，使模型可以获得更丰富的文本特征信息。然后，利用多头注意力机制对多跳记忆网络的结构进行优化，使得在拓展模型深度的同时，挖掘更高层次的上下文内联情感语义关系。在电影评论集（MR）、斯坦福情感树（SST）-1和SST-2这三个不同的数据集上进行了大量实验。实验结果表明，与基于循环神经网络（RNN）和卷积神经网络（CNN）结构的基线模型以及一些最新成果相比，所提MAMN取得了较优的分类效果，验证了多跳结构对于性能改善的重要作用。

针对行人重识别任务在特征提取时缺乏对行人特征尺度变化的考虑，导致其易受环境影响而具有低行人重识别准确率的问题，提出了一种基于多尺度特征融合的行人重识别方法。首先，在网络浅层通过混合池化操作来提取多尺度的行人特征，从而帮助网络提升特征提取能力；然后，在残差块内添加条形池化操作以分别提取水平和竖直方向的远程上下文信息，从而避免无关区域的干扰；最后，在残差网络之后利用不同尺度的空洞卷积进一步保留多尺度的特征，从而帮助模型灵活有效地解析场景结构。实验结果表明，在Market-1501数据集上，所提方法的Rank1达到95.9%，平均精度均值（mAP）为88.5%；在DukeMTMC-reID数据集上，该方法的Rank1达到90.1%，mAP为80.3%。可见所提方法能够较好地保留行人特征信息，从而提高行人重识别任务准确率。

针对智能电网相量测量设备竞争使用有限的网络通信资源时，会因资源分配不均而导致数据包延时或丢失，进而影响电力系统状态估计的精度这一问题，提出了一种采样感知加权循环（SAWRR）调度算法。首先根据电网相量测量单元（PMU）采样频率和数据包大小的特性，提出了基于PMU业务流均方差的权重定义方法；然后设计了相应的PMU采样感知迭代循环调度算法；最后将该算法运用到PMU采样传输模型中。该算法能自适应地感知PMU的采样变化，及时调整数据包的传输。仿真结果表明，与原始的加权循环调度算法相比，SAWRR算法减少了95%的PMU采样数据包的调度时延，降低了一半的丢包率，增加了两倍的吞吐量。将SAWRR算法运用到PMU数据传输中有利于保证智能电网的稳定性。

针对时域不确定信息的融合难题，为充分体现时域信息融合的动态性特点和时间因素对融合的影响，在证据理论的基础上，提出一种考虑决策者时序偏好的时域证据融合方法。首先将决策者对时序的偏好融入时域证据融合，通过分析时域证据序列的特点，在定义时序记忆因子的基础上，对决策者的时序偏好进行度量；然后通过构建优化模型求解时序权重，再结合证据信任度的概念，对证据源进行修正；最后利用Dempster组合规则对修正后的证据进行融合。数值算例表明，与没有考虑时间因素的融合方法相比，考虑决策者时序偏好的证据融合方法可以有效处理时域信息序列中的冲突信息，得到合理的融合结果；同时，所提方法充分考虑了时域证据序列的信任度和决策者的主观偏好，可以反映决策者主观因素对时域证据融合的影响，较好地体现了时域证据融合的动态性特点。

随着共享经济的发展，对于高可信的分布式交易管理具有迫切的需求，然而，传统的中心化信息系统难以满足。区块链技术提供了一种共享账本机制，为构建可信的分布式交易管理奠定了基础。以支持智能合约的区块链2.0平台——以太坊平台作为基础框架，深入研究基于区块链技术的去中心化共享物品交易服务系统的运行机制与实现技术。设计了基于以太坊的去中心化物品共享交易服务系统框架，提出了基于智能合约机制的交易管理处理流程，详细描述了包括用户接口在内的系统实现技术，并对该系统在交易处理上的性能进行了实验测试。实验结果表明，基于以太坊的交易服务系统在保证交易数据可信性的基础上，平均交易处理速度为每秒21.7条，有索引查询速度为每秒117.6条，具有较高的运行效率。

针对带启发式的快速扩展随机树（RRT-Connect）算法路径生成的随机性以及渐进最优的双向快速扩展随机树（B-RRT ^*）算法收敛速度的缓慢性，提出了一种基于B-RRT ^*改进的高效路径规划算法（EB-RRT ^*）。首先引入一种智能采样函数，使随机树的扩展更具方向性，从而减少寻路时间，并提高路径的平滑性；其次在B-RRT ^*算法的基础上，在EB-RRT ^*算法中加入了一种快速扩展策略，使改进后的算法在自由空间中使用RRT-Connect算法的扩展方式进行快速扩展，而在障碍物空间则使用改进的渐进最优的快速扩展随机树（RRT ^*）算法进行扩展，在提高扩展效率的同时避免算法陷入局部最优。将EB-RRT ^*算法分别与快速扩展随机树（RRT）、RRT-Connect、RRT ^*和B-RRT ^*算法进行仿真对比，仿真结果表明，改进后的算法在路径规划效率及路径平滑性方面均明显优于其他算法；且相对于B-RRT ^*算法，其在路径规划时间上降低了68.3%，在迭代次数上减少了48.6%。

在高维数据如图像数据、基因数据、文本数据等的分析过程中，当样本存在冗余特征时会大大增加问题分析复杂难度，因此在数据分析前从中剔除冗余特征尤为重要。基于互信息（MI）的特征选择方法能够有效地降低数据维数，提高分析结果精度，但是，现有方法在特征选择过程中评判特征是否冗余的标准单一，无法合理排除冗余特征，最终影响分析结果。为此，提出一种基于最大联合条件互信息的特征选择方法（MCJMI）。MCJMI选择特征时考虑整体联合互信息与条件互信息两个因素，两个因素融合增强特征选择约束。在平均预测精度方面，MCJMI与信息增益（IG）、最小冗余度最大相关性（mRMR）特征选择相比提升了6个百分点；与联合互信息（JMI）、最大化联合互信息（JMIM）相比提升了2个百分点；与LW向前搜索方法（SFS-LW）相比提升了1个百分点。在稳定性方面，MCJMI稳定性达到了0.92，优于JMI、JMIM、SFS-LW方法。实验结果表明MCJMI能够有效地提高特征选择的准确率与稳定性。

针对以超立方体网络为蓝本的多处理机系统的可靠性和容错能力的精准度量问题，结合多处理机系统遭受计算机病毒攻击时常常发生结构性故障的特点，研究了n维超立方体网络的结构连通性和子结构连通性评价问题。首先，使用构造n维超立方体网络的3路结构割的方法得到其3路结构连通度的一个上界；然后，使用构造 n维超立方体网络的3路子结构集的等价变换或约简变换的方法，得到其3路结构子连通度的一个下界；最后，利用任意网络的3路结构连通度不小于3路子结构连通度的性质，证实了超立方体网络的3路结构连通度和子结构连通度均为该超立方体网络维数的一半。这一结果表明，在3路结构故障模型下，破坏敌方以超立方体网络为底层拓扑的多处理系统至少需要攻击该系统中维数一半的3路结构或子结构。

车辆加油时空数据多源异构、关系复杂，现有成熟的异常检测方法难以对时空离散的加油活动数据进行分析，因此提出基于融合时空数据的车辆加油行为多视图深度异常检测框架。首先基于统一概念模型（UCM）对静态信息和动态活动数据进行关联融合管理，然后从空间视图、时间视图和语义视图角度对时空数据进行编码和转换，最后基于三种视图构建深度时空异常分析检测框架。车辆加油时空数据集上的实验结果表明，多种异常检测方法在融合时空数据上均可取得更低均方根误差（RMSE），平均降低10.73%，所提方法比现有主流方法中结果最好的长短时记忆网络（LSTM）的RMSE降低19.36%。在信用卡欺诈公开数据集上的实验结果表明，所提方法较之逻辑回归模型，马修斯系数（MCC）提高了32.78%。以上实验验证了所提方法的有效性。

Android采用基于权限的访问控制方式对系统资源进行保护，其权限管控存在管控力度过粗的问题。同时，部分恶意程序会在用户不知情的情况下，在隐私场景下偷偷地对资源进行访问，给用户隐私和系统资源带来一定的威胁。在原有权限管控的基础上引入了访问控制列表（ACL）机制，设计并实现了一个基于ACL机制的Android细粒度权限管控系统。所提系统能根据用户的策略动态地设置应用程序的访问权限，避免恶意代码的访问，保护系统资源。对该系统的兼容性、有效性的测试结果表明，该系统能够为应用程序提供稳定的环境。

属性情感分析是细粒度的情感分类任务。针对传统神经网络模型无法准确构建属性情感特征的问题，提出了一种融合多注意力和属性上下文的长短时记忆（LSTM-MATT-AC）神经网络模型。在双向长短时记忆（LSTM）的不同位置加入不同类型的注意力机制，充分利用多注意力机制的优势，让模型能够从不同的角度关注句子中特定属性的情感信息，弥补了单一注意力机制的不足；同时，融合双向LSTM独立编码的属性上下文语义信息，获取更深层次的情感特征，有效识别特定属性的情感极性；最后在SemEval2014 Task4和Twitter数据集上进行实验，验证了不同注意力机制和独立上下文处理方式对属性情感分析模型的有效性。实验结果表明，模型在Restaurant、Laptop和Twitter领域数据集上的准确率分别达到了80.6%、75.1%和71.1%，较之前基于神经网络的情感分析模型在准确率上有了进一步的提高。

针对词汇化调序模型在机器翻译中存在的上下文无关性及稀疏性问题，提出了基于语义内容进行调序方向及概率预测的调序表重构模型。首先，使用连续分布式表示方法获取调序规则的特征向量；然后，通过循环神经网络（RNN）对于向量化表示的调序规则进行调序方向及概率预测；最后，过滤并重构调序表，赋予原始调序规则更加合理的调序概率分布值，提高调序模型中调序信息的准确度，同时降低调序表规模，提高后续解码速率。实验结果表明，将调序表重构模型应用至汉维机器翻译任务中，BLEU值可以获得0.39的提升。

针对智能电网多播路由通信中，通常存在只考虑多播通信的时延约束而没有考虑电网需求侧带负载的情况，所构建的多播树会出现控制信息传输到大功率负载设备的通信时延较大的问题，提出一种考虑负载功率和通信时延的多播树构造方法，称为基于需求响应（DR）能力约束的多播路由算法。首先，根据电网拓扑信息生成满足约束条件的完全图；然后，采用Prim算法构造较低费用的多播树；最后，将多播树还原到原网络。仿真结果表明该算法能够有效地减小大功率负载设备的需求响应时延，与基于时延约束的多播路由算法相比，能够使电网频率波动大幅度减小。该算法能够有效地提高智能电网中需求响应的实时性，稳定电网频率。

大多数空间co-location模式挖掘将距离阈值作为衡量不同对象实例间邻近关系的标准，进而挖掘出频繁co-location模式，并没有考虑具有邻近关系的实例间的相互影响和模式的增益率问题。在空间co-location模式挖掘过程中，引入实例间的相互作用率和对象的季均收益，定义了对象作用率、套间总收益和增益率等概念，并提出挖掘高增益率co-location模式的基础算法（NAGA）和有效的剪枝算法（NAGA_JZ）。最后通过大量的实验来验证基础算法的正确性和实用性，并对基础算法和剪枝算法的挖掘效率进行了对比，验证了剪枝算法的高效性。

植物识别领域的研究包括单一背景和自然环境植物图像识别，由于背景噪声的存在，自然环境植物图像识别难度更大。针对如何降低卷积神经网络（CNN）的权重大小、如何改善过拟合、如何提高模型对自然环境植物的识别率和泛化能力的问题，提出科优先（FP）的植物识别方法。与轻量卷积神经网络MobileNet模型结合，利用迁移学习的方法，建立基于MobileNet的科优先（FP-MobileNet）植物识别模型。单纯使用MobileNet模型在单一背景植物数据集flavia上获得了99.8%的识别率；对于更具挑战的自然环境花卉数据集flower102，在训练集样本数量大于测试集时FP-MobileNet获得了99.56%识别率，在训练集样本数量小于测试集时FP-MobileNet仍获得了95.56%的识别率。实验结果表明，两种数据集划分方案下FP-MobileNet的识别率均高于单纯的MobileNet模型；并且FP-MobileNet模型在获得较高识别率的同时，权重仅占13.7 MB，兼顾了精度和延迟，适合推广到需要轻量模型的移动设备。

针对现有信号机控制逻辑无法响应公交车辆累积数、控制参数敏感性较低等问题，构建公交优先策略触发概率模型用以检测并分析提高触发精度的方法。首先，依托西门子2070信号机，分析其公交优先策略触发原理，进而构建了绿灯延长策略和红灯早断策略的触发概率模型。然后，以实际交叉口为例，通过硬件在环仿真计算并对比不同信号配时方案的触发概率，探索了公交优先策略触发概率的优化方法。研究结果表明：绿灯延长策略的触发概率远低于红灯早断策略；绿灯延长策略的触发概率与绿灯时间阈值成反比，红灯早断策略的触发概率主要与非优先相位申请优先的公交数量相关；可通过优化最小和最大绿灯时间，及增加申请优先的公交数量提高绿灯延长策略的触发概率；可通过先优化固定信号配时再进行公交优先信号设置等措施提高红灯早断策略的触发概率。