蛋白质相互作用(PPI)网络中存在大量不确定性及已知蛋白质复合物数据的不完整性，单独地根据结构信息进行搜索或对已知复合物进行监督学习的方法在识别蛋白质复合物的准确性上存在不足。对此，提出一种XGBoost模型与复合物拓扑结构信息相结合的搜索方法(XGBP)。首先，根据复合物拓扑结构信息进行特征提取；然后，把所提取的特征用XGBoost模型进行训练；最后，将拓扑结构信息与监督学习方法相结合，建立特征与复合物之间的映射关系以提高蛋白质复合物预测的准确性。该算法分别与目前流行的马尔可夫聚类算法(MCL)、极大团聚类方法(CMC)、基于核心-附属结构算法(COACH)、快速层级聚类算法(HC-PIN)、基于重叠邻居的扩展聚类(ClusterONE)、分子复合物检测算法(MCODE)、基于不确定图模型的蛋白质复合物检测方法(DCU)和加权核心-附属算法(WCOACH)这八种非监督学习算法和三种监督学习方法贝叶斯网络(BN)、支持向量机（SVM）、回归模型（RM）进行比较，所提方法在精准度、敏感度、F-measure方面显示出良好的性能。

语音分割是语音识别和语音合成中必不可少的基础性工作，其质量对后续系统的影响巨大。使用手工分割和标注虽然精度高，但费时费力，同时需要熟练的领域专家来完成，自动语音分割因此成为语音处理的研究热点。首先针对自动语音分割目前的研究进展，介绍了语音分割的不同分类方法；然后分别介绍了基于对齐的方法和基于边界检测的方法，并详细介绍了可以应用在上述两种框架下的神经网络语音分割方法；接着介绍了基于生物激励信号以及博弈论等方法的新型语音分割技术，并给出了领域内广泛使用的性能评估度量，并对这些评估指标进行比较和分析；最后总结并提出语音分割研究未来发展的重要方向。

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。

针对深度信念网络（DBN）权值随机初始化易使网络陷入局部最优的问题，在传统DBN模型中引入布谷鸟搜索（CS）算法，提出一种基于CS-DBN的肺部肿瘤图像识别算法。首先，利用CS的全局寻优能力对DBN的初始权值进行优化，并在此基础上进行DBN的逐层预训练；然后，利用反向传播（BP）算法对整个网络进行微调，从而使网络权值达到最优；最后，将CS-DBN应用于肺部肿瘤图像的识别，实验从受限玻尔兹曼机（RBM）训练次数、训练批次大小、DBN隐层层数和隐层节点数四个角度将CS-DBN与传统DBN进行比较，以验证该算法的可行性和有效性。实验结果表明，CS-DBN的识别精度明显高于传统DBN，在不同RBM训练次数、训练批次大小、DBN隐层层数和隐层节点数条件下，CS-DBN较传统DBN识别率提高百分点的范围分别是1.13~4.33、2.00~3.34、1.07~3.34和1.40~3.34。CS-DBN能够在一定程度上提高肺部肿瘤的识别精度，从而提高肺部肿瘤计算机辅助诊断性能。

随着云计算技术的深入研究与应用，远程数据云存储的安全与隐私保护问题已成为企业和学术界共同关注的问题。传统数据加密方法虽然能部分解决上述的问题，但这些方法同时也给远程用户的查询和使用造成很多阻碍。针对这个问题，可查询加密技术提出了可行的一个解决方向，允许用户对远程存储的加密数据进行检索，因而也成为目前信息安全领域的一个研究热点。对公钥可查询加密中带有关键词检索的公钥加密(PEKS)的起源、背景及近年来研究成果进行综述，给出PEKS的形式化定义和安全性定义，详细论述PEKS中的安全信道依赖问题、查询功能改进等方面的研究成果，最后提出PEKS未来的发展趋势和理论研究中的热点及开放性问题。

针对目前基于倒排表的图关键字索引不能有效处理多个关键字查询,也不能对关键字拼写容错的问题,提出一种位图和局部敏感哈希(BLH）相结合的双层索引来支持图的多关键字查询:上层构建位图,依据关键字组合的n-gram映射到子图类簇,每个类簇存储相似的子图；下层在每个类簇上构建局部敏感哈希索引,根据关键字组合的n-gram定位到包含关键字组合的子图。该方法可显著减少图上关键字查询的I/O,查询时间缩减80%；并且,基于n-gram构建索引,可以避免索引对拼写错误敏感,在关键字容错的前提下返回用户期望的结果。实际数据集上的实验结果表明BLH索引的有效性,可以支持万维网、社会网络的高效查询。

针对尺度不变的特征变换(SIFT)算法提取的特征点数目多、匹配耗时长、匹配精度不高等问题,提出了一种基于局部显著边缘特征的快速图像配准算法。该算法利用SIFT算法提取待选特征点,同时用小波边缘检测提取图像边缘,建立特征点周围邻域的边缘特征,筛选出具有显著边缘特征的特征点,结合Shape-context算子和边缘特征形成特征描述向量,采用欧氏距离作为匹配度量函数对筛选出的特征点进行初步匹配,然后用随机一致性检验(RANSAC)算法消除误匹配点对。实验结果表明,该算法有效控制了特征点的数量,提高了特征点的质量,缩小了特征搜索空间,提高了特征匹配的效率。

现有云计算可验证数据存储协议无法直接应用于终端存储和计算能力有限的移动计算环境。针对该问题,提出移动计算环境下基于代理的可验证云存储协议,在终端和云服务器之间引入一个半可信的安全计算代理,利用代理来帮助移动终端用户完成计算密集的操作,从而使得可验证数据存储方案可用于移动计算环境。提出一个具体的可验证数据存储协议,形式化证明了所提协议满足随机预言机模型下的选择明文攻击(CPA)安全,量化分析结果表明协议设计适用于移动计算环境,符合设计目标。

针对串行特征融合方法易出现“维数灾难”以及并行复矢量特征融合方法只能融合两类特征的弱点,提出一种基于四元数多特征并行融合的JPEG隐写检测方法。方法利用四元数有4个分量能融合4种特征的性质,首先提取4种经典特征,然后用主成分分析(PCA)进行数据降维,去除冗余信息,最后将4种特征组合为四元数矢量,实现多特征的并行融合。实验结果表明,和传统特征融合方法相比,所提方法不仅有效提高了JPEG隐写图像检测率,而且具有较强的鲁棒性。

为了进一步提高认知无线电频谱感知的准确性和可靠性,提出一种基于混沌和声搜索(CHS)的最优线性协作频谱感知算法。该算法基于能量检测的线性加权协作频谱感知模型,利用和声搜索(HS)算法本身的优化能力和混沌映射的遍历性、随机性等特点,通过求解最优权值的方法,提高频谱感知的性能。仿真实验结果表明,CHS算法的优化性能和收敛速度均优于传统的HS算法,基于CHS的最优线性协作频谱感知算法能够找到最优的权值,从而提高了复杂通信环境下的检测概率;并且在相同的虚警概率下,所提算法性能优于基于修正偏差因子的协作频谱感知算法。

自动文本分类领域近年来已经产生了若干成熟的分类算法，但这些算法主要基于概率统计模型，没有与文本自身的语法和语义建立起联系。提出了将隐马尔可夫序列分析模型（HMM）用于自动文本分类的算法，首先构造表示文档类别的特征词集合，并以文档类别的特征词序列作为不同HMM分类器的观察序列，而HMM的状态转换序列则隐含地表示了不同类别文档内容的形成演化过程。分类时，具有最大生成概率的HMM分类器类标即为测试文档的分类结果。该算法构造的分类器模型一定程度上体现了不同类别文档的语法和语义特征，并可以实现多类别的自动文本分类，分类效率较高。