针对人工和传统自动化算法检测牵引座焊缝表面存在检测精度低、速度低的问题，提出一种轻量型的牵引座焊缝表面质量检测算法YOLOv5s-G2CW。首先，用GhostBottleneckV2模块替换YOLOv5s中的C3模块以降低模型的参数量；其次，在YOLOv5s模型的Neck部分引入CBAM（Convolutional Block Attention Module），在通道和空间两个维度上融合焊缝特征；然后将YOLOv5s的定位损失函数改进为Wise-IoU以聚焦普通质量锚框的预测回归；最后移除YOLOv5s模型中用于大物体检测的 13 × 13 特征层以进一步降低模型的参数量。实验结果表明，与YOLOv5s模型相比，YOLOv5s-G2CW的模型大小减小了53.9%，帧率提高了8.0%，平均精度均值（mAP）提高了0.8个百分点，能够满足牵引座焊缝表面质量检测的准确性和实时性要求。
针对传统序列模式挖掘算法中支持度不能如实体现序列模式兴趣度以及未对报告的序列模式进行质量评估的问题，提出一个基于影响度的统计显著序列模式挖掘算法ISSPM。首先，递归地挖掘出所有满足兴趣度约束的序列模式；然后，使用项集置换方法构建这些序列模式的置换检验零分布；最后，通过该零分布计算出被评估的序列模式的统计度量值，并从上述序列模式中找到所有统计显著序列模式。真实序列记录集合上的实验结果表明，ISSPM算法相较于PSPM、SPDL和PSDSP算法挖掘到的序列模式数量更少但兴趣度更强；仿真序列记录集合上的实验结果表明，ISSPM算法报告的结果中假阳性序列模式数量平均占比为3.39%，且该算法的嵌入模式的发现率均不低于66.7%，明显优于上述3个对比算法。可见，ISSPM算法报告的统计显著序列模式能够体现序列记录集合中更有价值的信息，同时根据这些信息做出的进一步分析和决策也更加可靠。
针对低采样率下分块压缩感知重建图像视觉效果不佳的问题，提出一种融合空间位置与结构信息的压缩感知图像重建方法（SLSI）。首先，对观测值进行线性映射得到图像块的初步估计值；然后，基于块分组重建支路和全图重建支路对图像的空间位置信息和结构信息进行提取、增强和融合；最后，通过加权策略融合双支路的输出得到最终重建全图。在块分组重建支路中，根据图像块的数据特点分配重建资源。在全图重建支路中，主要通过双边滤波和结构特征交互模块对相邻图像块像素进行信息交互。实验结果表明，与基于非迭代重建网络（ReconNet）、基于非局部约束的多尺度重建网络（NL-MRN）等压缩感知重建方法相比，由于结合了像素间强自相关性这种图像先验，在采样率为0.05的情况下，所提方法在压缩感知领域常用的测试图像数据上的峰值信噪比（PSNR）和结构相似度（SSIM）分别平均提升了2.617 5 dB和0.105 3，重建图像的视觉效果较好。
针对基于Contourlet变换的遥感融合图像空间分辨率较低的问题,提出了一种基于改进的Contourlet变换(MCT)的遥感图像融合方法。首先,对多光谱图像进行亮度-色调-饱和度(IHS)变换,得到其亮度、色调、饱和度三个分量;其次,取多光谱图像的亮度分量,与直方图匹配后的全色图像进行改进的Contourlet变换,分别获得低频子带系数与高频子带系数;然后,对低频子带系数采用平均法进行融合,对高频子带系数采用新改进的拉普拉斯能量和(NSML)作为融合规则进行融合;最后,把融合结果作为多光谱图像的亮度分量,通过IHS逆变换得到融合的遥感图像。将所提方法与基于主成分分析(PCA)和Shearlet的方法、基于PCA与小波的方法以及基于非下采样Contourlet变换(NSCT)的方法相比,所提方法在清晰度评价指标平均梯度上分别提高了7.3%、6.9%和3.9%。实验结果表明,所提方法提高了Contourlet变换的频率局部化特性和分解系数利用率,在保持多光谱信息的基础上,有效地提高了遥感融合图像的空间分辨率。
为解决恶意软件行为分析系统中分类准确率较低的问题,提出了一种基于支持向量机(SVM)的恶意软件分类方法。首先人工建立了一个以软件行为结果作为特征的危险行为库;然后捕获软件所有行为,并与危险行为库进行匹配,通过样本转换算法将匹配结果变成适合SVM处理的数据,再利用SVM进行分类。在SVM模型、核函数以及参数对(C,g)的选择方面先进行理论分析确定大致范围,再使用网格搜索和遗传算法(GA)相结合的方式进行寻优。为验证所提恶意软件分类方法的有效性,设计了一个基于SVM模型的恶意软件行为评估系统。实验结果表明,该系统的误报率和漏报率分别为5.52%和3.04%,比K近邻(KNN)、朴素贝叶斯(NB)算法更好,与反向传播(BP)神经网络相当,但比BP神经网络的训练和分类效率更高。
为了提高基于多尺度变换的多聚焦图像融合中聚焦区域的准确性,提出了一种基于非下采样Shearlet变换(NSST)与聚焦区域检测的多聚焦图像融合算法。首先,通过基于非下采样Shearlet变换的融合方法得到初始融合图像;其次,将初始融合图像与源多聚焦图像作比较,得到初始聚焦区域;接着,利用形态学开闭运算对初始聚焦区域进行修正;最后,在修正的聚焦区域上通过改进的脉冲耦合神经网络(IPCNN)获得融合图像。与经典的基于小波变换、Shearlet变换的融合方法以及当前流行的基于NSST和脉冲耦合神经网络(PCNN)的融合方法相比,所提算法在客观评价指标互信息(MI)、空间频率和转移的边缘信息上均有明显的提高。实验结果表明,所提出的算法能更准确地识别出源图像中的聚焦区域,能从源图像中提取出更多的清晰信息到融合图像。
针对Shishkin网格方法在数值求解奇异摄动反应扩散方程时，网格过度点参数的选取具有不确定性的缺陷，提出了一种用粒子群优化(PSO)算法估计Shishkin网格参数的方法。首先基于有限差分方法，构造了以误差范数最小为目标的无约束优化问题，并用PSO算法进行了求解。该方法克服了人为选择参数的缺陷。实验结果表明：与单纯形算法相比，PSO算法在优化Shishkin网格参数时能够收敛到全局最优解;而且在最优网格参数下，奇异摄动反应扩散方程的数值结果在边界层的精度也得到了明显提高，进一步说明了所提方法的有效性和可行性。
