现实中的业务流程不断发生变化，需要对初始的业务流程模型进行修复以更好地表示实际业务流程。模型修复的关键步骤是分析现实日志和模型间的偏差，目前寻找偏差的方法主要采用对齐重演技术，未从行为的角度定量分析抽象的结构。因此，提出了一种通过行为轮廓分析日志和模型偏差的方法，并在此基础上进一步给出了基于逻辑Petri网的模型修复方法。首先，基于行为轮廓计算日志和模型间的服从度以识别偏差迹；然后，在偏差迹中依据偏差三元组集从偏差活动中选择逻辑变迁；最后，基于逻辑变迁设置逻辑函数，并通过添加新的分支或重构新的结构来修复原模型。对修复模型的适应度和精确度进行了验证，仿真实验结果表明，在尽可能保持修复模型与原始模型相似的基础上，相较于Fahland方法与Goldratt方法，所提修复方法在适应度都为1的情况下，得到的修复模型具有更高的精确度。

随着基于位置的社交网络（LBSN）迅速发展，作为缓解信息过载的有效手段，兴趣点（POI）推荐备受关注。由于用户签到数据是隐式反馈数据，且十分稀疏，为了有效地从用户签到数据中捕获用户POI偏好，提出了一个基于地理偏好排序的POI混合推荐模型。首先，考虑用户签到数据的隐式反馈特性及用户活动的空间约束，利用传统贝叶斯个性化排序（BPR）模型计算POI距离对POI排序的影响，提出加权BPR（GWBPR）模型；然后，针对用户签到数据的稀疏性，融合GWBPR模型和逻辑矩阵分解（LMF）模型，提出混合模型GWBPR-LMF。在两个真实数据集Foursquare和Gowalla上的实验结果表明，GWBPR-LMF模型的性能优于BPR、LMF、SAE-NAD（Self-Attentive Encoder and Neighbor-Aware Decoder）等对比模型。与较优的对比模型SAE-NAD相比，GWBPR-LMF模型的POI推荐的精确率、召回率、F1值、平均精度均值（mAP）、归一化折损累积增益（NDCG）在数据集Foursquare上分别平均提升了44.9%、57.1%、78.4%、55.3%和40.0%，在数据集Gowalla上分别平均提升了3.0%、6.4%、4.6%、11.7%和4.2%。

针对频率域语音增强算法中因相位混乱产生人工伪影，导致去噪性能受限、语音质量不高的问题，提出一种基于多尺度阶梯型时频Conformer生成对抗网络（MSLTF-CMGAN）的语音增强算法。将语音语谱图的实部、虚部和振幅谱作为输入，生成器首先在多个尺度上利用时间-频率Conformer学习时域和频域的全局及局部特征依赖；其次，利用Mask Decoder分支学习振幅掩码，而Complex Decoder分支则直接学习干净的语谱图，融合这两个Decoder分支的输出可得到重建后的语音；最后，利用指标判别器判别语音的评价指标得分，通过极大极小训练使生成器生成高质量的语音。采用主观评价平均意见得分（MOS）和客观评价指标在公开数据集VoiceBank+Demand上与各类语音增强模型进行对比，结果显示，所提算法的MOS信号失真（CSIG）和MOS噪声失真（CBAK）比目前最先进的方法CMGAN（基于Conformer的指标生成对抗网络语音增强模型）分别提高了0.04和0.07，尽管它的MOS整体语音质量（COVL）和语音质量的感知评估（PESQ）略低于CMGAN，但与其他对比模型相比在多项主客观语音质量评估方面的评分均处于领先水平。

针对目前卫星遥感中夜光藻赤潮识别精度低、实时性差的问题，提出一种基于深度学习的无人机（UAV）影像夜光藻赤潮提取方法。首先，以UAV采集的高分辨率夜光藻赤潮RGB视频影像作为监测数据，在原有UNet++网络基础上，通过修改主干模型为VGG-16，并引入空间dropout策略，分别增强了特征提取能力并防止过拟合；然后，使用ImageNet数据集预先训练的VGG-16网络进行迁移学习，以提高网络收敛速度；最后，为评估所提方法的性能，在自建的赤潮数据集Redtide-DB上进行实验。所提方法的夜光藻赤潮提取总体精度（OA）为94.63%，F1评分为0.955 2，Kappa为0.949 6，优于K近邻（KNN）、支持向量机（SVM）和随机森林（RF）这3种机器学习方法及3种典型语义分割网络（PSPNet、 SegNet和U-Net）。在模型泛化能力测试中，所提方法对不同拍摄设备和拍摄环境的夜光藻赤潮影像表现出一定泛化能力，OA为97.41%，F1评分为0.965 9，Kappa为0.938 2。实验结果表明，所提方法可以实现夜光藻赤潮自动化、高精度的提取，可为夜光藻赤潮监测和研究工作提供参考。

随着移动设备和新兴移动应用的广泛使用，移动网络中流量的指数级增长所引发的网络拥塞、时延较大、用户体验质量差等问题无法满足移动用户的需求。边缘缓存技术通过对网络热点内容的复用，能极大缓解无线网络的传输压力；同时，该技术减少用户请求的网络时延，进而改善用户的网络体验，已经成为面向5G/Beyond 5G的移动边缘计算（MEC）中的关键性技术之一。围绕移动边缘缓存技术，首先介绍了移动边缘缓存的应用场景、主要特性、执行过程和评价指标；其次，对以低时延高能效、低时延高命中率及最大化收益为优化目标的边缘缓存策略进行了分析和对比，并总结出各自的关键研究点；然后，阐述了支持5G的MEC服务器的部署，并在此基础上分析了5G网络中的绿色移动感知缓存策略和5G异构蜂窝网络中的缓存策略；最后，从安全、移动感知缓存、基于强化学习的边缘缓存、基于联邦学习的边缘缓存以及Beyond 5G/6G网络的边缘缓存等几个方面讨论了边缘缓存策略的研究挑战和未来发展方向。

针对医学磁共振成像（MRI）过程中由于噪声、成像技术和成像原理等干扰因素引起的图像细节丢失、纹理不清晰等问题，提出了基于多感受野的生成对抗网络医学MRI影像超分辨率重建算法。首先，利用多感受野特征提取块获取不同感受野下图像的全局特征信息，为避免感受野过小或过大导致图像的细节纹理丢失，将每组特征分为两组，其中一组用于反馈不同尺度感受野下的全局特征信息，另一组用于丰富下一组特征的局部细节纹理信息；然后，使用多感受野特征提取块构建特征融合组，并在每个特征融合组中添加空间注意力模块，充分获取图像的空间特征信息，减少了浅层和局部特征在网络中的丢失，在图像的细节上取得了更逼真的还原度；其次，将低分辨率图像的梯度图转化为高分辨率图像的梯度图辅助重建超分辨率图像；最终将恢复后的梯度图集成到超分辨率分支中，为超分辨率重建提供结构先验信息，有助于生成高质量的超分辨率图像。实验结果表明，相比基于梯度引导的结构保留超分辨率算法（SPSR），所提算法在×2、×3、×4尺度下的峰值信噪比（PSNR）分别提升了4.8%、2.7%、3.5%，重建出的医学MRI影像纹理细节更加丰富、视觉效果更加逼真。

现存的成本函数没有考虑到业务流程中各活动在现实情境中的不同的重要程度，于是在模型与日志的对齐过程中可能会导致对齐成本严重偏离感知成本。针对这一问题，基于业务流程中行为的典型流特征提出了重要同步成本函数的概念，并在该函数下给出一种能够提升效率的对齐方法。首先，基于感知成本的概念定义重要同步成本函数；接着，依据日志迹以及流程模型中行为的典型流特征来确定用以分割流程模型与日志迹的重要匹配子序列；最后，基于重要同步成本函数来对齐分割后的子流程和对应的日志迹子序列，并将分段对齐的结果进行合并得到最终的对齐结果。实验部分从准确率和效率两方面进行验证所提方法：在准确率方面，与现存的标准成本函数和最大同步成本函数相比，所提成本函数下的对齐准确率最高提升了17.44个百分点，且当事件日志包含混合噪声时，所提成本函数下的平均对齐准确率最高，为88.67%；在对齐效率方面则通过比较对齐所耗时间来验证，现存两种函数的平均耗时分别为1.58 s和2.21 s，而所提方法为0.63 s，效率分别提升了150.79%和250.79%。实验结果表明所提方法能在满足准确率需求的同时提升对齐的效率。

针对图像降噪中降噪效果差、计算效率低的问题，提出了一种结合降噪卷积神经网络（DnCNN）和条件生成对抗网络（CGAN）的图像双重盲降噪算法。首先，使用改进的DnCNN模型作为CGAN的生成器来对加噪图片的噪声分布进行捕获；其次，将剔除噪声分布后的加噪图片和标签一同送入判别器进行降噪图像的判别；然后，利用判别结果对整个模型的隐层参数进行优化；最后，生成器和判别器在博弈中达到平衡，且生成器的残差捕获能力达到最优。实验结果表明，在Set12数据集上，当噪声水平分别为15、25、50时：所提算法与DnCNN算法相比，基于像素点间误差评价指标，其峰值信噪比（PSNR）值分别提升了1.388 dB、1.725 dB、1.639 dB；所提算法与三维块匹配（BM3D）、加权核范数最小化（WNNM）、DnCNN、收缩场级联（CSF）和一致性神经网络（CSNET）等现有算法相比，结构相似性（SSIM）评价指标值平均提升了0.000 2~0.104 1。实验结果验证了所提算法的优越性。

针对甲状腺超声影像中甲状腺组织大小和形态的多样性以及周边组织的复杂性，提出了一种基于特征融合和动态多尺度空洞卷积的超声甲状腺分割网络。首先，利用不同膨胀率的空洞卷积和动态滤波器来融合不同感受野下的全局语义特征与不同范围的上下文详情的语义特征，从而提升网络对多尺度目标的适应性与准确度；然后，在特征降维时采用混合上采样方式，以增强高维语义特征的空间信息和低维空间特征的上下文信息；最后，采用空间注意力机制来优化图像的低维特征，并采用高低维特征融合的方式使高低维特征信息在保留重要特征的同时摒弃冗余信息以及使网络对于图像前背景的区分能力得到增强。实验结果表明，所提方法在甲状腺超声影像公开数据集上达到了0.963±0.026的准确率、0.84±0.03的召回率和0.79±0.03的dice系数。可见所提方法能较好地解决组织形态差异性大以及周边组织复杂的问题。

块对角表示（BDR）模型可以通过利用线性表示对数据有效地进行聚类，却无法很好地利用高维数据常见的非线性流形结构信息。针对这一问题，提出了基于近邻图改进的块对角子空间聚类（BDRNG）算法来通过近邻图来线性拟合高维数据的局部几何结构，并通过块对角约束来生成具有全局信息的块对角结构。BDRNG同时学习全局信息以及局部数据结构，从而获得更好的聚类表现。由于模型包含近邻图算子和非凸的块对角表示范数，BDRNG 采用了交替最小化来优化求解算法。实验结果如下：在噪声数据集上，BDRNG能够生成稳定的块对角结构系数矩阵，这说明了BDRNG对于噪声数据具有鲁棒性；在标准数据集上，BDRNG的聚类表现均优于BDR，尤其在人脸数据集上，相较于BDR，BDRNG的聚类准确度提高了8%。

随机多址通信方式是计算机通信研究中不可或缺的一部分，针对传统的P坚持载波侦听多路访问（P-CSMA）协议对无线传感器网络（WSN）系统的传输控制并解决系统的能耗问题，提出了一种在WSN中碰撞时长可变的三时隙P-CSMA协议。该协议在传统的双时隙P-CSMA协议中加入了碰撞时长 b，将系统模型改为三时隙模型，包含信息分组发送成功的时长、发生碰撞的时长以及空闲时长。通过建模分析了该模型下系统的吞吐量、碰撞率以及空闲率，发现通过改变碰撞时长可以降低系统的损耗。相比传统的P-CSMA协议，该协议使系统性能得到了改善，并使得在基于电池模型得到的系统节点的生命时长明显延长。通过分析，得到了本协议的系统仿真流程图。最后通过对比分析各个指标的理论值和仿真值，证明了理论推导的正确性。

在当前多种平台崛起的互联网背景下，与传统媒体相比，网络社交媒体中的数据具有传递速度快、用户参与度高、内容覆盖全等特点，其中存在着人们关注并发布评论的众多话题，而一个话题的相关信息中可能存在更深层次、更细粒度的子话题，针对该问题进行基于网络社交媒体的子话题检测技术的研究，这是一个新兴且不断发展的研究领域。通过社交媒体获取话题及子话题信息并参与讨论，这一方式正全方位、深层次改变着人们的生活，但是该领域技术还不成熟，且相关研究在国内尚处于起步阶段。首先，简述网络社交媒体中子话题检测的发展背景和基本概念；其次，将子话题检测技术分为七大类，对每类方法均加以介绍、对比和总结；然后，将子话题检测方式分为在线检测和离线检测两种方式，并将这两种方式进行对比，列举通用技术及两种方式下的常用技术；最后，概括了该领域当前不足及未来发展趋势。

空间co-location模式是一组空间特征的子集，它们的实例在邻域内频繁并置出现。通常，空间co-location模式挖掘方法假设空间实例相互独立，并采用空间实例参与到模式实例的频繁性（参与率）来度量空间特征在模式中的重要性，采用空间特征的最小参与率（参与度）来度量模式的有趣程度，忽略了空间特征间的某些重要关系。因此为了揭示空间特征间的主导关系而提出主导特征co-location模式。现有主导特征模式挖掘方法是基于传统频繁模式及其团实例模型进行挖掘，然而，团实例模型可能会忽略非团的空间特征间的主导关系。因此，基于星型实例模型，研究空间亚频繁co-location模式的主导特征挖掘，以更好地揭示空间特征间的主导关系，挖掘更有价值的主导特征模式。首先，定义了两个度量特征主导性的指标；其次，设计了有效的主导特征co-location模式挖掘算法；最后，在合成数据集和真实数据集上通过大量实验验证了所提算法的有效性以及主导特征模式的实用性。

为了有效解决腹部磁共振成像（MRI）影像在超分辨率重建过程中因高频细节丢失引起的边界不明显、腹部器官显示不清晰以及单模型单尺度重建应用不方便等问题，提出了一种基于并行通道-空间注意力机制的多尺度超分辨率重建算法。首先，构造了并行通道-空间注意力残差块，通过空间注意力模块获取图像重点区域与高频信息的相关性，通过通道注意力模块获取图像各通道对关键信息响应程度的权重，同时拓宽网络的特征提取层以增加流入注意力模块的特征信息；此外，添加了权重归一化层，保证了网络的训练效率；最后，在网络末端应用多尺度上采样层，增加了网络的灵活性和可用性。实验结果表明，相较深层残差通道注意力超分辨率网络（RCAN），所提算法在×2、×3、×4尺度下的峰值信噪比（PSNR）平均提高了0.68 dB。所提算法有效提升了图像的重建质量。

针对如何融合节点自身属性以及网络结构信息实现社交网络节点分类的问题，提出了一种基于图编码网络的社交网络节点分类算法。首先，每个节点向邻域节点传播其携带的信息；其次，每个节点通过神经网络挖掘其与邻域节点之间可能隐含的关系，并且将这些关系进行融合；最后，每个节点根据自身信息以及与邻域节点关系的信息提取更高层次的特征，作为节点的表示，并且根据该表示对节点进行分类。在微博数据集上，与经典的深度随机游走模型、逻辑回归算法有以及最近提出的图卷积网络算法相比，所提算法分类准确率均有大于8%的提升；在DBLP数据集上，与多层感知器相比分类准确率提升4.83%，与图卷积网络相比分类准确率提升0.91%。

为提高医学影像超分辨率的重建质量，提出了一种基于深度可分离卷积的宽残差超分辨率神经网络算法。首先，利用深度可分离卷积改进网络的残差块，扩宽残差块中卷积层的通道，将更多的特征信息传入了激活函数，使得网络中浅层低级图像特征更容易地传播到高层，提高了医学影像超分辨率的重建质量；然后，采用组归一化的方法训练网络，将卷积层的通道维度划分为组，在每个组内计算归一化的均值和方差，使得网络训练过程更快地收敛，解决了深度可分离卷积扩宽通道数导致网络训练难度增加的问题，同时网络表现出更好的性能。实验结果表明，对比传统的最近邻插值、双三次插值超分辨率算法，以及基于稀疏表达的超分辨率算法，所提算法重建出的医学影像纹理细节更加丰富、视觉效果更加逼真。对比基于卷积神经网络的超分辨率算法，基于宽残差超分辨率神经网络算法和生成对抗网络超分辨率算法，所提算法在峰值信噪比（PSNR）和结构相似性（SSIM）上有显著的提升。

针对脑部图像中存在噪声和强度失真时，基于结构信息的方法不能同时准确提取图像强度信息和边缘、纹理特征，并且连续优化计算复杂度相对较高的问题，根据图像的结构信息，提出了基于改进Zernike距的局部描述符（IZMLD）和图割（GC）离散优化的非刚性多模态脑部图像配准方法。首先，将图像配准问题看成是马尔可夫随机场（MRF）的离散标签问题，并且构造能量函数，两个能量项分别由位移矢量场的像素相似性和平滑性组成。其次，采用变形矢量场的一阶导数作为平滑项，用来惩罚相邻像素间有较大变化的位移标签；用基于IZMLD计算的相似性测度作为数据项，用来表示像素相似性。然后，在局部邻域中用图像块的Zernike矩来分别计算参考图像和浮动图像的自相似性并构造有效的局部描述符，把描述符之间的绝对误差和（SAD）作为相似性测度。最后，将整个能量函数离散化，并且使用GC的扩展优化算法求最小值。实验结果表明，与基于结构表示的熵图像的误差平方和（ESSD）、模态独立邻域描述符（MIND）和随机二阶熵图像（SSOEI）的配准方法相比，所提算法目标配准误差的均值分别下降了18.78%、10.26%和8.89%，并且比连续优化算法缩短了约20 s的配准时间。所提算法实现了在图像存在噪声和强度失真时的高效精确配准。

针对传统医学图像融合中需要依靠先验知识手动设置融合规则和参数，导致融合效果存在不确定性、细节表现力不足的问题，提出了一种基于改进生成对抗网络（GAN）的脑部计算机断层扫描（CT）/磁共振（MR）图像融合算法。首先，对生成器和判别器两个部分的网络结构进行改进，在生成器网络的设计中采用残差块和快捷连接以加深网络结构，更好地捕获深层次的图像信息；然后，去掉常规网络中的下采样层，以减少图像传输过程中的信息损失，并将批量归一化改为层归一化，以更好地保留源图像信息，增加判别器网络的深度以提高网络性能；最后，连接CT图像和MR图像，将其输入到生成器网络中得到融合图像，通过损失函数不断优化网络参数，训练出最适合医学图像融合的模型来生成高质量的图像。实验结果表明，与当前表现优良的基于离散小波变换（DWT）算法、基于非下采样剪切波变换（NSCT）算法、基于稀疏表示（SR）算法和基于图像分类块稀疏表示（PSR）算法对比，所提算法在互信息（MI）、信息熵（IE）、结构相似性（SSIM）上均表现良好，最终的融合图像纹理和细节丰富，同时避免了人为因素对融合效果稳定性的影响。

传统卷积神经网络（CNN）中同层神经元之间信息不能互传，无法充分利用同一层次上的特征信息，缺乏句子体系特征的表示，从而限制了模型的特征学习能力，影响文本分类效果。针对这个问题，提出基于CNN-BiGRU联合网络引入注意力机制的模型，采用CNN-BiGRU联合网络进行特征学习。首先利用CNN提取深层次短语特征，然后利用双向门限循环神经网络（BiGRU）进行序列化信息学习以得到句子体系的特征和加强CNN池化层特征的联系，最后通过增加注意力机制对隐藏状态加权计算以完成有效特征筛选。在数据集上进行的多组对比实验结果表明，该方法取得了91.93%的F1值，有效地提高了文本分类的准确率，时间代价小，具有很好的应用能力。

针对医学影像超分辨率重建过程中细节丢失导致的模糊问题，提出了一种基于深度残差生成对抗网络（GAN）的医学影像超分辨率算法。首先，算法包括生成器网络和判别器网络，生成器网络生成高分辨率图像，判别器网络辨别图像真伪。然后，通过设计生成器网络的上采样采用缩放卷积来削弱棋盘效应，并去掉标准残差块中的批量规范化层以优化网络；进一步增加判别器网络中特征图数量以加深网络等方面提高网络性能。最后，用生成损失和判别损失来不断优化网络，指导生成高质量的图像。实验结果表明，对比双线性内插、最近邻插值、双三次插值法、基于深度递归神经网络、基于生成对抗网络的超分辨率方法（SRGAN），所提算法重建出了纹理更丰富、视觉更逼真的图像。相比SRGAN方法，所提算法在峰值信噪比（PSNR）和结构相似度（SSIM）上有0.21 dB和0.32%的提升。所提算法为医学影像超分辨率的理论研究提供了深度残差生成对抗网络的方法，在其实际应用中可靠、有效。

针对目前全局训练字典对于脑部医学图像的自适应性不强，以及使用稀疏表示系数的 L ₁范数取极大的融合方式易造成图像的灰度不连续效应进而导致图像融合效果欠佳的问题，提出一种基于自适应联合字典学习的脑部多模态图像融合方法。该方法首先使用改进的 K奇异值分解（ K-SVD）算法自适应地从已配准的源图像中学习得到子字典并组合成自适应联合字典，在自适应联合字典的作用下由系数重用正交匹配追踪（CoefROMP）算法计算得到稀疏表示系数；然后将稀疏表示系数的"多范数"作为源图像块的活跃度测量，并提出"自适应加权平均"与"选择最大"相结合的无偏规则，根据稀疏表示系数的"多范数"的相似度选择融合规则，当"多范数"的相似度大于阈值时，使用"自适应加权平均"的规则，反之则使用"选择最大"的规则融合稀疏表示系数；最后根据融合系数与自适应联合字典重构融合图像。实验结果表明，与其他三种基于多尺度变换的方法和五种基于稀疏表示的方法相比，所提方法的融合图像能够保留更多的图像细节信息，对比度和清晰度较好，病灶边缘清晰，客观参数标准差、空间频率、互信息、基于梯度指标、基于通用图像质量指标和平均结构相似指标在三组实验条件下的均值分别为：71.0783、21.9708、3.6790、0.6603、0.7352和0.7339。该方法可以应用于临床诊断和辅助治疗。

针对稀疏编码相似性测度在非刚性医学图像配准中对灰度偏移场具有较好的鲁棒性，但只适用于单模态医学图像配准的问题，提出基于多通道稀疏编码的非刚性多模态医学图像配准方法。该方法将多模态配准问题视为一个多通道配准问题来解决，每个模态在一个单独的通道下运行；首先对待配准的两幅图像分别进行合成和正则化，然后划分通道和图像块，使用 K奇异值分解（ K-SVD）算法训练每个通道中的图像块得到分析字典和稀疏系数，并对每个通道进行加权求和，采用多层P样条自由变换模型来模拟非刚性几何形变，结合梯度下降法优化目标函数。实验结果表明，与局部互信息、多通道局部方差和残差复杂性（MCLVRC）、多通道稀疏诱导的相似性测度（MCSISM）、多通道Rank Induced相似性测度（MCRISM）多模态相似性测度相比，均方根误差分别下降了30.86%、22.24%、26.84%和16.49%。所提方法能够有效克服多模态医学图像配准中灰度偏移场对配准的影响，提高配准的精度和鲁棒性。

针对云数据过期后不及时删除容易导致非授权访问和隐私泄露等问题，结合加密算法和分布式哈希表（DHT）网络，提出一种基于密钥分发和密文抽样的云数据确定性删除方案。首先加密明文，再随机抽样密文，将抽样后的不完整密文上传到云端；然后评估DHT网络中各节点的信任值，使用秘密共享算法处理密钥，并将子密钥分发到信任值高的节点上；最后，密钥通过DHT网络的周期性自更新功能实现自动删除，通过调用Hadoop分布式文件系统（HDFS）的接口上传随机数据覆写密文，实现密文的完全删除。通过删除密钥和云端密文实现云数据的确定性删除。安全性分析和性能分析表明所提方案是安全和高效的。

采用聚类算法预先处理个人隐私信息实现差分隐私保护，能够减少直接发布直方图数据带来的噪声累积现象，同时减小了直方图因合并方式不同带来的重构误差。针对DP-DBSCAN差分隐私算法存在对数据参数输入敏感问题，将基于密度聚类的OPTICS算法应用于差分隐私保护中，并提出改进的DP-OPTICS差分隐私保护算法，对稀疏型数据集进行压缩处理，对比采用同方差噪声和异方差噪声两种添加噪声方式，考虑攻击者能够攻破隐私信息的概率，确定隐私参数 ε的上界，有效平衡了敏感信息的隐私性和数据的可用性之间的关系。将DP-OPTICS算法和基于OPTICS聚类的差分隐私保护算法、DP-DBSCAN算法进行对比，DP-OPTICS算法在时间消耗上介于其余二者之间，但是在取得相同参数的情况下，聚类的稳定性在三者中最好，因此改进后OP-OPTICS差分隐私保护算法总体上是可行的。

针对目前使用单字典表示脑部医学图像难以得到精确的稀疏表示进而导致图像融合效果欠佳，以及字典训练时间过长的问题，提出了一种改进耦合字典学习的脑部计算机断层成像（CT）/磁共振成像（MR）图像融合方法。该方法首先将CT和MR图像对作为训练集，使用改进的K奇异值分解（K-SVD）算法联合训练分别得到耦合的CT字典和MR字典，再将CT和MR字典中的原子作为训练图像的特征，并使用信息熵计算字典原子的特征指标；然后，将特征指标相差较小的原子看作公共特征，其余为各自特征，并分别使用"平均"和"选择最大"的规则融合CT和MR字典的公共特征和各自特征得到融合字典；其次，将配准的源图像编纂成列向量并去除均值，在融合字典的作用下由系数重用正交匹配追踪（CoefROMP）算法计算得到精确的稀疏表示系数，再分别使用"2范数最大"和"加权平均"的规则融合稀疏表示系数和均值向量；最后通过重建得到融合图像。实验结果表明，相对于3种基于多尺度变换的方法和3种基于稀疏表示的方法，所提方法融合后图像在亮度、清晰度和对比度上都更优，客观参数互信息、基于梯度、基于相位一致和基于通用图像质量指标在三组实验条件下的均值分别为：4.1133、0.7131、0.4636和0.7625，字典学习在10次实验条件下所消耗的平均时间为5.96 min。该方法可以应用于临床诊断和辅助治疗。

空间并置（co-location）模式是指其实例在空间邻域内频繁共现的空间特征集的子集。现有的空间co-location模式挖掘的有趣性度量指标，没有充分地考虑特征之间以及同一特征的不同实例之间的差异；另外，传统的基于数据驱动的空间co-location模式挖掘方法的结果常常包含大量无用或是用户不感兴趣的知识。针对上述问题，提出一种更为一般的研究对象——带效用值的空间实例，并定义了新的效用参与度（UPI）作为高效用co-location模式的有趣性度量指标；将领域知识形式化为三种语义规则并应用于挖掘过程中，提出一种领域驱动的多次迭代挖掘框架；最后通过大量实验对比分析不同有趣性度量指标下的挖掘结果在效用占比和频繁性两方面的差异，以及引入基于领域知识的语义规则前后挖掘结果的变化情况。实验结果表明所提出的UPI度量是一种兼顾频繁和效用的更为合理的度量指标；同时，领域驱动的挖掘方法能有效地挖掘到用户真正感兴趣的模式。

针对传统的脉冲耦合神经网络（PCNN）融合方法中参数过多，以及参数和网络迭代次数难以准确设置、融合效果差等缺点，提出了一种用连接突触计算网络（LSCN）模型的连接项（L项）进行图像融合的算法。首先，把两幅待融合图像分别输入到LSCN模型中；其次，使用L项代替传统PCNN中的点火频率作为输出；然后，使用多通工作方式终止迭代；最后，通过比较L项的值得到融合后图像的像素。理论分析与实验结果表明，与改进的PCNN模型和在PCNN模型的基础上提出的新模型进行图像融合的算法进行比较，所提算法得到的融合图像更有利于人眼观察；特别是与点火频率作为输出的LSCN方法相比，所提算法在边缘信息评价因子、信息熵、标准差、空间频率、平均梯度上均较优。该算法简单易行，不仅减少了待定参数数目，降低了计算复杂度，而且解决了传统模型中迭代次数难以确定的问题。

找到能减小类内距离、增大类间距离的特征表示方法是行人识别的一个挑战。提出一种基于行人验证和识别相融合的深度网络模型来解决这一问题。首先，识别监督学习网络模型增加不同个人的类间间距，验证监督学习网络模型减少同一个行人的类内间距；然后，将行人验证和识别的深度网络融合，提取到更有分辨能力的行人特征向量；最后，采用了联合贝叶斯的行人比对方法，通过监督学习排名的方式，提高行人比对的准确率。实验结果表明，所提方法在VIPeR库上同其他深度网络相比有较高的识别准确率，融合网络与单独的识别和验证网络相比有更高的收敛速度和识别准确率。

现有的无线网络性能优化方法主要基于指标间的相关关系分析，无法有效指导网络优化等干预行为。为此，提出典型因果推断（CCI）算法，并将其应用于无线网络性能优化。首先，针对无线网络性能由大量相关指标体现这一特性，采用典型相关分析（CCA）方法，提取指标中蕴含的原子事件；然后再采用因果推断方法，构建原子事件间的因果关系网络。通过上述两个阶段反复迭代，确定原子事件间的因果关系网络，为无线网络性能优化提出一个较为可靠和有效的依据。最后通过模拟实验验证了CCI算法的有效性，在某城市3万多个移动基站数据上发现了一批有意义的无线网络指标间的因果关系。

分析和研究文本读者情绪有助于发现互联网的负面信息，是舆情监控的重要组成部分。考虑到引起读者不同情绪主要因素在于文本的语义内容，如何抽取文本语义特征因此成为一个重要问题。针对这一问题，提出首先使用word2vec模型对文本进行初始的语义表达；在此基础上结合各个情绪类别分别构建有代表性的语义词簇，进而采用一定准则筛选对类别判断有效的词簇，从而将传统的文本词向量表达改进为语义词簇上的向量表达；最后使用多标签分类方法进行情绪标签的学习和分类。实验结果表明，该方法相对于现有的代表性方法来说能够获得更好的精度和稳定性。