针对能耗均衡的自供能无线传感器网络分簇算法（EBCS）节点在选举簇头时没有能量的阈值限制，导致能量较低的节点可能当选簇头，并且簇头节点只能担任一轮次，致使能量充足的节点无法继续连任，同时EBCS没有基于自供能这一特点考虑死亡节点复活后的选举机制的问题，提出了一种基于簇头优化的自供能无线传感器网络分簇路由算法（CCOS）。首先，对簇头选举时的能量阈值进行优化，限制了能量不能胜任簇头的节点参选；其次，引入并改进了簇头连任机制，使簇头节点结合自己的能量补给水平来决定自己能否在下一轮连任簇头；然后，提出了阈值敏感的节点复活机制，通过设置软、硬复活阈值让死亡节点在积累达到相应能量阈值时复活。实验结果表明，在不同的能量补给场景下，CCOS与EBCS相比，当前网络中的可用节点数提高了约8%，数据传输成功率提高了约5%。CCOS可以更合理地利用再生能源，有助于自供能传感网络的部署。

分布式环境下的异构计算系统（HCS）是大数据时代进行数据密集型计算不可或缺的，一个有效的任务调度算法可以提高整个异构计算系统的效率。在对异构环境下的任务调度进行有向无环图（DAG）建模的基础上，提出基于直接后继节点完成时间的异构调度算法（HSFT）。在计算开销和通信开销差异度较大的异构环境中，考虑两者之间的平衡，采用更为合理的以计算均值与标准方差的乘积和通信权值与任务节点出度的比值作为优先权值计算方法，并在考虑最快完成时间（EFT）的基础上，将直接后继节点完成时间（SFT）用于处理器分配策略。实验结果表明，HSFT在不增加算法时间复杂度的情况下，比HEFT、SDBATS、PEFT等算法有更短的调度长度（makespan）、更优的调度长度比和效率。

为了辅助病理医生快速高效诊断乳腺癌并提供乳腺癌预后信息,提出一种计算机辅助乳腺癌肿瘤病理自动分级方法。该方法使用深度卷积神经网络和滑动窗口自动检测病理图像中的细胞;随后综合运用基于稀疏非负矩阵分解的颜色分离、前景标记的分水岭算法以及椭圆拟合得到每个细胞的轮廓。基于检测到的细胞和拟合出的细胞轮廓,提取出肿瘤的组织结构特征和上皮细胞的纹理形状特征等共203维的特征,运用这些特征训练支持向量机分类器(SVM),实现对病理组织图像自动分级。17位患者的49张H&E染色的乳腺癌病理组织图像自动分级的100次十折交叉检验评估结果表明:基于病理图像的细胞形状特征与组织的空间结构特征对病理图像的高、中、低分化等级分类整体准确率为90.20%;同时对高、中、低各分化等级的区分准确率分别为92.87%、82.88%、93.61%。相比使用单一结构特征或者纹理特征的方法,所提方法具有更高的准确率,能准确地对病理组织图像中肿瘤的高级和低级分化程度自动分级,且各分级之间的准确率差异较小。

对Tang等（TANG Y，LEE P，LUI J，et al. Secure overlay cloud storage with access control and assured deletion. IEEE Transactions on Dependable and Secure Computing，2012，9（6)：903-916）提出的一种云存储的细粒度访问控制方案进行安全性分析，发现其存在不能抵抗合谋攻击的问题，并给出了具体的攻击方法。针对该方案安全性方面的不足，利用基于属性的加密算法抗合谋攻击的特性，对使用访问树结构的密文策略加密（CP-ABE）算法进行改进，使改进后的算法能够直接运用到云存储访问控制方案中而不需要对云存储服务器进行任何修改，同时可实现细粒度的访问控制和用户数据的彻底删除。最后基于判断双向性Deffie-Hellman（DBDH）假设，证明了该方案在选择明文攻击下的安全性，并通过将方案运用到实际的云环境中进行分析后证明改进后的方案能够抵抗合谋攻击。

乳腺在注射造影剂钆喷酸葡胺（Gd-DTPA）后,乳腺核磁共振（MR）图像中恶性肿瘤区域比正常或者良性区域呈现出更加快速和更强的灰度变化,因此动态对比度增强核磁共振成像（DCE-MRI）成为了医生检测和诊断乳腺恶性肿瘤的重要工具。但是DCE-MR图像的快速获取目前仍然是一个难题, 为了快速高效地获取这样的DCE-MR图像, 根据群稀疏思想和压缩感知（CS）理论,提出了一种结合变密度随机采样的共轭梯度下降方法。该方法首先使用变密度随机采样的方式从图像的局部k-空间（傅立叶系数）数据中获取采样信息,再将传统的基于l1范数的共轭梯度下降算法扩展到l2,1范数以使得改进的共轭梯度下降算法可以对多幅DCE-MR图像同时进行联合重建。实验结果表明:采样率小于40%时，改进的联合重建方法比多测量向量（MMV）算法在重建时间上减少了约30%；变密度随机采样比均匀随机采样在重建准确率上提高了约70%。