针对乳腺癌淋巴结转移的人工检测精度低、耗时长的问题，提出了一种基于残差网络结构，使用八度卷积（Octave Convolution）方法设计卷积层的一种神经网络检测模型。以残差网络中卷积层为基础，首先对卷积层中输入和输出的特征向量进行高低分频，并缩减低频通道的宽和高为高频的一半。然后通过对减半后的低频向量进行上采样，实现与高频向量之间的卷积操作；通过对高频向量的平均池化，实现与减半低频向量的卷积操作。最后将高频向量之间、高频与低频向量之间的卷积相加，得到高频输出；将低频向量之间、低频与高频向量之间的卷积相加，得到低频输出。这样就构建出了Octave卷积层，将残差网络中所有卷积层完全替换为Octave卷积层就搭建出了检测模型。理论上，Octave卷积层中卷积的运算量减少了75%，有效加速了模型的训练。在最大内存为13 GB，可用磁盘大小为4.9 GB的云端服务器上，用PCam数据集进行测试，得到模型的识别精度为95.06%，内存占用8.7 GB，磁盘占用356.4 MB，平均单次训练用时4 min 42 s。与ResNet50相比，所提模型的精度下降了0.69%，内存节省0.6 GB，磁盘节约105.9 MB，单次训练用时缩短了1 min。实验结果表明，所提模型具有较高的识别精度，较短的训练用时和较少的内存消耗，使得模型在大数据的背景下，降低了对算力资源的要求，具有一定的实际应用价值。

针对目前句群划分工作缺乏计算语言学数据支持、忽略篇章衔接词的问题以及当前篇章分析较少研究句群语法单位的现象,提出一种汉语句群自动划分方法.该方法以汉语句群理论为指导,构建汉语句群划分标注评测语料,并且基于多元判别分析(MDA)方法设计了一组评价函数J,从而实现汉语句群的自动划分.实验结果表明,引入切分片段长度因素和篇章衔接词因素可以改善句群划分性能,并且利用Skip-Gram Model比传统的向量空间模型(VSM)有更好的效果,其正确分割率P_μ 达到85.37%、错误分割率WindowDiff降到24.08%.同时该方法在句群划分任务上有更大的优势,比传统MDA方法有更好的句群划分效果.

针对自适应滤波X最小均方差(FXLMS)和滤波U最小均方差(FULMS)振动主动控制算法收敛性较为缓慢的问题,给出一种基于递归最小二乘(RLS)方法的自适应滤波控制算法。该算法大致有无限长脉冲响应(IIR)滤波器结构和RLS算法两部分组成,IIR滤波器作为整个算法的主体框架,采用RLS算法针对滤波器的权值进行实时调整,实现了自适应滤波控制算法的功能。仿真对比分析表明,所提算法收敛速度较快。经过实验平台验证,被控对象的整体振动响应下降了65%左右,证明了算法的有效性和可行性。