针对乳腺肿块和钙化簇分类任务中可用训练数据量较少的问题，结合乳腺钼靶图成像特点提出了一种基于二次迁移学习的多视角模型。首先，使用CBIS-DDSM制作乳腺局部组织切片数据集来预训练主干网络，完成主干网络的领域适应性学习，使之具备基本的病理特征捕捉能力；随后,把主干网络二次迁移到多视角网络中，在绵阳市中心医院数据集上进行微调，同时利用CBIS-DDSM增加训练的正样本数量以提升网络的泛化能力。实验结果表明，领域适应性学习和数据扩充策略平均提升了17%性能指标，取得了94%和90%的肿块和钙化簇曲线下面积(AUC)值。

针对多微云计算模式下计算任务卸载过程复杂、任务响应时间长的问题，构建面向多微云协作的计算任务卸载模型，并提出加权自适应惯性权重的粒子群优化（WAIW-PSO）算法，快速求解最优卸载策略。首先，对移动终端-微云-远程云的任务执行过程进行建模；其次，考虑多用户对计算资源的竞争，构建基于多微云协作的任务卸载模型；最后，针对求解最佳任务卸载策略复杂度过高的情况，提出WAIW-PSO算法求解卸载问题。仿真实验结果表明，与标准粒子群优化（PSO）算法以及基于高斯函数递减惯性权重的粒子群优化（GDIWPSO）算法相比，WAIW-PSO算法可以根据进化代数和个体适应度综合调整惯性权重，寻优能力较强，求解最优卸载策略的时间最短；在不同设备数、任务数等情况下选择不同任务卸载策略进行对比实验的结果表明，基于WAIW-PSO算法的卸载策略可以明显缩短任务总完成时间。

针对概念漂移问题，构建数据特性随时间发生渐进变化特点的分类学习模型，提出一种基于渐进支持向量机（G-SVM）的渐进多核学习方法（G-MKL）。该方法采用支持向量机（SVM）为基本分类器，进行多区间上的子分类器耦合训练，并通过约束子分类器增量方式使模型适应数据渐进变化特性，最终将多个核函数以线性组合方式融入SVM求解框架。该方法综合发挥了各个核函数的优势，大大提高了模型适应性和有效性。在具有渐变特性的模拟数据集和真实数据集上将所提算法与多种经典算法进行了对比，验证了所提算法在处理非静态数据问题的有效性。

针对专业领域中科技项目的关键词提取和项目词库建立的问题,提出了一种基于语义关系、利用共现矩阵建立项目关键词词库的方法。该方法在传统的基于共现矩阵提取关键词研究的基础上,综合考虑了关键词在文章中的位置、词性以及逆向文件频率(IDF)等因素,对传统算法进行改进。另外,给出一种利用共现矩阵建立关键词关联网络,并通过计算与语义基向量相似度识别热点关键词的方法。使用882篇电力项目数据进行仿真实验,实验结果表明改进后的方法能够有效对科技项目进行关键词提取,建立关键词关联网络,并在准确率、召回率以及平衡F分数(F1-score)等指标上明显优于基于多特征融合的中文文本关键词提取方法。

针对当前非集中式信息流控制(DIFC)系统无法对主机与网络敏感数据进行一体化有效监控的问题,提出一种基于软件定义网络(SDN)的DIFC系统设计框架——S-DIFC.首先,在主机平面利用DIFC模块对主机中文件及进程进行细粒度的监控;然后,利用标签信息转换模块拦截网络通信,将敏感数据标签添加到网络流中;其次,在网络平面的SDN控制器中,对带有机密信息的流进行多级别的访问控制;最后,在目标主机DIFC系统上,恢复敏感数据所携带的敏感信息标记.实验结果表明,该系统对主机CPU负载影响在10%以内,对内存影响在0.3%以内,与依赖加解密处理的Dstar系统大于15 s的额外时延相比,有效地减轻了分布式网络控制系统对通信的负担.该框架能够适应下一代网络对敏感数据安全的需求,同时分布式的方法能够有效增强监控系统的灵活性.

针对云环境下大规模并发视频流调度过程中资源利用率低和负载不均的问题,提出一种基于蚁群优化(ACO)算法的视频点播(VOD)集群视频流任务调度策略VodAco。在分析视频流期望性能与服务器空闲性能的相关性、定义综合性能匹配度的基础上,建立数学模型,并采用蚁群优化思路进行最佳调度方案搜索。通过云仿真软件CloudSim实验表明,与轮询(RR)、贪婪(Greedy)算法相比,所提算法在任务完成时间、平台资源占有率、各节点性能负载均衡指标上具有较为明显的优势。

由于缺少结构化的表示,基于内容的图像分类存在一定的问题,据此提出了一种基于迭 代神经网络的自然图像表示和分类的方法。利用Berkeley分割算法将图像分割成不同的区域,采用 基于人工的多叉树或基于邻接区域的二叉树的方法进行区域合并,同时提取区域统计特征,得到图像 的树型结构表示。根据BPTS算法对网络进行训练,训练好的网络就具备了图像分类的功能。实验 结果表明,基于迭代神经网络的结构表示和分类方法具有很强的结构学习能力,同时人工生成的多叉 树涵盖更多的语义信息且能得到较好的分类结果。