针对有刷直流（DC）电机的比例积分微分（PID）参数整定工作复杂耗时的问题，提出了一种基于改进型遗传算法（GA）的PID参数整定方法。首先，提出了适应度增强淘汰法则，改进了传统GA的选择过程；然后，提出了基因感染交叉方法，保证了进化过程中平均适应度值的增加；最后，删除了传统GA中不必要的复制操作，提升了算法的运行速度。通过电机传递函数进行建模和仿真分析。实验结果表明，与常规整定方法相比，所提改进型GA能够显著提升PID参数整定效果，且改进型GA相较于传统GA，达到同样进化效果所需的进化代数减少了79%，算法运行速度提升了4.1%。所提出的改进型GA从选择和交叉两个关键操作步骤对GA进行了改进，并应用于PID参数整定使得上升时间更少、稳定时间更短、过冲更小。

用户的社交媒体中蕴含着他们过去的个人经历和潜在的生活规律，研究其规律对预测用户未来的行为以及对用户进行个性化推荐有很大的价值。通过收集微博数据，定义了11种类型的事件，并提出了一个三阶段的Pipeline的系统，利用BERT预训练模型，分别在三个阶段使用BERT+BiLSTM+Attention、BERT+FullConnect、BERT+BiLSTM+CRF方法进行个人事件检测。从微博文本中抽取出该文本是否包含定义的事件、包含的事件类型、每种事件包含的元素等信息，具体元素为Subject（事件主语）、Object（事件元素）、Time（事件发生时间）、Place（事件发生的地点）和Tense（事件发生的时态），从而探究用户个人时间轴上的事件变化规律来预测个人事件。在收集的真实用户微博数据集上进行实验，并与逻辑回归、朴素贝叶斯、随机森林、决策树等分类算法进行对比分析。实验结果表明，三个阶段中的BERT+BiLSTM+Attention、BERT+FullConnect和BERT+BiLSTM+CRF方法均取得了最高的F1值，验证了所提方法的有效性。最后根据所提方法抽取出的事件和其中的时间信息可视化地构建了用户的个人事件时间轴。

针对视频流行度动态变化过程中的时序信息难以捕捉的问题，提出一种融合内容特征和时序信息的深度注意力视频流行度预测模型（DAFCT）。首先，根据用户的反馈信息，构建基于注意力机制的长短期记忆网络（Attention-LSTM）模型来捕捉流行趋势并挖掘时序信息；然后，采用神经网络因子分解机（NFM）处理多模态的内容特征，并采用嵌入技术对稀疏的高维特征进行降维处理，从而降低模型的计算复杂性；最后，采用concatenate方法融合时序信息和内容特征，并设计了一种深度注意力视频流行度预测（DAVPP）算法来求解DAFCT。实验结果表明，与Attention-LSTM模型和NFM模型相比，DAFCT的召回率分别提高了10.82和3.31个百分点，F1分数分别提高了9.80和3.07个百分点。

深度神经网络模型通常存在大量冗余的权重参数，计算深度网络模型需要占用大量的计算资源和存储空间，导致深度网络模型难以部署在一些边缘设备和嵌入式设备上。针对这一问题，提出了一种基于梯度的深度网络剪枝(GDP)算法。GDP算法核心思想是以梯度作为评判权值重要性的依据。首先，通过自适应的方法找出阈值进行权值参数的筛选；然后，剔除那些小于阈值的梯度所对应的权值；最后，重新训练剪枝后的深度网络模型来恢复网络精度。实验结果表明：在CIFAR-10数据集上，GDP算法在精度仅下降0.14个百分点的情况下，计算量减少了35.3个百分点；与当前流行的PFEC算法相比，GDP算法使网络模型精度提高了0.13个百分点，计算量下降了1.1个百分点，具有更优越的深度网络压缩与加速性能。

针对不平衡数据集的低分类准确性，提出基于改进合成少数类过采样技术（SMOTE）和AdaBoost算法相结合的不平衡数据分类算法（KSMOTE-AdaBoost）。首先，根据K近邻（KNN）的思想，提出噪声样本识别算法，通过样本的K个近邻中所包含的异类样本数目，对样本集中的噪声样本进行精确识别并予以滤除；其次，在过采样过程中基于聚类的思想将样本集划分为不同的子簇，根据子簇的簇心及其所包含的样本数目，在簇内样本与簇心之间进行新样本的合成操作。在样本合成过程中充分考虑类间和类内数据不平衡性，对样本及时修正以保证合成样本质量，平衡样本信息；最后，利用AdaBoost算法的优势，采用决策树作为基分类器，对平衡后的样本集进行训练，迭代多次直到满足终止条件，得到最终分类模型。选择G-mean、AUC作为评价指标，通过在6组KEEL数据集进行对比实验。实验结果表明，所提的过采样算法与经典的过采样算法SMOTE、自适应综合过采样技术（ADASYN）相比，G-means和AUC在4组中有3组最高；所提分类模型与现有的不平衡分类模型SMOTE-Boost，CUS-Boost，RUS-Boost相比，6组数据中：G-means均高于CUS-Boost和RUS-Boost，有3组低于SMOTE-Boost；AUC均高于SMOTE-Boost和RUS-Boost，有1组低于CUS-Boost。验证了所提的KSMOTE-AdaBoost具有更好的分类效果，且模型泛化性能更高。

针对传统非负矩阵分解（NMF）法用于高光谱图像混合像元分解时产生的分解结果精度不高、对噪声敏感等问题，提出一种基于超像素的流形正则化稀疏约束NMF混合像元分解算法——MRS-NMF。首先，通过基于熵率的超像素分割来构造高光谱图像的流形结构，把原图像分割为 k个超像素块并把每个超像素块中具有相似性质的数据点标上相同的标签，定义像素块内有相同标签的任意两个数据点之间的权重矩阵，然后将权重矩阵应用于NMF的目标函数中以构造出流形正则化约束项；第二，在目标函数中添加二次抛物线函数以完成稀疏约束；最后，采用乘法迭代更新法则求解目标函数以得到端元矩阵和丰度矩阵的求解公式，同时设置最大迭代次数和容忍误差阈值，迭代运算得到最终结果。该方法有效利用了高光谱图像的光谱和空间信息。实验结果表明，在模拟的高光谱数据中，与传统的流形稀疏约束的非负矩阵分解（GLNMF）、L1/2-NMF和顶点成分分析-全约束最小二乘法（VCA-FCLS）等方法相比，MRS-NMF可以提高0.016~0.063的端元分解精度和0.01~0.05的丰度分解精度；而在真实的高光谱图像中，MRS-NMF较传统的GLNMF、顶点成分分析法（VCA）、最小体积约束的非负矩阵分解（MVCNMF）等方法可以平均提高0.001~0.0437的端元分解精度。所提MRS-NMF算法有效地提高了混合像元分解的精度，同时具有较好的抗噪性能。

针对现有基于消息传递算法的无线网络节点定位算法复杂度和通信开销过高的问题，提出一种基于测距的、低复杂度低协作开销的联合消息传递节点定位算法。所提算法考虑参考节点位置的不确定性以减少误差累积，并将消息约束为高斯函数以降低通信开销。首先，根据系统的概率模型和因子分解设计因子图；然后，根据状态转移模型和测距模型的特点，分别使用置信传播和平均场方法计算预测消息和协作消息；最后，在每次迭代过程中，通过非线性项的泰勒展开将非高斯置信消息近似为高斯函数。仿真分析表明，所提算法的定位性能与基于粒子的SPAWN算法接近，但节点间传输的信息由大量粒子变为均值向量和协方差矩阵，同时计算复杂度也大幅降低。

为了提高基于智能移动设备的人体日常行为识别准确率，提出一种高可信度加权的多分类器融合行为识别模型（MCFM）。针对不同智能设备内置加速度传感器获取的三轴加速度信息，优选出与人体行为相关度高的特征集作为该模型的输入，将决策树、支持向量机以及反向传播（BP）神经网络三个基分类器通过高可信度加权投票算（HRWV）法训练出一个新的融合分类器。实验结果表明，所提出的分类器融合模型能有效提高行为识别的准确率，对静止、散步、跑步、上楼及下楼五种日常行为的平均识别准确率达到94.88%。

针对基于单图的半监督学习(GSSL)算法的性能受单个图质量的影响,且在单视图数据下,大多数基于多图的GSSL算法难以使用的问题,提出了一种基于多图的交替优化图直推方法(MG-GTAM)。首先,使用不同的图构建参数来构建单视图数据下的多个图,利用多个图来表达数据间关系;然后,借助交替迭代方式综合多个图的信息,选择置信度高的未标记样本进行伪标记并通过权重权衡各图的重要程度,以优化多图上的预测函数的一致性和平滑性;最后通过组合每个图的预测函数完成对所有未标记样本的标记。仿真实验表明,与经典的局部和全局一致(LGC)、高斯随机场和调和函数(GFHF)、交替优化直推(GTAM)、组合图拉普拉斯(CGL)算法相比,在COIL20目标物体数据集和NEC Animal数据集上,MG-GTAM的分类错误率比这些经典算法均有下降,表明了该方法具有良好的性能。实验结果表明, MG-GTAM能有效地利用多个图来表达数据之间的关系,获得更低的分类错误率。

针对传统的协同推荐算法存在数据稀疏和推荐精度低的问题，提出了一种集成社会化标签和用户背景信息的协同过滤(CF)推荐方法。首先，分别计算基于社会化标签和用户背景信息的用户间的相似度；然后，基于用户评分计算用户间的相似度；最后，集成上述3种相似性度量产生用户间综合相似度，并对目标用户进行项目推荐。实验结果表明，与传统的协同过滤推荐算法相比，所提方法在正常数据集和冷启动数据集下的平均绝对误差(MAE)平均降低了16%和22.6%。该方法不仅能有效地提高推荐算法的精度，而且能较好地解决数据稀疏和冷启动的问题。

因特网上的资源具有不确定性、随机性，需要考虑如何保证网构软件系统在运行中满足资源需求。使用随机性资源接口自动机对软件构件的行为进行形式化建模，并使用随机性资源接口自动机网络描述构件组装系统的组合行为；在资源不确定的情况下，检验组合系统是否满足资源约束，并提出基于可达图的相应算法。给出了一个实例网上书店系统，并用模型检测工具Spin验证了模型的正确性。

针对现有无线传感器网络(WSN)分簇路由协议因节点分布不均匀而造成能量不均衡、“热区”能量空洞问题，提出一种能量均衡的节点非均匀分布路由协议。该协议以节点“度”、 节点到Sink节点的距离及节点平均剩余能量与节点本身剩余能量的比值作为竞选主(副)簇头的参数,并且各簇之间通过路由树与Sink节点通信。仿真结果表明，本协议可降减少于“热区”内或节点密度高的簇的簇头轮换次数，推迟出现第一个死亡节点的时间，使网络负载更加均衡，延长了网络的生命周期。

提出了一种新的二进制码流压缩算法。该算法针对二进制码流中的黑长、白长进行减半压缩处理，且可依据黑长与白长的分布特点，选取不同的初始长度开始进行减半压缩处理。数值实验表明，该算法在压缩效率上高于传统的游程编码(RLC)方法，具有较好的应用价值。

针对移动Ad Hoc网络AODV路由协议的路由维护的缺点，提出了AODV-BR路由协议，即具有备份路由的AODV路由协议。新协议通过为网络中的连接链路增加一条备份路由提高了AODV路由维护的性能。仿真实验表明AODV-BR有效减少了网络中链路中断的数量，降低了丢包率。

针对基于宿主机的嵌入式软件测试，提出一种单元测试中通用的语句覆盖率测试方法，通过插桩技术，采用向源代码插桩实现语句覆盖率测试。设计了测试代码的实现算法，通过测试代码可以自动完成向被测代码插桩。这些方法被成功地应用到笔者所在项目组开发的嵌入式软件仿真测试平台ARMtest上。利用这些方法，在嵌入式硬件系统未完成开发之前，可通过宿主机环境和仿真环境及时发现嵌入式软件开发初期的一些不足并加以完善。

Petri网是分析网络协议一种有效的形式化建模工具，基于对无线传感器网络LEACH协议运行机制的分析，为协议建立广义随机Petri网(GSPN)性能模型，并用SPNP软件对建立的性能模型进行分析，模型数据验证了模型的有效性，同时讨论了性能模型对协议的低功耗改进所起的指导作用。

在基本反向传播（BP）算法中，学习速率往往固定不变，限制了网络的收敛速度和稳定性。因此，提出一种动态调整BP网络学习速率的算法，以BP网络输出层节点的实际输出值与期望输出值的平均绝对值误差及其变化率为自变量，找出学习速率与两个自变量之间的函数关系。根据网络的实际学习情况，对学习速率进行动态调整。实例仿真结果表明，改进的BP算法在保持网络稳定性的同时，具有更快的收敛速度。而且，该算法只需恰当地选取几个参数，不受条件限制，因此具有普遍的适用性。

为了实施图像的版权保护，提出了一种基于Zernike不变矩的零水印算法。利用Zernike矩幅度的旋转不变性提取图像特征点，将特征点通过设定的阈值量化为二值序列作为零水印保存到零水印信息库（IPR）。证明版权利用Zernike矩提取待检测图像特征点，以同样的阈值量化为二值水印序列与零水印作相关性检测。实验结果表明,该方法很好地解决了传统水印鲁棒性和不可感知性的矛盾问题，对常用的图像处理和几何攻击具有较好的鲁棒性。

构造良好的业务模型是实现企业信息系统快速重构以适应业务变化的关键。传统的业务建模方法对业务对象之间存在的复杂关联关系无法有效解决，对系统的可扩展性、二次开发效率、追溯性等方面有较大影响。为了解决此问题，提出了一种基于日志的业务对象关联模型，将对象间关联关系与业务对象清晰分离开来，重点探讨了业务对象间数值关联方式，采用简单操作来处理对象内部业务逻辑，采用复合操作来处理对象间关联关系，并将运行时的对象状态与关联信息分离出来形成日志，进而实现基于日志的业务追溯。

在线零售业务中,用户须浏览许多无关页面,才能找到所需商品。解决该问题的一个思路是,建立隐马尔可夫模型（HMM）实现站点根据用户访问购买情况进行自适应。在隐马尔可夫模型初始化基础上，利用扩展元胞自动机理论，同样能实现站点自适应，且时间更短；并为基于扩展元胞自动机解决站点自适应问题提供了一个新思路。

在分析面向重构的设计原则的基础上,提出一种基于业务规则的业务模型,并给出八类规则的表达形式。通过对业务元素的持续分解,将模型中频繁发生变化的部分分离出来并使用规则表达,提高了业务模型的动态性和灵活性。最后研究了基于该业务模型的建模过程。