针对现有的跨级高效用项集挖掘（HUIM）算法非常耗时且占用大量内存的问题，提出一种基于数据索引结构的跨级高效用项集挖掘算法（DISCH）。首先，为了高效存储和快速检索到搜索空间中的所有项集，拓展带有分类信息和索引信息的效用链表为数据索引结构（DIS）；然后，为了提高内存利用率，对不满足条件的效用链表所占的内存进行回收再分配；最后，在构建效用链表时使用提前结束策略，以减少效用链表的产生。基于真实零售数据集和合成数据集进行的实验结果表明，与CLH-Miner （Cross-Level High utility itemsets Miner）算法相比，DISCH在运行时间上平均降低了77.6%，同时在内存消耗上平均降低了73.3%，可见该算法能高效完成跨级高效用项集的搜索，并且降低算法的内存消耗。
针对目前单目图像在深度估计中依然存在边缘以及深度最大区域预测不准确的问题，提出了一种基于金字塔分割注意力网络的单目深度估计方法（PS-Net）。首先，PS-Net以边界引导和场景聚合网络（BS-Net）为基础，引入金字塔分割注意力（PSA）模块处理多尺度特征的空间信息并且有效建立多尺度通道注意力间的长期依赖关系，从而提取深度梯度变化剧烈的边界和深度最大的区域；然后，使用Mish函数作为解码器中的激活函数，以进一步提升网络的性能；最后，在NYUD v2（New York University Depth dataset v2）和iBims-1（independent Benchmark images and matched scans v1）数据集上进行训练评估。iBims-1数据集上的实验结果显示，所提网络在衡量定向深度误差（DDE）方面与BS-Net相比减小了1.42个百分点，正确预测深度像素的比例达到81.69%。以上表明所提网络在深度预测上具有较高的准确性。
针对交通标志识别模型检测速度与识别精度不均衡，以及受遮挡目标和小目标难以检测的问题，对YOLOv5模型进行改进，提出一种基于坐标注意力（CA）的轻量级交通标志识别模型。首先，通过在主干网络中融入CA机制，有效地捕获位置信息和通道之间的关系，从而更准确地获取感兴趣区域，避免过多的计算开销；然后，通过在特征融合网络中加入跨层连接，在不增加成本的情况下融合更多的特征信息，提高网络的特征提取能力，并改善对遮挡目标的检测效果；最后，引入改进的CIoU函数计算定位损失，以缓解检测过程中样本尺寸分布不均衡的现象，并进一步提高对小目标的识别精度。在TT100K数据集上应用所提模型时，识别精度达到了91.5%，召回率达到了86.64%，与传统的YOLOv5n模型相比分别提高了20.96%和11.62%，且帧处理速率达到了140.84 FPS。实验结果比较充分地验证了所提模型在真实场景中对交通标志检测与识别的准确性与实时性。
传统筹款捐助平台的集中式管理难以满足高可信机制的需求，筹款信息真假难辨，善款流向不透明。区块链技术的去中心化、数据不可篡改、可溯源、点对点交易等特点为构建可信捐助平台奠定了基础。由此以区块链技术为基础，提出了一种基于以太坊智能合约的捐助方案。首先，将筹款信息和捐款交易事件等存储在以太坊区块链上，并利用保证金机制保证了数据的真实性和可溯性；同时，阐述了该方案的架构模型，提出智能合约算法Donate代替人工操作，防止善款挪用和久未到账问题；最后，通过基于智能合约的可信筹款捐助平台验证了该方案的可行性。将所提平台与传统筹款平台比较分析，证明了该平台能安全有效地防止虚假筹款和善款挪用。
针对已有基于隐马尔可夫模型(HMM)的时间序列异常检测模型的符号化方法不能很好地表征原始时间序列的问题，提出了一种基于自编码器和HMM的时间序列异常检测方法(AHMM-AD)。首先,通过滑动窗口对时间序列样本进行分段，按照分段位置形成若干时间序列分段样本集，由正常时间序列上不同位置的分段样本集训练各个分段的自编码器；然后,利用自编码器得到每个分段时间序列样本的低维特征表示，通过对低维特征表示向量集的 K-means聚类处理，实现时间序列样本集的符号化；最后,由正常时间序列的符号序列集生成HMM，根据待测样本在已建HMM上的输出概率值进行异常检测。在多个公共基准数据集上的实验结果显示，AHMM-AD比已有的基于HMM的时间序列异常检测模型在精确度、召回率和F1值分别平均提高了0.172、0.477、0.313，比基于autoencoder的时间序列异常检测模型，在这三方面分别平均提高了0.108、0.450、0.319。实验结果表明，AHMM-AD方法能够提取时间序列中的非线性特征，解决已有HMM建模时间序列符号化过程中不能很好表征时间序列的问题，并在时间序列异常检测性能上也有显著提升。
针对延迟容忍网络（DTN）拓扑结构动态变化和节点存储空间有限的问题，提出一种具有拥塞控制策略的DTN传染路由（ERC2）方法。该方法基于一种动态存储状态模型（DSSM），节点可通过感知网络状况动态调整节点半拥塞状态的门限降低网络发生拥塞的可能性，增加ACK索引以及消息管理队列，使节点存储状态随着网络负载的随机变化而动态更新并主动删除冗余包，并根据不同拥塞状态结合传染路由和Prophet路由的优点选择单一或混合模式进行消息转发，从而达到预防、避免、解除拥塞的目的，实现节点自适应缓存管理以及网络的动态拥塞控制。在模拟器ONE上采用Working Day Movement模型进行仿真，其中与Prophet相比，ERC2方法在消息递交率上提高66.18%，平均时延降低48.36%，转发次数提高22.83%。仿真结果表明，在拥塞程度不同的场景中，ERC2与Epidemic、Prophet路由算法相比具有更好的网络性能。
针对在现代雷达系统中强目标掩盖弱小目标,且只能将距离旁瓣抑制到一定值的问题,提出一种改进的卡尔曼-最小均方误差准则(K-MMSE)算法. 该方法将卡尔曼滤波与最小均方误差准则相融合,是一种有效抑制距离旁瓣的自适应脉冲压缩系统.仿真实验中,将提出的K-MMSE方法与传统匹配滤波、经过最小均方误差(MMSE)准则的匹配滤波算法进行单目标与多目标情况下的旁瓣抑制比较后发现,前者较后两者旁瓣水平及其点扩散函数(PSF)的峰值旁瓣比(PSLR)和积分旁瓣比(ISLR)均明显下降.仿真结果表明,该方法无论在单目标还是多目标情况下都能较传统的滤波算法更好地抑制旁瓣距离,有效地提取弱小目标信号.
通过对SPIHT算法和LZC算法的研究,提出一种改进的无链表零树编码算法。该算法改进了树编码过程,降低了编码复杂度,易于硬件实现,并且用小波系数的最高比特位来存储标志图,使得编码所需内存进一步减少。实验结果表明在相同的压缩比下,新算法重建图像的峰值信噪比明显优于LZC算法,而仅比SPIHT算法有略微的降低。
