针对睡眠阶段与睡眠呼吸暂停低通气之间相关性的问题，提出一种基于自适应多任务学习的睡眠生理时序分类方法。该方法利用单导脑电与心电检测睡眠分期和睡眠呼吸暂停低通气综合征（SAHS），构造双流时间依赖学习模块，在两个任务的联合监督下提取共享特征，设计自适应任务间关联性学习模块，利用通道注意力机制建模睡眠阶段和呼吸暂停低通气之间的相关性。在两个公开数据集上的实验结果表明，所提方法可以同时完成睡眠分期与SAHS检测。在UCD数据集上，所提方法睡眠分期准确率、宏F1分数（MF1）、受试者特性曲线下面积（AUC）与TinySleepNet相比分别提升了1.21个百分点、1.22个百分点和0.008 3，SAHS检测的宏F2分数（MF2）、受试者特性曲线下面积、召回率与6-layer CNN模型相比，分别提升了11.08个百分点、0.053 7和15.75个百分点，能检出更多患病片段。所提方法可应用于家庭睡眠监测或移动医疗中，实现高效、便捷的睡眠质量评估，辅助医生对SAHS进行初步诊断。

股票市场结构复杂、信息多样，股票趋势预测极具挑战性。但现有研究大都把每只股票当作一个独立的个体，或者使用图结构对股票市场中复杂的高阶关系进行建模，缺少对股票、行业、市场三者间相互影响的层次性和动态性考量。针对上述问题，提出一种动态宏观记忆网络（DMMN），并基于DMMN同时对多只股票进行价格趋势预测。该方法按照“股票-行业-市场”的层次对市场宏观环境信息进行建模，并捕获这些信息在时序上的长期依赖；然后将市场宏观环境信息与股票微观特征信息动态融合，在增强个股对市场整体情况的感知能力的同时间接捕获到股票、行业、市场三者间的相互依赖。在收集的CSI300数据集上得到的实验结果表明，相较于基于注意力长短期记忆（ALSTM）网络、添加了图卷积的LSTM网络（GCN-LSTM）、卷积神经网络（CNN）等模型的股票预测方法，基于DMMN的方法在F1分数、夏普比率上都取得了更好的效果，和表现最优的对比方法ALSTM相比分别提升了4.87%和31.90%，这表明DMMN在具备较好预测性能的同时还具备更好的实用价值。

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。

现有的相似性搜索算法通常没有考虑时间因素，为此，提出一种异构信息网中基于元路径的动态相似性搜索算法PDSim。PDSim算法首先计算给定元路径下实体的链接矩阵，得到实体之间的元路径实例数比值，同时基于建立时间的不同，计算其时间差异度；在此基础上针对给定的元路径，获得异构信息网中动态相似性的度量。在多个相似性搜索实例中，PDSim能够捕获到实体随时间变化而产生的兴趣的变化；应用于聚类时，相对于PathSim和PCRW方法，其标准互信息聚类精度可以提高0.17%~9.24%。实验结果表明，PDSim方法与传统的基于链接的相似性搜索算法相比，显著提高了异构信息网中动态相似性搜索的效率和用户满意度，是一种研究实体随时间而发生动态变化的相似性搜索方法。

基于一个PDA项目,介绍了自行设计的利用固定电话网进行信息传输的一套通信协议。用Petri网抽象描述了一系列代表性链路层协议模型,并借助Petri网模拟工具对模型进行修正和改进,得到可实际工程应用的协议模型。