针对动态时序数据部分周期模式挖掘过程存在的计算复杂度过高和扩展性差等问题，提出了一种结合多尺度理论的时间序列部分周期模式挖掘算法（MSI-PPPGrowth），所提算法充分利用了时序数据客观存在的时间多尺度特性，将多尺度理论引入时序数据的部分周期模式挖掘过程。首先，将尺度划分后的原始数据以及增量时序数据作为更细粒度的基准尺度数据集进行独立挖掘；然后，利用不同尺度数据间的相关性实现尺度转换，以间接获取动态更新后的数据集对应的全局频繁模式，从而避免了原始数据集的重复扫描和树结构的不断调整。其中，基于克里金法并考虑时序周期性设计了一个新的频繁缺失计数估计模型（PJK-EstimateCount），以有效估计在尺度转换过程中的缺失项支持度计数。实验结果表明，MSI-PPPGrowth具有良好的可扩展性和实时性，尤其是对于稠密数据集，其性能优势更为突出。
针对CortexM3微控制器（MCU）对传统51单片机的部分替代所带来的系统复杂度的增加问题， 提出了一种在无操作系统支持的嵌入式平台上实现并发控制的方法。首先基于上下文无关文法形式化地定义了控制流程的脚本语言, 并实现相应的脚本解释器；然后指出多线程机制是实现多脚本并发执行的充分条件而非必要条件, 通过在MCU自带的定时器中断处理函数中进行并发脚本控制流程的切换，实现了一个能用于嵌入式平台并发编程的协程机制。实验结果表明，该机制能避免对商业多线程库的依赖，降低产品研发成本，在代码可读性方面也有较大提高，使代码烧写次数减少58%左右。在无操作系统和有Linux操作系统支持的嵌入式平台上的分别应用，表明该机制有较好的可移植性和实用性。
视频图像分割是视频目标定位和识别的基础,如果背景中光线变化,那么将会给分割带来很大的影响。文中利用贝叶斯学习方法进行视频图像分割,在每个象素点处对不断变化的背景建模,计算每个象素点处的颜色直方图,用这些直方图来表示该象素点处特征向量的概率分布,然后用贝叶斯学习方法来判断,在光线缓慢或者突然变化的时候,每个象素点是属于前景还是属于背景。
