互联网上的攻击性言论严重扰乱了正常网络秩序，破坏了健康交流的网络环境。现有的检测技术更关注文本中的鲜明特征，难以发现更隐晦的攻击方式。针对上述问题，提出融合反讽机制的攻击性言论检测模型BSWD（Bidirectional Encoder Representation from Transformers-based Sarcasm and Word Detection）。首先，提出基于反讽机制的模型Sarcasm-BERT，以检测言论中的语义冲突；其次，提出细粒度词汇攻击性特征提取模型WordsDetect，检测言论中的攻击性词汇；最后，融合两种模型得到BSWD。实验结果表明，与BERT（Bidirectional Encoder Representation from Transformers）、HateBERT模型相比，所提模型的准确率、精确率、召回率和F1分数指标大部分能提升2%，显著提高了检测性能，更能发现隐含的攻击性言论；同时，与SKS（Sentiment Knowledge Sharing）、BiCHAT（Bidirectional long short-term memory with deep Convolution neural network and Hierarchical ATtention）模型相比，具有更强的泛化能力和鲁棒性。以上结果验证了BSWD检测隐晦攻击性言论的有效性。

准确的交通流量预测在帮助交通管理部门采取有效的交通控制和诱导手段以及帮助出行者合理规划路线等方面具有重要意义。针对传统深度学习模型对交通数据时空特性考虑不足的问题，在卷积神经网络（CNN）和长短时记忆（LSTM）单元的理论框架下，结合城市交通流量的时空特性，建立了一种基于注意力机制的CNN-LSTM预测模型——STCAL。首先，采用细粒度的网格划分方法来构建交通流量的时空矩阵；其次，利用CNN模型作为空间组件来提取城市交通流量不同时期下的空间特性；最后，利用基于注意力机制的LSTM模型作为动态时间组件来捕获交通流量的时序特征和趋势变动性，并实现交通流量的预测。实验结果表明，STCAL模型与循环门单元（GRU）和时空残差网络（ST-ResNet）相比，均方根误差（RMSE）指标分别减小了17.15%和7.37%，均绝对误差（MAE）指标分别减小了22.75%和9.14%，决定系数（R²）指标分别提升了11.27%和2.37%。同时，发现该模型在规律性较高的工作日的预测效果好于周末，且对工作日早高峰的预测效果最好，可见该模型可为短时城市区域交通流量变化监测提供依据。

针对大部分现存有向网络链路预测方法仅关注有向局部结构及互惠链接信息而忽略有向全局结构的问题，提出高阶自包含协同过滤(HSCF)链路预测框架。首先，利用随机游走方法计算高阶相似度矩阵去保持有向网络的高阶路径信息；其次，将高阶相似度矩阵与协同过滤方法相融合构建HSCF框架；最后，把所提框架分别与有向共同邻居(DCN)、有向Adamic-Adar(DAA)、有向资源分配(DRA)和势能理论Bifan 4个典型有向结构相似度相融合，并由此提出HSCF-DCN、HSCF-DAA、HSCF-DRA和HSCF-Bifan 4个有向网络预测指标。在10个真实有向网络上的实验结果表明，与基准指标相比，HSCF-DCN、HSCF-DAA、HSCF-DRA和HSCF-Bifan的受试者工作特征（ROC）曲线下方面积（AUC）值分别平均提高了8.16%、8.85%、9.64%和10.33%，且F分数值分别平均提高了66.62%、68.32%、68.95%和76.18%。

在蛋白质组学中从头测序是串联质谱肽段测序的重要方法之一，其具有不依赖于蛋白质数据库的优势，并在测定未知物种蛋白序列、单克隆抗体测序等领域中起着关键作用。然而由于从头测序的复杂性，导致其测序的准确率远低于数据库搜索方法，制约了从头测序的广泛应用。针对从头测序准确率低的问题，提出一种基于图卷积神经网络（GCN）的从头测序方法denovo-GCN。该方法将质谱中谱峰之间的关系用图结构表示，并从每个相应的肽碎裂位点提取谱峰特征，然后通过GCN预测当前碎裂位点处的氨基酸类型，最后逐步组成完整的肽序列。通过实验确定了GCN模型的层数、离子类型组合和测序使用的谱峰数量这3个影响模型的重要参数，并将多个物种数据集用于实验对比。实验结果表明，该方法在肽水平上的召回率比基于图论的从头测序方法Novor、pNovo提高了4.0~21.1个百分点，比基于卷积神经网络（CNN）和长短期记忆（LSTM）网络的DeepNovo提高了2.1~10.7个百分点。

随着互联网技术的飞速发展，传统拍卖正逐渐转变为电子拍卖，其中隐私保护越来越受到关注。针对当前电子投标拍卖系统中出现的问题，如竞买人隐私存在被泄露的风险、第三方拍卖中心的费用昂贵、第三方拍卖中心可能与竞买人勾结等，提出一种基于区块链智能合约技术的密封式投标拍卖方案。该方案充分利用区块链的去中心化、防篡改和可信赖性等特征构建了一个无第三方的拍卖环境，并通过区块链上的安全保证金策略约束竞买人的行为，从而提高密封式电子拍卖的安全性。同时该方案利用Pedersen承诺保护竞买人的竞拍价格不被泄露，并通过Bulletproofs零知识证明协议验证中标价格的正确性。安全性分析和实验结果表明，提出的拍卖方案满足安全性要求，各个阶段的时间消耗均在可接受范围内，满足日常拍卖要求。

近几年，基于卷积神经网络（CNN）的单图像超分辨率（SR）重建方法成为了主流。通常情况下，重建模型的网络层数越深，提取的特征越多，重建效果越好；然而随着网络层数的加深，不仅会出现梯度消失的问题，还会显著增加参数量，增加训练的难度。针对以上问题，提出了一种基于密集Inception的单图像SR重建方法。该方法引入Inception-残差网络（Inception-ResNet）结构提取图像特征，全局采用简化后的密集网络，且仅构建每一个模块输出到重建层的路径，从而避免产生冗余数据来增加计算量。在放大倍数为4时，采用数据集Set5测试模型性能，结果显示与超深卷积神经网络的图像超分辨率（VDSR）相比，所提方法的结构相似性（SSIM）高了0.013 6；与基于多尺度残差网络的图像SR（MSRN）相比，SSIM高了0.002 9，模型参数量少了78%。实验结果表明，所提方法在保证模型的深度和宽度的情况下，显著减少了参数量，从而降低了训练的难度，而且取得了比对比方法更好的峰值信噪比（PSNR）和SSIM。

肽谱匹配打分算法在肽序列鉴定的过程中起着关键性作用，而传统的打分算法无法充分有效地利用肽碎裂规律进行打分。针对这一问题提出了一种结合肽序列信息表征的多分类概率和式打分算法deepScore-α，该算法不需要考虑全局信息进行二次打分，不存在理论质谱与实验质谱相似度计算方法的限制。deepScore-α使用一维残差网络对序列底层信息进行抽取，再通过多头注意力机制融合序列不同肽键位点对当前肽键位点断裂产生的影响从而生成最终的碎片离子相对强度分布概率矩阵，结合肽序列碎片离子的实际相对强度计算出最终的肽谱匹配得分。该算法与常用开源鉴定工具Comet以及MSGF+进行了比较：在人类蛋白组数据集上错误发现率（FDR）为0.01时,deepScore-α保留的肽序列数量提升了约14%，Top1命中率(正确肽序列在得分最高的谱图所占比例)最大提升约5个百分点。使用人类蛋白组数据集训练的模型在ProteomeTools2数据集上进行泛化性能测试，结果表明，在FDR为0.01的条件下deepScore-α保留的肽序列数量提升了约7%，Top1命中率提升了约5个百分点，Top1中来自Decoy库的鉴定结果减少约60%。实验结果证明，deepScore-α在较低FDR值情况下保留更多的肽序列并提升Top1的命中率，且具有较好的泛化性能。

针对当前访问控制中用户权限不能随着时间动态变化和访问控制合约中存在的安全性问题，提出了一种以基于角色的访问控制(RBAC)模型为基础，同时基于区块链和用户信用度的访问控制模型。首先，角色发布组织分发角色给相关用户，并把访问控制策略通过智能合约的方式存储在区块链中，该合约设定了访问信用度阈值，合约信息对系统内任何服务提供组织都是可验证、可追溯且不可篡改的。其次，该模型根据用户的当前信用度、历史信用度和推荐信用度评估出最终信用度，并根据最终信用度获得对应角色的访问权限。最后，当用户信用度达到合约设定的信用度阈值时，用户就可以访问相应的服务组织。实验结果表明，该模型在安全访问控制上具有一定的细粒度、动态性和安全性。

随着区块链技术的应用推广，智能合约的数量呈现爆发式增长，而智能合约的漏洞将给用户带来巨大损失。但目前研究侧重于以太坊智能合约的语义分析、符号执行的建模与优化等，没有详细描述利用符号执行技术检测智能合约漏洞流程，以及如何检测智能合约常见漏洞。为此，在分析以太坊智能合约的运行机制和常见漏洞原理的基础上，利用符号执行技术检测智能合约漏洞。首先基于以太坊字节码构建智能合约执行控制流图，再根据智能合约漏洞特点设计相应的约束条件，利用约束求解器生成软件测试用例，检测常见的整型溢出、权限控制、Call注入、重入攻击等智能合约漏洞。实验结果表明，所提检测方案具有良好的检测效果，对Awesome-Buggy-ERC20-Tokens漏洞库中70份含漏洞的智能合约的漏洞检测正确率达85%。

针对当前多机器人路径规划策略中存在的路径耦合性高、总路径长、避碰等待时间长等缺点，以及由此导致的系统鲁棒性低、机器人利用率低等问题，提出了基于三维时空地图和运动分解的多机器人路径规划算法。首先，根据已有路径集和当前机器人的位置生成时间维度上的动态临时障碍物，将其与静态障碍物一并拓展为三维搜索空间；其次，在三维搜索空间内，将路径运动总时间拆分为运动时间、转向时间和原地停留时间这三个参数，并使用条件深度优先搜索策略计算出从起始节点到达目标节点的所有符合参数要求的路径集合；最后，遍历路径集合中的所有路径，对于每条路径，计算其实际总耗时。如果某一路径的实际总耗时和理论总耗时之间的差距小于规定的最大误差，则可认为该路径为最短路径，否则，继续遍历剩下的其余路径；而如果路径集合中所有路径的实际总耗时和理论总耗时之差全都大于最大误差，则需要动态调整参数，然后继续执行算法的初始步骤。实验结果表明，所提算法规划的路径具有总长短、运行时间少、系统无碰撞、鲁棒性高等优点，解决了多机器人系统完成持续随机任务的问题。

针对鲁棒主成分分析（RPCA）问题，为了降低RPCA算法的时间复杂度，提出了牛顿-软阈值迭代（NSTI）算法。首先，使用低秩矩阵的Frobenius范数与稀疏矩阵的 l ₁-范数的和来构造NSTI算法的模型；其次，同时使用两种不同的优化方式求解模型的不同部分，即用牛顿法快速计算出低秩矩阵，用软阈值迭代算法快速计算出稀疏矩阵，交替使用这两种方法计算出原数据的低秩矩阵和稀疏矩阵的分解；最后，得到原始数据的低秩特征。在数据规模为5 000×5 000，低秩矩阵的秩为20的情况下，NSTI算法和梯度下降（GD）算法、低秩矩阵拟合（LMaFit）算法相比，时间效率分别提高了24.6%、45.5%。对180帧的视频前景背景进行分离，NSTI耗时3.63 s，时间效率比GD算法、LMaFit算法分别高78.7%、82.1%。图像降噪实验中，NSTI算法耗时0.244 s，所得到的降噪后的图像与原始图像的残差为0.381 3，与GD算法、LMaFit算法相比，时间效率和精确度分别提高了64.3%和45.3%。实验结果证明，NSTI算法能够有效解决RPCA问题并提升RPCA算法的时间效率。

针对云存储中基于密文策略的属性加密（CP-ABE）访问控制方案存在用户解密开销较大的问题，提出了一种基于代理重加密的CP-ABE （CP-ABE-BPRE）方案，并对密钥的生成方法进行了改进。此方案包含五个组成部分，分别是可信任密钥授权、数据属主、云服务提供商、代理解密服务器和数据访问者，其中云服务器对数据进行重加密，代理解密服务器完成大部分的解密计算。方案能够有效地降低用户的解密开销，在保证数据细粒度访问控制的同时还支持用户属性的直接撤销，并解决了传统CP-ABE方案中因用户私钥被非法盗取带来的数据泄露问题。与其他CP-ABE方案比较，此方案对访问云数据的用户在解密性能方面具有较好的优势。

针对现有的区块链中实用拜占庭容错（PBFT）共识算法、基于动态授权的拜占庭容错（DDBFT）共识算法、联盟拜占庭容错（CBFT）共识算法普遍存在能耗高、效率低、扩展性差等问题，通过引入投票机制，提出了基于投票机制的拜占庭容错（VPBFT）共识算法。首先，以PBFT算法为基础，将网络中的节点划分为四类具有不同职责的节点。其次，算法中的投票节点具有投票和评分权，监督生产节点诚实可靠地生产数据块；生产有效的数据块的生产节点优先进入下一轮，候选节点能够被选为生产节点，而普通节点则能够成为投票节点或候选节点。最后，不同类型的节点之间具有一定的数量关系，能够在不同类型节点的数目或网络中的节点总数发生变化时动态调整参数，从而使得算法适应动态网络。通过性能仿真分析可知，VPBFT算法相较于PBFT、DDBFT、CBFT等共识算法，具有低能耗、低时延、高容错性和高动态性。

现有法语命名实体识别（NER）研究中，机器学习模型多使用词的字符形态特征，多语言通用命名实体模型使用字词嵌入代表的语义特征，都没有综合考虑语义、字符形态和语法特征。针对上述不足，设计了一种基于深度神经网络的法语命名实体识别模型CGC-fr。首先从文本中提取单词的词嵌入、字符嵌入和语法特征向量；然后由卷积神经网络（CNN）从单词的字符嵌入序列中提取单词的字符特征；最后通过双向门控循环神经网络（BiGRU）和条件随机场（CRF）分类器根据词嵌入、字符特征和语法特征向量识别出法语文本中的命名实体。实验中，CGC-fr在测试集的F1值能够达到82.16%，相对于机器学习模型NERC-fr、多语言通用的神经网络模型LSTM-CRF和Char attention模型，分别提升了5.67、1.79和1.06个百分点。实验结果表明，融合三种特征的CGC-fr模型比其他模型更具有优势。

针对MapReduce计算模式在Map阶段结束后会产生海量中间数据，导致存在大量跨越机架交换机的数据通信问题，提出一种优化Map密集型作业的中间数据通信优化方法。首先，提取MapReduce计算作业的运行前调度信息的特征并且量化数据通信活跃度；然后，采用朴素贝叶斯分类模型实现分类预测，将历史作业的运行数据作为样本来训练分类模型；最后，根据作业分类预测结果把通信活跃的作业集中映射到同一机架中，通过提高通信局部性来优化性能瓶颈。实验结果表明，所提方案对Shuffle子过程稠密的作业优化效果明显，能够提高4%~5%的计算性能；此外，在多用户运行情况下能降低4.1%中间数据通信延迟。所提方法可有效降低大数据计算过程中的通信延迟，提高异构集群的计算性能。

针对蕴含噪声信息较少的小组合股票市场，提出使用蒙特卡罗模拟修正的随机矩阵去噪方法。首先通过数据模拟生成随机矩阵，然后利用大量的模拟数据来同时修正噪声下界和上界，最终对噪声范围进行精确测定。运用道琼斯中国88指数和香港恒生50指数的数据进行实证分析，结果表明，与LCPB法、PG+法和KR法相比，在特征值、特征向量和反比参率方面， 蒙特卡罗模拟去噪方法修正后噪声范围的合理性及有效性得到很大的提升；对去噪前后的相关矩阵进行投资组合，得知在相同的期望收益率下，蒙特卡罗模拟去噪方法具有最小的风险值，能够为资产组合选择和风险管理等金融应用提供一定的参考。

针对现有协同认知无线网络工作在固定结构导致灵活性低、对复杂环境适应力不足的问题，以提高其抗干扰和抗毁能力为目标，提出了一种基于协同认知的网络结构自适应技术。该技术能够使协同认知无线网络在集中控制、自组织和协同中继三种结构之间灵活、自主切换，从而应对电磁干扰、设备故障和通信链路遮挡等问题，极大增强了网络的稳健性。详细介绍了切换方案设计和节点协议实现，并通过搭建基于GNU Radio和二代通用软件无线电外设（USRP2）的协同认知无线网络测试床对其切换耗时以及吞吐量性能进行实际测试验证。结果表明，相比单一、固定的网络结构，该技术能够显著增强网络抗毁性、连通性，提高服务质量（QoS）。

无线传感器网络(WSN)路由是影响网络寿命的重要因素。关键节点多次通信带来大量能耗,极易导致网络过早瘫痪。针对网络部分关键节点能耗过快问题,提出一种基于下一跳节点剩余能量动态调整前向角度的蚁群路由算法(DAFARE)。首先,节点于初始前向角度范围内根据节点剩余能量和距离来选择下一跳节点;而后,根据前向角度范围内节点剩余能量情况,动态调整前向角度大小;最终达到避免关键节点过早死亡的目的。仿真表明,与基于多目标评价函数与正-负反馈并存机制的蚁群算法(FMEPNF)相比,DAFARE能将网络有效寿命提高约50%。实验结果表明:该算法能有效均衡网络能耗,延长网络生命周期,保证网络有效覆盖范围。

针对人脸姿态估计对系统性能要求高、在手机上运行无法满足实时性要求等问题,实现了一种Android手机端的人脸姿态实时估计系统。首先,由摄像头获得一幅正面和一幅偏移一定角度的人脸图像,利用从运动中构建结构(SfM)算法建立简单三维人脸模型;然后,提取实时人脸图像中与三维人脸模型相互对应的特征点,基于缩放正投影位姿估计(POSIT)算法估计人脸姿态角度;最后将三维人脸模型通过开放图形开发库(OpenGL)实时显示在手机屏幕上。实验结果表明,实时视频中检测人脸姿态并显示的速度可以达到20 frame/s,接近计算机端的基于仿射对应的三维人脸姿态估计算法,而且针对大量图片序列的检测可以达到50 frame/s,能够满足Android手机端的性能和检测人脸姿态的实时性要求。

针对新一代视频编码标准高效率视频编码(HEVC)编码单元(CU)尺寸较大所导致的丢包后错误隐藏恢复效果不佳的问题,提出了对CU下的分割块进行块融合的错误隐藏方法。首先,分析了残差能量与块分割的相关性;然后,通过参考帧残差能量与所设阈值进行比较判决,对当前丢失CU分割块进行融合,得到丢失CU的块分割方式;其次,对矢量外推法进行权值优化,保证了算法在HEVC错误隐藏的适用性;最后,对融合块采用优化后的矢量外推法进行错误隐藏。实验结果表明,与经典错误隐藏方法如拷贝法、运动补偿法等相比,基于块融合的错误隐藏在保证解码视频结构相似性(SSIM)的同时提高了不同运动性的解码视频峰值信噪比(PSNR),验证了算法的可行性。

针对Top-k dominating查询算法需要较高的时空消耗来构建属性组合索引,并且在相同属性值较多情况下的查询结果准确率低等问题,提出一种通过B⁺-trees和概率分布模型相结合的子空间支配查询算法——Ranking-k算法.首先,采用B⁺-trees为待查找数据各属性构建有序列表;然后,采取轮询调度算法读取skyline准则涉及到的有序列表,生成候选元组并获得k组终结元组;其次,根据生成的候选元组和终结元组,采用概率分布模型计算终结元组支配分数.迭代上述过程优化查询结果,直到满足条件为止.实验结果表明:Ranking-k与基本扫描算法(BSA)相比,查询效率提高了94.43%;与差分算法(DA)相比,查询效率提高了7.63%;与早剪枝Top-k支配(TDEP)算法、BSA和DA相比,查询结果更接近理论值.

针对现有回归多任务学习中各任务独立评估风险、缺乏统一约束条件的缺点，提出了一种具有自适应分组能力的超球多任务学习算法。该算法以极限学习机(ELM)为基础形式，首先引入超球损失函数对所有任务的风险进行统一评估，并采用迭代再权最小二乘法求解；其次，考虑到任务之间关联度存在差异，基于相关性强的任务其权重向量也较相似的假设，构建带分组结构的正则项，使得同组内的任务独立进行训练，最终将优化目标转为混合0-1规划问题，并采用多目标优化方法自动确定模型参数和最优分组结构。基于仿真数据和圆柱壳振动信号数据的测试结果表明，该算法可有效识别出任务中的分组结构，同时与现有算法相比，可明显提高回归模型的泛化能力。

针对基于全阶磁链观测器的感应电机无速度传感器矢量控制系统低速不稳定问题，采用波波夫(Popov)超稳定性理论分析了观测器在低速发电区域不稳定原因，提出了一种保证观测器低速稳定运行的反馈增益设计准则。为了简化该系统稳定性分析过程，基于转子磁通定向，利用劳斯赫尔维茨(Routh-Hurwitz)判据将一个关于系统极点稳定的多维问题转化为系统零点稳定的一维问题进行处理，推导了转速估算系统稳定性条件，并给出了反馈增益设计方法。仿真结果表明，该系统在低速50r/min和极低速10r/min时均能稳定运行，相对于传统的基于极点配置方法，在低速发电区域的收敛性和稳定性更优，改善了无速度传感器矢量控制系统低速区域的动、静态性能。

针对以往的多智能体蜂拥控制算法在考虑单个目标追踪情形时不具普适性,以及现有的多目标蜂拥控制都是基于全局目标信息来进行集中式协调控制,而非基于局部目标信息下的分布式协调控制的问题,提出一种融合局部自适应检测机制的分布式协同牵制蜂拥算法。首先,算法在分离、聚合、速度匹配和引导反馈的基础上,引入局部自适应追踪策略,实现智能体的局部动态跟随运动；其次,受牵制思想启发,根据节点影响力指数评估算法选取m个信息个体分别向m个目标进行多目标追踪,起到模拟外部信息的作用,不同的信息个体会由于局部自适应检测机制间接地引领周围局部个体向不同目标进行追踪；最后,设计一类新的聚集和排斥势能函数,实现相同目标智能体的聚集,以及不同目标智能体的避碰,具有可调参数少和效率高的优势。通过三维仿真实验验证了算法的多目标追踪可行性和有效性。

长时间持续使用电脑会对人体造成健康危害,针对目前尚无非入侵式电脑使用疲劳度检测的有效方法的现状,提出了一种基于键盘和鼠标事件实时监测的非干扰式手部肌肉疲劳度评估方法。该方法经过按键动作匹配、数据去噪、特征向量提取、分类等处理,分析一段时间内两类按键的时延特性,实现对手部肌肉疲劳程度的评估和监测。利用社交网络,将检测的疲劳状态与好友进行分享,以好友劝导、健康激励的方式促使用户逐渐改变不健康的电脑使用习惯。该方法在15位用户中进行了为期2周的实验,结果验证了所提方法对疲劳度评估的有效性,以及在社交网络平台分享相关健康信息的可行性,并发现按键延迟与手部肌肉疲劳程度成负相关关系。

对可交换密钥解决方案与同态加密解决方案进行了分析，并指出了二者在计算复杂度上的不足。在此基础上，提出了另外两种解决方案，一种是基于混沌加密解决方案，另一种是引入不可信第三方参与的非对称加密解决方案，并分析证明了这两种方案的正确性、安全性和复杂性。将提出的新方案与现有的方案进行实验对比，结果证实了新方案能降低算法的复杂度，极大地提高了算法的执行效率。

针对三维网格模型简化过程中的过简化和失真问题，提出一种利用多特征融合的度量方法引导三维网格模型的简化过程。该方法通过分析模型简化的误差度量准则和模型的特征信息，首先利用法向信息加权的二次误差方法度量模型的几何特征信息；然后采用三角形边长比信息加权的挠率度量模型的视觉特征信息；最后融合几何特征信息和视觉特征信息作为模型简化的多特征信息引导模型简化。实验结果表明，该方法可有效保证算法的计算效率，保持简化后模型的形态特征，解决了模型的过简化和失真问题。

基于一般化的模糊划分GIFP-FCM聚类算法是模糊C均值算法(FCM)的一种改进算法，一定程度上克服了FCM算法对噪声的敏感性，但由于其没有考虑图像的邻域信息，对含有较大噪声的图像分割效果不理想。为此，提出将局部隶属度和局部邻域信息等引入到GIFP-FCM算法的目标函数中，通过重新计算每个像素的局部隶属度和邻域信息，较好地克服了噪声影响。利用该算法对合成图像、脑图分割的实验结果表明，对于含有高斯噪声、椒盐噪声和混合噪声的图像，新算法得到的划分系数值最大，划分熵最小，是一种去噪效果较好的图像分割算法。

针对变频空调技术参数固定不能适应智能办公环境变化的问题,为提高环境温度的舒适度,提出一种新的变频空调温度控制方法。该方法引入多智能体(Agent)技术设计温度模糊控制结构,确定输入输出变量及其模糊集,然后引入动作回报值改进模糊Q学习算法,由推理Agent执行算法学习手动调节空调的动作、修改模糊规则。将得到的优化模糊规则用于环境温度的控制。实验结果表明,与常规模糊温度控制方法相比,该控制方法缩短了空调的响应时间,减少了超调量。

研究复杂网络拓扑属性的聚类算法需要处理大量节点和连接边,因此对计算性能要求高,否则无法处理现实中的表示为复杂网络的系统。利用图形处理器(GPU)的并行聚类算法是解决该问题的重要方法。利用原语技术设计并行快速聚类算法,原语法不仅降低并行算法的复杂性而且提高聚类的普适性;再从线程调度策略和缓存管理两个方面提出优化的方法来解决负载均衡和数据重用性问题。通过实验对比并行快速聚类算法与优化算法的性能,结果显示并行快速聚类优化后的算法取得较好加速比。