属性网络表示学习的目的是在保证网络中节点性质的前提下，结合结构和属性信息学习节点的低维稠密向量表示。目前属性网络表示学习方法忽略了网络中属性信息的学习，且这些方法中的属性信息与网络拓扑结构的交互性不足，不能高效融合网络结构和属性信息。针对以上问题，提出一种双路自编码器的属性网络表示学习（DENRL）算法。首先，通过多跳注意力机制捕获节点的高阶邻域信息；其次，设计低通拉普拉斯滤波器去除高频信号，并迭代获取重要邻居节点的属性信息；最后，构建自适应融合模块，通过结构和属性信息的一致性及差异性约束来增加对重要信息的获取，并通过监督两个自编码器的联合重构损失函数训练编码器。在Cora、Citeseer、Pubmed和Wiki数据集上的实验结果表明，与DeepWalk、ANRL（Attributed Network Representation Learning）等算法相比，DENRL算法在3个引文网络数据集上聚类准确率最高、算法运行时间最少，在Cora数据集上聚类准确率为0.775和运行时间为0.460 2 s；且DENRL算法在Cora和Citeseer数据集上链路预测精确率最高，分别达到了0.961和0.970。可见，属性与结构信息的融合及交互学习可以获得更强的节点表示能力。
针对目前社会网络邻域隐私保护相关研究并没有考虑对子集的保护,并且邻域子集中的特定属性分布情况也会造成个体隐私泄露这一问题,提出了一种新的(θ, k)-匿名模型。该模型移除社会网络中需要被保护的节点邻域子集标签后,基于k-同构思想,利用邻域组件编码技术和节点精炼方法处理候选集中的节点及其邻域子集信息,完成同构操作,其中考虑特定敏感属性分布问题。最终,该模型满足邻域子集中的每个节点都存在至少k-1个节点与其邻域同构,同时要求每个节点的属性分布在邻域子集内和在整个子集的差值不大于θ。实验结果表明,(θ, k)-匿名模型能够降低匿名成本并且最大化数据效用。
针对现有无线局域网信道接入机制开销较大、高密部署场景下站点碰撞频繁的问题,提出一种基于频域竞争的改进机制混合频域竞争(HFCC)。首先,将用于频域竞争的正交频分复用(OFDM)符号中的子载波分类为竞争子载波和信息子载波;其次,每次信道接入均采用两轮信道竞争,必要时开启成功竞争信道确认;最后,利用单个OFDM符号反馈数据正确接收信息。理论分析表明,当网络中竞争站点(STA)较多(35个左右)时,与分布式协调功能(DCF)相比,HFCC站点碰撞概率下降幅度和系统吞吐量提升幅度分别为99.1%和73.2%;与现有频域竞争机制Back2F和REPICK相比,系统吞吐量分别提高了35.7%和75.2%。分析结果表明,HFCC可在降低开销的同时提高系统的强健性,适用于高密部署场景。
传统的小波变换、曲波变换和轮廓波变换无法对图像提供最优的稀疏表示,不能取得好的增强效果,为此,提出了一种基于剪切波(Shearlet)变换的图像增强算法.经Shearlet变换,图像被分解成低频分量和高频分量.首先,对Shearlet变换分解后的低频分量进行多尺度Retinex(MSR)调整,以减轻光照条件对图像的影响;其次,对各尺度、各方向上的高频系数采用阈值抑噪来消除噪声;最后,对重构图像进行模糊对比度增强,提高图像的整体对比度.实验结果表明该算法能够明显改善图像的视觉效果,突出图像的纹理细节且具有良好的抗噪性能.与直方图均衡(HE)、MSR、基于非下采样轮廓波变换(NSCT)的图像模糊增强(NSCT_fuzzy)算法相比,图像清晰度、信息熵、峰值信噪比(PSNR)均有一定的提高,且运行时间缩短为MSR的1/2和NSCT_fuzzy的1/10左右.
针对传统小波阈值函数在阈值处的不连续性、小波估计系数存在偏差等不足，导致去噪后的图像出现失真、产生吉布斯震荡等问题，提出了一种改进的阈值函数，与常用的硬阈值、软阈值以及已有改进的阈值函数相比，该函数不仅易于计算，而且具有优越的数学特性。为了验证该阈值函数的优越性，通过仿真实验对几种小波去噪方法的峰值信噪比（PSNR）与均方差（MSE）进行了对比。实验结果表明，此去噪方法无论是在视觉效果上，还是在均方差和信噪比性能分析上均优于常用的阈值函数。
为了利用描述逻辑的推理规则分析并解决简单矛盾问题，引入了可拓集合作为描述逻辑SHOQ的集合论基础，提出了一种新的描述逻辑D-SHOQES，定义了可拓概念和可拓关系的截集形式作为原子概念和原子关系，引入了动作理论以获取概念和关系的质变域和量变域，并给出了D-SHOQES中概念、关系、动作等的语义解释以及Tableau-算法推理规则，研究了矛盾问题的一般求解方法，从而为矛盾问题的求解提供了策略。
