群智能算法的优化是提升群智能算法性能的一个主要途径，随着群智能算法越来越广泛地运用到各类模型优化、生产调度、路径规划等问题中，对智能算法性能的要求也越来越高。亚群策略作为一种优化群智能算法的重要手段，能够灵活地平衡算法的全局勘探能力和局部开发能力，已经成为群智能算法的研究热点之一。为了促进亚群优化策略的发展和应用，对动态亚群策略、基于主从范式的亚群策略和基于网络结构的亚群策略进行了详细调查，阐述了各类亚群策略的结构特点、改进方式和应用场景。最后，总结了亚群策略目前存在的问题以及未来的研究趋势和发展方向。

针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题，提出一种基于改进实数编码遗传算法（IRCGA）的深度神经网络超参数优化算法——IRCGA-DNN（IRCGA for Deep Neural Network）。首先，采用实数编码方式表示超参数的取值，使超参数的搜索空间更灵活；然后，引入分层比例选择算子增加解集多样性；最后，分别设计了改进的单点交叉和变异算子，以更全面地探索超参数空间，提高优化算法的效率和质量。基于两个仿真数据集，验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明，在两个数据集上，与GA-DNN（Genetic Algorithm for Deep Neural Network）相比，所提算法的收敛迭代次数分别减少了8.7%和13.6%，均方误差（MSE）相差不大；与IGA-DNN（Improved GA-DNN）相比，IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明，所提算法收敛速度和预测性能均更优，能有效处理神经网络超参数优化问题。

基于生理信号的情感识别受噪声等因素影响，存在准确率低和跨个体泛化能力弱的问题。对此，提出一种基于脑电（EEG）、心电（ECG）和眼动信号的多模态情感识别方法。首先，对生理信号进行多尺度卷积，获取更高维度的信号特征并减少参数量；其次，在多模态信号特征的融合中使用自注意力机制，以提升关键特征的权重并减少模态之间的特征干扰；最后，使用双向长短期记忆（Bi-LSTM）网络提取融合特征的时序信息并进行分类。实验结果表明，所提方法在效价、唤醒度和效价/唤醒度四分类任务上分别取得90.29%、91.38%和83.53%的识别准确率，相较于脑电单模态和脑电/心电双模态方法，准确率上提升了3.46~7.11和0.92~3.15个百分点。所提方法能够准确识别情感，在个体间的识别稳定性更好。

针对多层超网络研究多集中于拓扑结构，且影响力节点识别方法中涉及指标较为单一，无法全面准确识别影响力节点的情况，提出一种基于证据理论的多层超网络影响力节点识别方法。首先，在多层超网络拓扑结构基础上，根据聚合网络思想构建多层聚合超网络；其次，基于证据理论定义问题的辨识框架；最后，利用D-S（Dempster-Shafer）证据组合方法，融合网络的局部、位置和全局指标以识别网络影响力节点。将该方法应用于arXiv数据集构建的物理-计算机科学双层科研合作超网络（MAH），在基于RP（Reactive Process）和CP（Contact Process）策略的易感-感染-易感（SIS）超网络传播模型中，与超度中心性、K-shell、接近中心性方法等相比，传播速度最快，且最先达到稳态；隔离影响力排名前6%节点后，网络平均超度、聚类系数以及网络效率均减小；随着隔离影响力节点比例的增大，网络子图数量增速与接近中心性方法相近；通过单调性指标值度量识别结果粗粒度，达到0.999 8，识别结果具有较高区分度。综合多个实验结果，表明该多层超网络影响力节点识别方法准确有效。

隐私集合交集（PSI）是解决隐私信息共享的重要办法。针对现有的协议中参与方不能同时获取计算结果而导致的不公平性问题，提出一种基于云服务器的公平多方PSI协议。首先，利用哈希映射完成隐私信息的子份额在混淆布隆过滤器（GBF）中的存储；其次，为避免交互过程中各参与方集合元素索引值的泄露，协议结合不经意传输（OT）技术完成存储信息的份额置换；最后，通过云服务器进行逐位计算，并将结果同时返回各参与方，保证各参与方获取结果的公平性。协议的正确性和安全性分析表明，所提协议能够实现参与方获得交集结果的公平性，而且协议能够抵抗参与方与云服务器进行的合谋。性能分析表明，所提协议的计算复杂度和通信复杂度与参与方集合包含的元素总数无关；与多方隐私集合交集协议（MPSI）、实用多方恶意安全私有集合交集PSImple和隐私集合交集求和协议（PI-Sum）相比，在同等条件下，所提协议的存储开销、通信开销和运行时间更少。

从学者主页中提取的学者细粒度信息（如学者研究方向、教育经历等）在大规模专业人才库的创建等方面具有非常重要的应用价值。针对现有学者细粒度信息提取方法无法有效利用上下文语义联系的问题，提出一种融合局部语义特征的学者信息提取方法，利用局部范围文本的语义联系对学者主页进行细粒度信息抽取。首先，通过全词掩码中文预训练模型RoBERTa-wwm-ext学习通用语义表征；之后将通用语义表征中的目标句表征向量与局部相邻文本表征向量共同输入卷积神经网络（CNN）实现局部语义融合，从而获得更高维度的目标句表征向量；最终将目标句表征向量从高维度空间映射到低维度标签空间实现学者主页细粒度信息的抽取。实验结果表明，使用此融合局部语义特征的方法进行学者细粒度信息提取的宏平均F1值达到93.43%，与未融合局部语义的RoBERTa-wwm-ext-TextCNN方法相比提高了8.60个百分点，验证了所提方法在学者细粒度信息提取任务上的有效性。

针对无人机(UAV)空战环境信息复杂、对抗性强所导致的敌机机动策略难以预测，以及作战胜率不高的问题，设计了一种引导Minimax-DDQN（Minimax-Double Deep Q-Network）算法。首先，在Minimax决策方法的基础上提出了一种引导式策略探索机制；然后，结合引导Minimax策略，以提升Q网络更新效率为出发点设计了一种DDQN（Double Deep Q-Network）算法；最后，提出进阶式三阶段的网络训练方法，通过不同决策模型间的对抗训练，获取更为优化的决策模型。实验结果表明，相较于Minimax-DQN（Minimax-DQN）、Minimax-DDQN等算法，所提算法追击直线目标的成功率提升了14%~60%，并且与DDQN算法的对抗胜率不低于60%。可见，与DDQN、Minimax-DDQN等算法相比，所提算法在高对抗的作战环境中具有更强的决策能力，适应性更好。

无线通信网络流量预测对运营商建设网络、管理基站无线资源和提升用户体验具有重要意义。然而，现有的集中式算法模型面临着复杂性和时效性问题，难以满足城市全域尺度的通信流量预测需求。因此，提出一个分布式的云边协同下的无线通信流量预测框架，以较低的复杂度和通信开销实现基于单栅格基站的流量预测。在分布式架构的基础上，提出了基于联邦学习的无线通信流量预测模型。各个栅格流量预测模型同步训练，通过中心云服务器利用JS（Jensen-Shannon）散度挑选出流量分布相似的栅格流量模型，并采用联邦平均（FedAvg）算法融合具有相似流量分布的栅格流量模型的参数，从而在提高模型泛化性的同时达到保持对本地流量精准刻画的目的。此外，由于城市范围内不同地区流量具有高度差异化的特征，在FedAvg的基础上，提出了基于合作博弈的联邦训练方法，将栅格作为合作博弈的参与者，结合超可加性准则筛选栅格，并引入合作博弈的核和夏普利值分配收益以确保联盟的稳定性，提高模型预测的准确性。实验结果表明，以短消息业务（SMS）流量为例，与栅格独立式训练相比，所提模型的预测误差下降在郊区最为明显，下降范围在26.1%~28.7%，在市区下降范围在0.7%~3.4%，在市中心下降范围在0.8%~4.7%；与栅格集中式训练相比，3个区域的模型预测误差下降范围在49.8%~79.1%。

针对数据维度过高、冗余信息过多导致维度灾难的问题，提出一种基于异同矩阵的高维属性约简算法（ARSDM）。该算法在区分矩阵的基础上加入对同类样本的相似度衡量，形成对所有样本的综合评估。首先，计算样本在每个属性下的距离，并基于这些距离得到同类相似度和异类差异度；其次，建立异同矩阵，形成对整个数据集的评价；最后，进行属性约简，即将异同矩阵的每一列求和，依次选择值最大的特征进行约简，并将相应样本对的行向量置为零向量。实验结果表明，与经典属性约简算法DMG（Discernibility Matrix based on Graph theory）、FFRS（Fitting Fuzzy Rough Sets）以及GBNRS（Granular Ball Neighborhood Rough Sets）相比，在分类回归树（CART）分类器下，ARSDM的平均分类准确率分别提高了1.07、6.48、8.92个百分点；在支持向量机（SVM）分类器下，ARSDM的平均分类准确率分别提高了1.96、11.96、12.39个百分点；运行效率上ARSDM优于GBNRS和FFRS。可见，ARSDM能够有效去除冗余信息，提高分类准确率。

视觉同步定位与建图（VSLAM）技术常常用于室内机器人的导航与感知，然而VSLAM的位姿估算方法是针对静态环境的，当场景中存在运动对象时，可能会导致定位和建图失败。针对此问题，提出了一个结合实例分割与聚类的VSLAM系统。所提系统使用实例分割网络生成场景中动态对象的概率掩膜，同时利用多视图几何的方法检测场景中的动态点，并将检测到的动态点与获得的概率掩膜匹配之后确定动态物体的精确动态掩膜；利用动态掩膜删除动态物体的特征点，然后利用剩余的静态特征点准确估计摄像机的位置。为了解决实例分割网络欠分割的问题，采用深度填充算法和聚类算法保证动态特征点完全删除。最后，重建图片被动态物体遮挡的背景，在正确的相机位姿下建立静态稠密点云地图。在公开的TUM（Technical University of Munich）数据集上的实验结果表明，在动态环境中，所提系统在保证实时性的同时能实现鲁棒的定位与建图。

现有证据推理方法模型结构固定、信息处理方式和推理机制单一，难以适用于集结了不确定、错误甚至缺失等多种不完备信息环境下的目标识别。针对该问题，提出了一种切换推理证据网络（SR-EN）方法。首先，考虑证据节点删除等情况构建多模板网络模型；然后，分析各证据变量与目标类型的条件关联性以建立针对不完备信息的推理规则库；最后，提出基于三种证据输入及修正方式的智能化时空融合推理方法。与传统的证据网络（EN）以及EN与优劣解距离法（TOPSIS）等两种信息修正方法的结合方法相比，SR-EN能够在确保推理时效性的同时实现在多类随机性不完备信息下对空中目标的连续准确识别。实验结果表明，通过对各类不完备信息的有效识别，SR-EN能够实现连续推理过程中证据处理方式、网络结构和节点间融合规则的自适应切换。

针对院前急救文本专业词汇丰富、特征稀疏和标签混淆程度大等问题，提出一种基于标签混淆模型（LCM）的文本分类模型。首先，利用BERT获得动态词向量并充分挖掘专业词汇的语义信息；然后，通过融合双向长短期记忆（BiLSTM）网络、加权卷积和注意力机制生成文本表示向量，提高模型的特征提取能力；最后，采用LCM获取文本与标签间的语义联系、标签与标签间的依赖关系，从而解决标签混淆程度大的问题。在院前急救文本和公开新闻文本数据集THUCNews上进行实验，所提模型的F1值分别达到了93.46%和97.08%，相较于TextCNN（Text Convolutional Neural Network）、BiLSTM、BiLSTM-Attention等模型分别提升了0.95%~7.01%和0.38%~2.00%。实验结果表明，所提模型能够获取专业词汇的语义信息，更加精准地提取文本特征，并能有效解决标签混淆程度大的问题，同时具有一定的泛化能力。

三维堆叠集成电路（3D SIC）结构复杂，相较于二维集成电路（2D IC），设计有效的测试结构以降低测试成本更加困难。为降低3D SIC的测试成本，提出一种基于线性反馈移位寄存器（LFSR）的能够有效适应3D SIC不同测试阶段的三维LFSR（3D-LFSR）测试结构。3D-LFSR结构能够在堆叠前独立进行测试；在堆叠后，复用堆叠前的测试结构，并重构为一个适合当前待测电路的测试结构，且重构后的测试结构能进一步降低测试成本。基于3D-LFSR结构，设计了测试数据处理方法和测试流程，并采用混合测试模式以降低测试时间。实验结果表明，相较于双LFSR结构，3D-LFSR结构的平均功耗降低了40.19%，平均面积开销降低了21.31%，测试数据压缩率提升了5.22个百分点；相较于串行测试模式，采用混合测试模式的平均测试时间减少了20.49%。

针对生理信号情感识别问题，提出一种基于图神经网络（GNN）和注意力的双模态情感识别方法。首先，使用GNN对脑电（EEG）信号进行分类；然后，使用基于注意力的双向长短期记忆（Bi-LSTM）网络对心电（ECG）信号进行分类；最后，通过Dempster-Shafer证据理论融合EGG和ECG分类结果，从而提高情感识别任务的综合性能。为验证所提方法的有效性，邀请20名受试者参与情感激发实验，并收集了受试者的EGG、ECG信号。实验结果表明，所提方法的二分类准确率在valence维度和arousal维度分别为91.82%和88.24%，相较于单模态EEG方法分别提高2.65%和0.40%，相较于单模态ECG方法分别提高19.79%和24.90%。可见，所提方法能够有效地提高情感识别的准确率，为医疗诊断等领域提供决策支持。

Prompt范式被广泛应用于零样本的自然语言处理（NLP）任务中，但是现有基于Prompt范式的零样本关系抽取（RE）模型存在答案空间映射难构造与模板选择依赖人工的问题，无法取得较好的效果。针对这些问题，提出一种融合多Prompt模板的零样本RE模型。首先，将零样本RE任务定义为掩码语言模型（MLM）任务，舍弃答案空间映射的构造，将模板输出的词与关系描述文本在词向量空间中进行比较，以此判断关系类别；其次，引入待抽取关系类别的描述文本的词性作为特征，学习该特征与各个模板之间的权重；最后，利用该权重融合多个模板输出的结果，以此减少人工选取的Prompt模板引起的性能损失。在FewRel（Few-shot Relation extraction dataset）和TACRED（Text Analysis Conference Relation Extraction Dataset）这两个数据集上的实验结果显示，与目前最优的模型RelationPrompt相比，所提模型在不同数据资源设置下，F1值分别提升了1.48~19.84个百分点和15.27~15.75个百分点。可见，所提模型在零样本RE任务上取得了显著的效果提升。

为保障配电网稳定运行，运行异常与处理措施的信息交互通常由操作员完成，但这种方式容易受操作员的主观性影响，出现处理措施与运行异常不匹配的情况，并且缺少对交互过程信息安全的保障。因此，提出一种基于区块链的配电网异常管理网络模型——异常管理区块链网络（EMBN），以及一种改进的配电网三道防线模型。首先，根据区块链防篡改和可追溯的特性，构建异常索引区块链（AIB），根据区块中的最新信息寻找合适的措施处理运行异常；其次，构建异常交互区块链（EIB）对运行异常和处理措施的交互过程进行监控，确保处理措施的实施；最后，将EMBN应用于传统配电网的三道防线，并结合智能合约实现配电网的自适应检测和异常应对。仿真结果表明，面对配电网的复杂环境，EMBN可以匹配处理措施与运行异常，不受操作员主观性的影响；相较于传统配电网，EMBN在信息交互的信息安全方面具有一定的优越性。

点云数据具有稀疏性、不规则性和置换不变性，缺乏拓扑信息，导致它的特征难以被提取，为此，提出一种孪生自适应图卷积算法（SAGCA）进行点云分类与分割。首先，构建特征关系图挖掘不规则、稀疏点云特征间的拓扑关系；其次，引入共享卷积学习权重的孪生构图思想，保证点云的置换不变性，使拓扑关系表达更准确；最后，采用整体、局部两种结合方式，将SAGCA与各种处理点云数据的深度学习网络相结合，增强网络的特征提取能力。分别在ScanObjectNN、ShapeNetPart和S3DIS数据集上进行分类、对象部件分割和场景语义分割实验的结果表明，相较于PointNet++基准网络，基于同样的数据集和评价标准，SAGCA分类实验的类别平均准确率（mAcc）提高了2.80个百分点，对象部件分割实验的总体类别平均交并比（IoU）提高了2.31个百分点，场景语义分割实验的类别平均交并比（mIoU）提高了2.40个百分点，说明SAGCA能有效增强网络的特征提取能力，适用于多种点云分类分割任务。

随着移动互联网行业进入快速发展阶段，用户数据以及浏览数据大幅增加，所以准确把握用户潜在需求和提高广告推荐效果显得极其重要。DeepFM模型作为目前较为先进的推荐方法，可以从原始特征中抽取到各种复杂度特征，但模型没有对数据进行防护。为了在DeepFM模型中实现隐私保护，提出一种基于差分隐私的DeepFM模型——DP-DeepFM，在模型训练过程中将高斯噪声加入Adam优化算法中，并进行梯度裁剪，防止加入噪声过大引发模型性能下降。在广告Criteo数据集上的实验结果表明，与DeepFM相比，DP-DeepFM的准确率仅下降了0.44个百分点，但它能提供差分隐私保护，更具安全性。

针对人体行为识别任务中未能充分挖掘超距关节点之间潜在关联的问题，以及使用多模态数据带来的高昂训练成本的问题，提出一种单模态条件下的多尺度特征融合人体行为识别方法。首先，将人体的原始骨架图进行全局特征关联，并利用粗尺度的全局特征捕获远距离关节点间的联系；其次，对全局特征关联图进行局部划分以得到融合了全局特征的互补子图（CSGF），利用细尺度特征建立强关联，并形成多尺度特征的互补；最后，将CSGF输入时空图卷积模块中提取特征，并聚合提取后的结果以输出最终的分类结果。实验结果表明，在行为识别权威数据集NTU RGB+D60上，所提方法的准确率分别为89.0%（X-sub）和94.2%（X-view）；在具有挑战性的大规模数据集NTU RGB+D120上，所提方法的准确率分别为83.3%（X-sub）和85.0%（X-setup），与单模态下的ST-TR（Spatial-Temporal TRansformer）相比，分别提升1.4和0.9个百分点，与轻量级SGN（Semantics-Guided Network）相比，分别提升4.1和3.5个百分点。可见，所提方法能够充分挖掘多尺度特征的协同互补性，并有效提高单模态条件下模型的识别准确率和训练效率。

随着物联网（IoT）的快速发展，大量在传感器等边缘场景产生的数据需要传输至云节点处理，这带来了极大的传输成本和处理时延，而云边协同为这些问题提供了有效的解决方案。首先，在全面调查和分析云边协同发展过程的基础上，结合当前云边智能协同中的研究思路与进展，重点分析和讨论了云边架构中的数据采集与分析、计算迁移技术以及基于模型的智能优化技术；其次，分别从边缘端和云端深入分析了各种技术在云边智能协同中的作用及应用，并探讨了云边智能协同技术在现实中的应用场景；最后，指出了云边智能协同目前存在的挑战及未来的发展方向。

针对物联网（IoT）系统中海量数据存储成本大、数据溯源验证效率低等问题，提出一种基于Merkle山脉（MMR）的可信数据溯源方法MMRBCV。首先，利用IPFS存储IoT数据；其次，采用联盟链和私有链来设计一种双链结构，从而实现数据流转过程的可靠记录；最后，基于MMR设计区块结构，以实现轻量级IoT节点在数据溯源过程中的快速验证。实验结果表明，MMRBCV减少了数据溯源时所下载的数据量，且数据验证时间与MMR结构有关，当MMR可以组成一个完美二叉树时数据验证时间较短。当区块高度为200 000时，MMRBCV的最大验证时间约为10 ms，比SPV的最大验证时间（约为36 ms）缩短了约72%，可见所提方法有效提高了验证效率。

针对现有代码混淆仅限于某一特定编程语言或某一平台，并不具有广泛性和通用性，以及控制流混淆和数据混淆会引入额外开销的问题，提出一种基于底层虚拟机（LLVM）的标识符混淆方法。该方法实现了4种标识符混淆算法，包括随机标识符算法、重载归纳算法、异常标识符算法以及高频词替换算法，同时结合这些算法，设计新的混合混淆算法。所提混淆方法首先在前端编译得到的中间文件中候选出符合混淆条件的函数名，然后使用具体的混淆算法对这些函数名进行处理，最后使用具体的编译后端将混淆后的文件转换为二进制文件。基于LLVM的标识符混淆方法适用于LLVM支持的语言，不影响程序正常功能，且针对不同的编程语言，时间开销在20%内，空间开销几乎无增加；同时程序的平均混淆比率在77.5%，且相较于单一的替换算法和重载算法，提出的混合标识符算法理论分析上可以提供更强的隐蔽性。实验结果表明，所提方法具有性能开销小、隐蔽性强、通用性广的特点。

为了增强云数据存储的完整性和安全性，在无线传感器网络（WSN）中，提出一种基于混合算法区块链的数据存储方案，以及一种集成身份验证和隐私保护的去中心化框架。首先，簇头将采集到的信息传递至基站，而基站在分布式区块链上记录所有关键参数，并传递至云端存储。然后，为了获得更高的安全等级，合并椭圆曲线加密（ECC）的160位密钥与高级加密标准（AES）的128位密钥，并在云存储层之间进行密钥对交换。基于混合算法的区块链结合身份验证方案可以很好地保证云数据的安全性存储，因此所提方案在安全性方面较为优秀。此外，恶意节点可通过基站从区块链中直接移除并撤销认证，方便快捷。仿真结果表明，与去中心化的区块链信息管理（BIM）方案、基于信任和分布式区块链评估的安全定位（DBE）算法和利用密钥衍生加密和数据分析（KDE-DA）管理方案相比，所提方案在延迟、吞吐量、计算开销方面具有一定的优越性。

在云终端用户资源受限的场景中，传统属性基加密方案中存在着计算开销大以及不能实现实时撤销的不足。为了实现云端数据安全高效的共享，提出了一种基于椭圆曲线加密（ECC）算法且支持细粒度撤销的属性基加密方案。该方案使用计算较轻量级的椭圆曲线上的标量乘法代替传统属性基加密方案中计算开销较大的双线性配对，以降低系统中用户在解密时的计算开销，提高系统的效率，使方案更适用于资源受限的云终端用户场景。利用表达能力更强和计算更高效的有序二元决策图（OBDD）结构来描述用户定义的访问策略，以减少嵌入密文中的冗余属性来缩短密文长度。为每个属性建立一个由拥有该属性用户组成的属性组，并为组内每个成员生成唯一的用户属性组密钥。当发生属性撤销时，利用最小子集覆盖技术为组内剩余成员生成新的属性组，实现实时的细粒度属性撤销。安全分析表明，所提方案具有选择明文攻击不可区分性、前向安全性和后向安全性；性能分析表明，所提方案在访问结构表达和计算能力上优于（t，n）门限秘密共享方案和线性秘密共享方案（LSSS），其解密计算效率满足资源受限的云终端用户的需求。

针对司法领域标记数据匮乏、标注质量不高、存在强逻辑性导致裁判文书量刑情节识别效果不佳的问题，提出一种基于反绎学习的量刑情节识别模型ABL-CON。首先结合神经网络与领域逻辑推理，通过半监督学习方法，使用置信学习方法表征情节识别置信度；然后修正无标签数据经过神经网络产生的不合逻辑的错误情节，重新训练识别模型，以提高识别精度。在自构建的司法数据集上的实验结果表明，使用50%标注数据与50%无标注数据的ABL-CON模型在Macro_F1值和Micro_F1值上分别达到了90.35%和90.58%，优于同样条件下的BERT和SS-ABL，也超越了使用100%标注数据的BERT模型。ABL-CON模型通过逻辑反绎修正不符合逻辑的标签能够有效提高标签的逻辑合理性以及标签的识别能力。

为提高突然事件引起的级联故障对航空网络破坏程度的评估可信性，考虑到机场节点对负载的冗余能力，即如果在一定的空间范围内出现过载，节点不会立即失效，而是具备一定的超额负载处置能力，提出一种考虑过载状态和失效概率的航空网络级联故障模型。该模型首先在传统的“负载-容量”Motter-Lai级联故障模型中增加了过载系数、权重系数、分布系数和容量系数，其次以过载状态和失效概率来描述网络节点的冗余容量特性，并对失效节点和过载节点采用不同的负载重分配策略，使模型更贴合航空网络实际。理论分析和仿真结果表明：在一定范围内提升过载系数有助于降低级联故障的影响，然而提升到一定程度后改善效果不明显；模型中的各参数存在最优区间，可以使航空网络保持较好鲁棒性的同时，花费较小的构建成本，据此对航空网络资源进行优化配置，可以提升网络对级联故障的抵御能力。

为解决服务车辆与乘客间的供需不平衡问题，提升服务车辆的运营效率和利润，同时降低乘客等待时间并改善其对服务平台的满意度，针对差异化结构的多维时空数据，提出一种深度聚合神经网络（DANN）模型用于对网约车需求进行预测。首先，通过综合考虑时间、空间和外部环境等多维影响因素，提出了基于周期的时空变量和基于图像点值的空间变量划分方法；其次，依据数据特点构建了不同的子神经网络结构来分别拟合时间变量、空间变量和环境变量与需求间的非线性关系；然后，提出了多种异类子神经网络的聚合方法以同时捕捉不同结构时空数据的隐含特征；最后，分析了聚合权重的设置方法以获得网络模型的最优性能。实验结果表明，在三个真实数据集上所提模型的R²平均误差仅为9.36%，与卷积长短时记忆网络（FCL-Net）和混合深度学习神经网络（HDLN-Net）模型相比，所提模型的R²分别平均提升了4.6%和5.22%，均方误差（MSE）分别平均降低了27.01%和26.6%。因此，DANN在实际应用中能较大幅度地提升需求预测的准确性，可以作为网约车需求预测的有效手段。

集成重采样技术可以在一定程度上解决财务预警研究中样本的不平衡性难题，而不同的集成模型与不同的重采样集成技术有不同的适配性。研究发现，Up-Down集成采样与Tomek-Smote集成采样分别适配于Bagging-Vote集成模型和Stacking融合模型。基于此，构建了Stacking-Bagging-Vote （SBV）多源信息融合模型。首先，将基于Up-Down集成采样的Bagging-Vote模型与基于Tomek-Smote采样的Stacking模型进行融合；然后，加入股票的交易数据，并对该数据用卡尔曼滤波进行处理，从而形成数据层次和模型层次的交互式融合优化；最终，得到SBV多源信息融合模型。该融合模型不仅在预测性能上有了较大的提升，能较好地兼顾模型的预测准确度和预测精确率，并且可以根据利益相关者的实际需要，通过调整模型参数，来选择对应的SBV多源信息融合模型进行财务预警预测。

针对目前工业中的气门识别方法存在重叠目标漏检率高、检测精度较低、目标包裹度差、圆心定位不准的问题，提出了一种基于双重检测的气门识别方法。首先，运用数据增强对样本进行轻量扩充；其次，以深度卷积网络为基础，加入空间金字塔池化层（SPP）和路径聚合网络（PAN），同时调整先验框，改进损失函数，从而提取气门预测框；最后，以霍夫圆变换（CHT）方法对预测框中的气门进行二次识别，从而达到精准识别气门区域的目的。把所提方法和原YOLOv3、YOLOv4、传统CHT方法进行对比，并采用精确率、召回率、交并比联合进行检测效果评估。实验结果表明，所提出的方法在检测精度和召回率上分别达到了97.1%和94.4%，相较原YOLOv3方法分别提高了2.9个百分点和1.8个百分点；且该方法使目标包裹度更好，目标中心点的定位更准确，其矫正框和真实框的交并比（IOU）达到了0.95，与传统CHT方法相比提高了0.05。所提方法在提高模型识别准确率的同时提高了目标抓取的成功率，在实际应用中有一定的实用价值。

针对现有加密图像可逆信息隐藏（RDHEI）方法存在的隐藏容量低、解密标记图像质量差的问题，提出了一种新的基于高阶位平面冗余的RDHEI方法。首先，通过Logistic映射对原始图像进行分块加密，并保留块内像素高阶位平面的冗余；其次，依据块内高阶位和低阶位个数是否相同的规则将加密后的图像块分为可嵌入块和不可嵌入块，并在可嵌入块中使用像素低阶位的值替换对应的高阶位值，从而实现高阶位平面冗余向低阶位平面的转移；最后，利用块内低阶位平面中腾出的嵌入空间来嵌入机密信息。在这之后，接收者利用密钥实现数据提取、图像解密和图像无损恢复的操作。在使用USC-SIPI标准图像库中的6幅图像进行的仿真实验中，在高阶位平面数等于3时，所提方法的图像的平均嵌入率为1.73 bpp，直接解密后的标记图像的平均峰值信噪比（PSNR）为47.20 dB。实验结果表明，该方法不仅提高了加密图像的信息嵌入量，而且提高了直接解密后的标记图像的PSNR值。