针对浅层神经网络面对温室复杂多变环境因子表征能力低、学习时间长的问题，提出一种基于改进深度信念网络并结合经验模态分解与门控循环单元的温室预测方法。首先，通过经验模态分解将温度环境因子进行信号分解，之后将分解出来的固有模态函数与残差信号进行不同程度的预测；然后，引入神经胶质改进深度信念网络，并将分解信号结合光照和二氧化碳进行多属性的特征提取；最后，将门控循环单元预测的信号分量相加获得最终的预测结果。仿真实验结果表明，与经验模态分解-深度信念网络（EMD-DBN）和深度信念网络-神经胶质链（DBN-g）相比，所提方法的预测误差分别降低了6.25%和5.36%，验证了其在强噪声、强耦合的温室时序环境下预测的有效性和可行性。

密度峰值聚类（DP）算法是一种新的基于密度的聚类算法，当它处理的单个聚类包含多个密度峰值时，会将每个不同密度峰值视为潜在聚类中心，以致难以在数据集中确定正确数量聚类，为此，提出一种混合的密度峰值聚类算法C-DP。首先，以密度峰值点为初始聚类中心将数据集划分为子簇；然后，借鉴代表点层次聚类算法（CURE），从子簇中选取分散的代表点，将拥有最小距离的代表点对的类进行合并，引入参数收缩因子以控制类的形状。仿真实验结果表明，在4个合成数据集上C-DP算法比DP算法聚类效果更好；在真实数据集上的Rand Index指标对比表明，在数据集S1上，C-DP算法比DP算法性能提高了2.32%，在数据集4k2_far上，C-DP算法比DP算法性能提高了1.13%。由此可见，C-DP算法在单个类簇中包含多密度峰值的数据集中能提高聚类的准确性。

针对目前分类算法对降水预测过程存在着泛化能力低、精度不足的问题，提出改进Adaboost算法集成反向传播（BP）神经网络组合分类模型。该模型通过构造多个神经网络弱分类器，赋予弱分类器权值，将其线性组合为强分类器。改进后的Adaboost算法以最优化归一化因子为目标，在提升过程中调整样本权值更新策略，以此达到最小化归一化因子的目的，从而确保增加弱分类器个数的同时降低误差上界估计，通过最终集成的强分类器来提高模型的泛化能力和分类精度。选取江苏境内6个站点的逐日气象资料作为实验数据，建立7个降水等级的预报模型，从对降雨量有影响的众多因素中，选取12个与降水相关性较大的属性作为预报因子。通过多次实验统计，结果表明基于改进的Adaboost-BP组合模型具有较好的性能，尤其对58259站点的适应性较好，总体分类精度达到81%，在7个等级中，对0级降雨的预测精度最好，对其他等级的降雨预测有不同程度的精度提升，理论推导及实验结果证明该种改进可以提高预测精度。

针对气象观测数据采集目的性弱、数据冗余度较高以及观测数据区间化中单值较多、等价类划分精度低的问题，提出一种基于遗传算法的气象观测数据区间值属性约简算法（MOIvGA）。首先，通过改进区间值相似度，使其能够同时适用于单值等价关系判断和区间值相似度分析；其次，通过改进自适应遗传算法，提高其收敛性；最后，通过仿真实验证明，相对于运行自适应遗传属性约简（AGAv）算法求解最优值，所提算法迭代代数减少了22代；在区间长度为1 h降水分类中，基于依赖度的区间值决策表λ-约简（MOIvGA）平均分类准确率比RIvD算法提高了6.3%，对无雨的预测准确率提高了7.13%；同时约简后的属性子集显著提高了分类准确率。由此可见，MOIvGA在区间值气象观测数据分析中能够提高收敛速度以及分类准确率。

针对JavaScript浏览器兼容性问题缺乏有效的测试方法的问题，基于变异测试技术，对Web应用程序中的JavaScript语言在主流浏览器中的兼容性进行了分析，设计了18个针对浏览器兼容性错误的变异算子并开发了自动化的测试工具Compatibility Mutator。该程序使用抽象语法树（AST）分析JavaScript语法，使用Selenium WebDriver自动调用多个浏览器核心并行执行变异测试。通过对7个广泛使用的JavaScript框架的实验，验证了此方法对每一个框架都能够生成一定数量的变异体，其中对jQuery和YUI框架的变异测试的变异得分分别为43.06%和7.69%，表明了所设计的变异算子能够触发浏览器兼容性方面的错误，并且能够评估测试用例集的完备性。

由于无线气象传感网具有资源受限及分布式等特点，传感器节点的故障诊断面临着很大挑战。针对现有诊断方法误报率高、计算冗余量大的问题，提出了一种基于累积和控制图（CUSUM）与邻居协作融合的故障诊断方法。首先，通过累积和控制图分析传感器节点上的历史数据，提高对节点故障判断的灵敏度并且定位出异常时间点；然后，结合网络内邻居节点间的数据交换，通过判断节点的状态诊断出故障节点。实验结果表明，即使在整个网络中在节点故障率高达35%时，算法检测精度仍然高于97.7%，而误报率不超过2%。由此可见，在节点故障概率很高的情况下，此所提法也能得到很高的检测精度和较低的误报率，受节点故障率的影响明显减小。

针对无线气象传感网内由于节点数量大、感知数据冗余度高而导致节点通信耗能过高的问题，提出了数据联合稀疏预处理模型，利用监测区域气象要素预报值和各簇头要素值计算出一个全网公共分量并对网内数据进行预处理。将分布式压缩感知应用于簇型传感网中，对各节点感知数据进行压缩观测，在汇聚节点进行数据重构，从根本上降低节点通信量，均衡负载；同时设计了一个基于公共分量异常数据稀疏方法。仿真实验中，相对于单独使用压缩感知，数据联合稀疏预处理模型能够有效利用数据时空相关性提高数据稀疏度，压缩性能提高了25%，重构性能提高46%；同时，异常数据处理方案能够以96%的高概率恢复异常数据。因此，该数据预处理模型能够提高数据重构效率，有效降低网内数据通信量，延长网络寿命。

由于温度、光照等物理属性的时空连续性，密集部署的传感器网络中节点感知的数据往往具有很高的时空相关性。这种数据相关性产生的数据冗余会带来通信负担，也会缩短网络的生命周期。提出一种基于预测模型的簇型数据收集机制 (CDCF)，探索数据相关性，减少无线传感器网络的通信量。该机制包括一种基于曲线拟合最小二乘法的时间序列预测模型和简单有效的误差控制方法。在数据收集过程中，簇型结构考虑到了数据间的空间相关性,时间序列预测模型探讨数据的时间相关性。实验仿真表明，在较为稳定的网络环境中，相对于收集原始数据，该机制只需10%~20%的通信量就可完成整个网络的数据收集任务；数据误差控制方法可以确保基站恢复数据的误差控制在用户定义的误差范围之内。