针对传统基于注意力机制的神经网络不能联合关注局部特征和旋转不变特征的问题，提出一种基于多分支神经网络模型的弱监督细粒度图像分类方法。首先，用轻量级类激活图(CAM)网络定位有潜在语义信息的局部区域，设计可变形卷积的残差网络ResNet-50和旋转不变编码的方向响应网络(ORN)；其次，利用预训练模型分别初始化特征网络，并输入原图和以上局部区域分别对模型进行微调；最后，组合三个分支内损失和分支间损失优化整个网络，对测试集进行分类预测。所提方法在CUB-200-2011和FGVC_Aircraft数据集上的分类准确率分别达到87.7%和90.8%，与多注意力卷积神经网络(MA-CNN)方法相比，分别提高了1.2个百分点和0.9个百分点；在Aircraft_2数据集上的分类准确率达到91.8%，比ResNet-50网络提高了4.1个百分点。实验结果表明，所提方法有效提高了弱监督细粒度图像分类的准确率。

针对智能电网相量测量设备竞争使用有限的网络通信资源时，会因资源分配不均而导致数据包延时或丢失，进而影响电力系统状态估计的精度这一问题，提出了一种采样感知加权循环（SAWRR）调度算法。首先根据电网相量测量单元（PMU）采样频率和数据包大小的特性，提出了基于PMU业务流均方差的权重定义方法；然后设计了相应的PMU采样感知迭代循环调度算法；最后将该算法运用到PMU采样传输模型中。该算法能自适应地感知PMU的采样变化，及时调整数据包的传输。仿真结果表明，与原始的加权循环调度算法相比，SAWRR算法减少了95%的PMU采样数据包的调度时延，降低了一半的丢包率，增加了两倍的吞吐量。将SAWRR算法运用到PMU数据传输中有利于保证智能电网的稳定性。

为了增大各成员间的差异度以改善集成系统的性能，提出了一种基于成员间相似性选择的集成极端学习机(ELM)。首先，筛选出分类性能较高的备选极端学习机；其次，根据成员间的相似性运用微粒群算法(PSO)进一步选出最优的集成成员集合。通过选出相似度低的极端学习机来提高集成成员间差异度，从而有效提高集成系统的分类能力。选出的成员学习机在不同的集成规则下都具有良好性能。在四个UCI数据集上的实验结果表明，与经典的集成极端学习机相比，基于成员相似性选择的集成极端学习机具有更优的泛化性能和稳定性。

提出一种新的用户访问模式增量式聚类算法：首先引入一种新的用户兴趣表示方法构造用户访问特征对象，再基于蚁群聚类的基本思想，利用人工蚂蚁依相邻区域对象相似性拾起或放下对象实现聚类；然后使用一种类解体机制，随着用户兴趣度的变化而形成新的类别，从而实现增量式聚类更新发现用户新的访问兴趣。实验结果表明，该方法能动态有效地实现增量式聚类。