为了提高短期电力负荷预测精度，首次提出多算法多模型与在线第二次学习结合的预测方法。首先，利用互信息方法和统计方法对输入变量进行选择；然后，通过Bootstrap方法对数据集进行多样性采样，利用多个不同的人工智能算法和机器学习算法训练得到多个差异化较大的异构预测模型；最后，用每个待预测时刻最近一段时间的实际负荷值、第一次学习生成的多异构预测模型的负荷预测值构成新训练数据集，对新训练数据集进行在线第二次学习，得到最终预测结果。对中国广州市负荷进行预测研究，与最优单模型、单算法多模型和多算法单模型相比，在每日总负荷预测中，全年平均绝对百分误差（MAPE）分别下降了21.07%、7.64%和5.00%，在每日峰值负荷预测中，全年MAPE分别下降了16.02%、7.60%和13.14%。实验结果表明，推荐方法有效地提高了负荷预测精度，有利于智能电网实现节能降耗、调度精细化管理和电网安全预警。

为了在复杂混沌噪声背景中快速准确提取有用信号,提出基于复杂非线性系统相空间重构理论,采用改进极限学习机(ELM)预测单步误差检测微弱信号的方法。采用改进K均值聚类算法选择最优族作训练集,改进极限学习机选择权值和偏置的方法进一步提高检测的精度和速度,采用Lorenz系统建立了混沌噪声序列的一步预测模型,从预测误差中检测湮没在混沌噪声中的微弱目标信号(包括周期信号和瞬态信号),然后使用加拿大Mc Master大学IPIX雷达数据,在海杂波噪声中提取漂浮物信号作为实验研究。结果表明该方法能够有效检测混沌背景噪声中极微弱信号,同时抑制噪声对混沌背景信号的影响,与径向基函数(RBF)神经网络等传统算法相比,预测精度提升了25%,检测门限提高了-5 dB,同时训练用时减少77.1 s,在实际应用中具有更明显优势。

TCP协议固有的三次握手过程（3WHS）和TIME_WAIT状态等特性使其在处理连接持续时间短，通信数据少的连接时效率不高，限制了其在嵌入式系统中的应用。结合嵌入式系统的特点详细分析了这些限制，提出在嵌入式系统中引入T/TCP协议来解决这些问题，并在VxWorks系统中实现了T/TCP协议。实验结表明，T/TCP协议在嵌入式系统中比TCP协议有更好的性能表现。

交通管理信息服务中需要高效的索引方法来管理移动对象。针对这一需求，提出了一种基于道路分布的移动对象动态组合索引结构。在此结构的基础上，采用了自底向上的动态更新算法和路段连接方法，提高了移动对象的更新和访问效率。通过实验验证了该组合索引具有更优的更新和查询性能。