为了缓解车联网中个体车辆计算资源配置过低而导致的任务处理时延较大的问题，提出了一种移动边缘计算(mobile edge computing, MEC)架构下的动态任务卸载策略和资源分配方案。以最小化全网任务处理时延为目标，将车联网中的任务卸载和资源分配问题建模为马尔可夫决策过程(Markov decision process, MDP),并利用深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法进行了问题求解。仿真结果表明，与执行者-评价者(actor-critic, AC)和深度Q网络(deep Q-network, DQN)这2种算法相比，DDPG算法以最快的算法收敛特性获得最小的全网任务处理时延。

针对基于位置服务中移动终端用户位置隐私保护存在时空关联和背景知识攻击的问题，提出一种分配查询的k-匿名位置隐私保护方案。基于查询概率和欧氏距离，在相邻网格区域内筛选假位置，合并真实用户位置形成k-匿名；通过兴趣点语义四叉树为假位置分配合理的查询，从时间、位置及查询3个维度提升用户被识别的不确定性，从而增强用户隐私度。安全性分析表明，提出的方案满足匿名性、不可伪造性和抵抗查询服务跟踪等安全特性。仿真实验表明，提出的方案具有较高的隐私保护度和效率以及较低的通信开销。

随着人工智能的快速发展，大模型已逐渐发挥其关键作用，成为驱动企业数字化转型的重要力量。主要探寻了大模型崛起引发的众多变革，回溯了人工智能的发展轨迹，分析了自建基础大模型所面临的挑战，强调引入基础大模型提供方需要与垂直行业企业联手，合作开发行业大模型。针对中小型企业在开发行业大模型时所面临的困扰，提出“模型即服务”及其相关工具链可以通过协助微调形成专有企业模型的观点；探讨了大模型兴起对云服务产生的变革；对云网协同、算网融合以及人工智能加速数智化发展进行了深入分析。在数字经济时代的背景下，进一步分析了人工智能如何赋能新一代信息技术创新。目前正处于国际经济发展调整期、信息化向数字化的演进期及网络技术创新的加速期，大宽带、大连接、大数据、大平台、大模型、大智能正在快速地融合发展。

癫痫脑电的分类识别能够为癫痫的预警和病程的发展监测提供强有力的技术支持。传统的癫痫脑电分类识别方法需要从较长的时间序列中提取特征，难以刻画大脑的瞬态变化，检测低效且耗时，降低了癫痫预警的有效性。针对上述问题，提出一种基于隐马尔科夫模型的癫痫脑电分类算法。该方法通过时延嵌入式隐马尔科夫模型(time-delay embedded hidden Markov model, TDE-HMM)对脑电进行状态估计，并提取状态序列中的状态切换特征，通过多层感知机(multiple layer perceptron, MLP)实现对不同癫痫发作阶段脑电的有效辨识。实验结果表明，相较于小波变换、微分熵等传统特征，所提方法准确率高，能够有效刻画癫痫不同阶段的大脑状态变化，为癫痫脑电的分类识别和状态分析提供了新的备选方案。

星地一体化网络中引入软件定义网络(software defined network, SDN)可以解决网络管理、信息交互等问题。由于网络结构异构、网络拓扑动态，链路时变、节点容量有限等特点，使得控制器和卫星网关的部署问题日益凸显，不同的控制器和卫星网关的部署方案会产生不同的网络性能。针对星地一体化网络异构性和时变性导致的传播时延增大问题，提出了一种控制器和网关的联合部署方案，以网络时延和部署成本为目标建立部署模型，利用基于K-means的模拟退火算法求得控制器与网关最佳部署位置，提出利用可靠性划分时间片屏蔽卫星网络动态性，并以可靠性为约束，通过最短路径算法对不同时间片的交换机与控制器关系进行重分配，进一步降低了时延。用实际的卫星星座评估部署方案的性能，结果表明，所提出的部署方案在减少时延和成本方面优于现有方法，并且保证了网络可靠性。

针对现有移动群智感知(mobile crowd sensing, MCS)面临的隐私泄露问题，引入一种混合式区块链架构来构建系统，实现MCS的去中心化，并通过私有区块链保护工人隐私记录。采用无证书签密实现用户数据传输过程中的机密性和完整性，保证用户信息的安全性。为了降低位置隐私暴露的风险，提出一种基于网格混淆的位置隐私保护方案(location privacy protection scheme based on grid obfuscation, LPPSGO)。该方案通过H3索引系统划分多精度六边形网格，实现工人位置的空间隐匿，工人可以根据个性化隐私需求扰动自身位置，无须担心真实位置的暴露。仿真实验结果表明，LPPSGO能有效提高MCS系统的任务分配成功率，减少时间开销，与其他位置保护方案相比，安全性更强，覆盖性能更好。

针对X光安检图像存在的违禁物品重叠和背景复杂等问题，提出了一种基于YOLOv7改进的X光安检图像违禁物品检测算法。在模型颈部网络中构建注意力特征融合模块，分别添加空间注意力和通道注意力挖掘浅层细节特征和深层语义特征，减少噪音信息冗余，降低有效特征丢失；重新设计WHIoU Loss替换CIoU Loss作为新的边界框损失函数，确保在预测框与真实边界框的宽高呈现相同线性比例关系的情况下，宽高比惩罚函数仍然具有约束效果，提升收敛速度和精度。在SIXray数据集上的实验结果表明，算法在mAP50、mAP50:95上分别提高了2%和4.5%,同时检测速度也达到了58 FPS。

针对非洲秃鹫优化算法(African vulture optimization algorithm, AVOA)在开发能力与探索能力之间存在的失衡问题，提出了一种多策略改进的非洲秃鹫优化算法(improved African vulture optimization algorithm, IAVOA)。采用佳点集初始化种群以增强多样性，引入混合对立学习以强化开发与探索，实施自适应信任度策略以动态调整搜索过程，应用高斯变异来进一步平衡算法的开发和探索能力。仿真结果显示，在12个典型测试函数上，IAVOA相较于对比算法，在收敛速度、求解精度和稳定性方面均显著提升。提出了IAVOA-FCM算法用于小样本数据集的脑磁共振成像(magnetic resonance imaging, MRI)图像分割，通过IAVOA算法强大的全局寻优能力对FCM算法进行优化。在脑MRI图像分割实验中，与其他5种先进的结合算法相比，IAVOA-FCM在分割精度、稳定性等方面均表现出显著优势。

为提高被噪声干扰的语音的可理解性和语音质量，针对用于语音增强的深度复数网络对语音复数谱中关键声学特征提取不充分、关联信息建模不合理的问题，提出了基于多维度注意力机制和复数Conformer的单通道语音增强方法(SE-MDACC)。在复数U-Net架构下引入复数Conformer,对语音幅度和相位的相关性进行建模；利用多维度注意力机制，构造更加丰富的特征来增强卷积层的表示能力；在残差连接中加入注意力门控机制强化重构语音的细节信息。实验结果显示，相比于深度复数卷积递归网络，SE-MDACC的客观评价指标语音质量感知评估和短时客观可懂度分别提升15.299%、1.462%,表明SE-MDACC可充分提取语音声学特征并对幅度和相位相关性进行合理建模，有效提升语音质量和可理解性。

针对宽带太赫兹大规模多输入多输出(multiple input multiple output, MIMO)通信系统中更大的带宽和更多的天线导致的波束分裂问题，构建了基于时延的宽带太赫兹大规模MIMO系统的混合预编码通信模型，并提出了一种高效且可实现的联合时延和相位的宽带太赫兹混合预编码算法。考虑到时延器值的硬件限制，通过最小化最优模拟预编码与等效模拟预编码之间的差来联合优化模拟预编码矩阵和数字预编码矩阵，将联合优化问题转换成目标优化问题，通过将非凸问题转换成等价的凸问题来求全局最优解。仿真结果表明，提出的算法可以获得接近最优的可实现速率性能，且可以提高能量效率。

有效的特征交互，对于工业推荐系统中点击通过率(click-through-rate, CTR)预估的准确性起着至关重要的作用。以往并行结构的CTR预估模型通过将独立的浅层模型和深层模型并行连接，以此来学习特征的低阶交互和高阶交互。但是，这些模型存在浅层模型准确性低、未考虑特征交互时的多语义问题、参数过多、深层模型过度泛化等问题。基于上述问题，提出了一种基于域矩阵因子分解机的点击通过率预估增强网络，通过引入域矩阵优化浅层模型中的交互，提高运算效率，并在深层模型的DNN层与层之间增加了桥接模块，在每层高阶交互后增强对原始特征的记忆能力，将浅层模型和深层模型的结果相加并归一化得到预测值。该模型在Criteo、KKBox、Frappe和MovieLens数据集上进行了大量实验，展现了优秀的预测能力。

半导体质量检测数据具有的“相关性、冗余性、不平衡性”等特点，导致传统的分类算法效率较低，为此，提出一种基于特征提取及数据扩充的GA-LightGBM(genetic algorithm-light gradient boosting machine)质量检测方法。通过结合主成分分析(principal component analysis, PCA)、合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)、遗传算法和LightGBM这4种方法，实现对产品质量的有效识别。实验结果表明，相较于传统分类算法，提出的方法可以有效提升质量检测的效率。

针对雷达信号中的杂波干扰及样本数量对人体动作识别精度的限制，提出一种基于改进粒子群算法(particle swarm optimization, PSO)优化支持向量机(support vector machine, SVM)模型的超宽带(ultra-wideband, UWB)雷达人体动作识别算法。利用动态目标指示(moving target indication, MTI)与小波阈值滤波对接收到的UWB回波信号进行预处理，消除回波信号中的杂波和噪声对人体动作识别的影响；结合二维离散小波包分解(two dimensional discrete wavelet packet decomposition, 2D-DWPD)与奇异值分解(singular value decomposition, SVD),对预处理后的雷达信号进行特征提取和降维；提出一种改进粒子群算法，优化SVM模型的相关参数进行识别和分类。实验结果表明，提出的算法准确率可达到96.25%,具有良好的识别性能。

基于生成对抗网络(generative adversarial networks, GAN)的数据生成特性，提出一种用于信道特征生成的GAN改进模型，即信道特征生成对抗网络(channel feature generative adversarial networks, CFGAN)。采用完全无监督学习信道特征方式，利用线性编码向量与生成信道之间的互信息关系和变分互信息最大化原理，实现编码向量与信道特征对应；采用实测室内电力线信道数据集训练CFGAN模型，训练完成的CFGAN能够学习到不同信道特征分布。仿真表明，在-80～-10 dB大动态衰减范围内，CFGAN可根据学习到的信道特征生成具有明显区别的4类信道模型，并且生成信道和实测信道的信道特征差异小于2%。

为了提高荷电状态(state-of-charge, SOC)估计精度，提出一种基于元素注意门的电池荷电状态递归神经网络，为输入向量的每个特征元素分配不同的重要程度，验证并分析不同神经元数量和隐藏层层数下的测试结果，利用确定的最优参数设置进行不同温度下的电池SOC估算，在不同电池特征参数下对SOC估计任务的重要性进行可视化分析。相同数据集的SOC估计精度表明，提出的网络模型在SOC估计任务中精度有明显提升。

针对分布式电源接入配电网影响系统电压分布和潮流分析、造成系统电能质量下降的问题，建立系统优化模型，对系统电压、潮流进行分析与优化，提出含分布式电源的配电网多时段线性化二阶锥松弛优化算法。对分布式电源接入的配电网进行潮流分析，建立分布式配电网最优潮流优化模型；对分布式配电网潮流优化模型进行简化处理，针对潮流分析中非凸非线性，提出多时段二阶锥松弛优化算法；针对电容器组、有载调压变压器的非凸非线性问题，进行分段线性化处理。仿真结果表明，提出的算法能合理调度有载调压变压器、电容器组和分布电源的出力，有效降低网损，减小电网电压偏差。

为提高蜂窝通信系统的上行总吞吐量，在满足用户服务质量需求的前提下，提出了一种基于稀疏码多址接入(sparse code multiple access, SCMA)的无人机中继辅助上行通信方案，通过部署无人机增强网络覆盖，并利用SCMA提高系统传输性能。根据用户的分布和概率视距传输模型，通过交替优化码本、功率和无人机坐标，确定无人机的3维部署位置；进行资源优化后，根据信道状态信息，对子载波进行配对并迭代码本、功率，以获得优化的码本和功率分配方案。仿真结果表明，提出的方案能够有效提高上行吞吐量，并满足用户的服务质量需求。

针对车路协同系统(cooperative vehicle infrastructure system, CVIS)中排队时延和功率间的平衡问题，提出一种联合队列年龄和信道感知的概率调度(joint age of queue and channel aware probabilistic scheduling, JAQCA-PS)策略，在给定功率约束下实现平均排队时延最小化。提出的策略设计了队列年龄(age of queue, AoQ)信息作为调度参数之一，并联合包到达信息、块衰落信道的状态信息建立跨层调度模型，将最小化平均排队时延问题表述为约束马尔可夫决策过程(constrained Markov decision process, CMDP);通过将非线性问题转化为等效的线性规划(linear programming, LP)问题求解，得到了JAQCA-PS策略下最优传输参数和最优排队时延-功率平衡的数值结果；经蒙特卡洛模拟验证了结果的准确性。

针对现有星间路由策略难以实现天地一体化网络（space-ground integrated information-centric network, SGI²CN）中卫星拓扑高动态变化情况下多源内容高效传输的问题，提出面向多源内容的分域星间路由机制（area-divided-based inter-satellite routing mechanism, ADISR）。根据给定区域划分原则，构建基于虚拟节点的卫星网络模型。对于域内路由，根据内容源位置和缓存更新，采用基于链路状态最短路径算法和状态更新算法实现域内动态路由；对于域间路由，通过综合考虑节点和链路状态提出基于辅助图的启发式算法实现跨域数据传输。仿真结果表明，与已有路由机制相比，ADISR能解决SGI²CN中多源多路径问题，减少网络丢包率，降低内容传播时延，提高网络吞吐量。

针对量测随机丢失和厚尾量测噪声条件下的非线性状态估计易发散问题，提出了一种新的非线性卡尔曼滤波方法。引入服从Gamma分布的辅助参数，将厚尾量测噪声建模为Student’s t分布，以解决厚尾噪声导致的状态估计易发散问题，并采用服从Benroulli分布的随机变量来描述量测信号随机丢失的现象；在量测随机丢失下，基于目标状态和未知参数建立联合后验分布，并使用变分贝叶斯方法，联合估计系统状态、量测丢失概率和未知的厚尾噪声。非线性目标跟踪仿真实验表明，提出的算法可自适应估计未知的量测丢失概率，在野值概率为5%的条件下，算法目标跟踪的位置、速度和转动速率均方根误差分别为对比算法的37%、28%和60%;在野值概率为10%的条件下，其他算法均出现了发散现象，而提出的算法依然能够以较低的误差跟踪目标，体现了所提算法良好的鲁棒性和优越性。

针对毫米波大规模多输入多输出系统采用混合预编码技术所带来的高功耗影响，基于延迟线组合调相器件设计了一种间接全连接型混合预编码系统结构，并提出一种自适应连接的混合预编码方案，可大幅减少与天线直连的调相器数量从而降低硬件造成的功耗损失。方案将编码矩阵的求解分为数字编码矩阵、模拟编码矩阵和开关组成的连接交换矩阵3个部分进行交替优化；提出一种基于互补正交投影矩阵的算法来解决模拟编码矩阵的优化；利用功率约束条件和最小二乘算法简化数字编码矩阵的求解；针对连接交换矩阵的离散组合优化问题，利用低复杂度的交叉熵算法进行优化。仿真结果表明，所提方案可以保证系统性能在接近纯数字预编码方案的同时有效提高系统的能量效率。

针对低信噪比下音素识别准确率低的问题，提出一种新的识别方法。提取语音的Fbank特征，输入到由多头注意力机制、ResNet、BLSTM、CTC构建的A-R-B-CTC模型中进行音素识别，利用Wave-U-Net对语音特征Fbank、MFCC、GFCC、对数频谱进行图像去噪，发现Fbank特征去噪后，可以取得更低的音素错误率。在0 dB白噪声环境下采用THCHS30数据集进行实验验证。结果表明，Fbank去噪前，所提A-R-B-CTC模型相比于BLSTM-CTC、ResNet-BLSTM-CTC、Transformer模型，平均音素错误率分别降低了4.38%、2.5%、1.96%;Fbank去噪后，4种模型的音素错误率明显下降，其中所提A-R-B-CTC模型相比于其他3种模型性能依旧出色。此外，在其他信噪比下也达到了不错的效果。

针对在原始图像中嵌入大量的水印(认证水印和参考水印)容易造成图像失真的问题，提出嵌入少量参考水印的方法。为了减小图像失真，提出将少量的参考水印信息嵌入在原始图像的边缘、轮廓等区域的方法。在恢复篡改区域时，提出利用图像修复算法将篡改块匹配问题转化为非局部自相似图像块的最小化问题，复制攻击图像本身的相似信息来恢复篡改区域。实验结果表明，在水印容量为0.015 626的情况下，该算法得到嵌入水印后图像的峰值信噪比(peak signal to noise ratio, PSNR)均值超过60 dB,恢复图像的PSNR均值超过40 dB。

针对多模态人脸防伪检测中如何有效融合多模态信息的问题，提出一种注意力感知特征提取和融合的多模态人脸防伪检测方法(attention-aware feature extraction and fusion, AFEF)。在跨模态特征融合部分利用通道和空间注意力机制探索不同模态之间的互补信息，以弥补单一模态特征表达不足的问题；利用卷积融合方式融合多模态特征，以避免信息覆盖或者无关信息强化的问题；在特征提取部分引入CBAM注意力机制，获得更细粒度的各模态特征表示，便于后续进行跨模态特征融合。实验结果表明，与当前其他主流多模态人脸防伪算法相比，提出的方法在CASIA-SURF和CeFA两个多模态数据集上的平均分类错误率(average classification error rate, ACER)均最低，算法有效。

汽车拉索滑轨外观质量是保障车窗升降系统良好工作的重要保障，外观缺陷会导致车窗升降系统晃动、异响、卡顿、腐蚀等问题，因此对汽车拉索滑轨外观进行缺陷检测至关重要。提出了一种用于汽车拉索滑轨外观缺陷的检测方法，该方法使用YOLO V8作为基础模型，通过加入小目标检测头、多尺度序列特征金字塔(multi-scale sequence feature based feature pyramid network, multi-SSFPN)模块、多尺度特征层注意力(layer-attention)模块，实现了滑轨外观多尺寸缺陷的实时检测。实验和现场测试结果表明，该方法在滑轨缺陷数据集上的平均检测精度Box-mAP50为91.5%,Mask-mAP50为89.4%,能够很好地识别滑轨外观缺陷。为了进一步验证了该方法的有效性，在公开数据集NUE-DET和GC 10-DET上对方法进行了评估，分别取得了平均检测精度78.5%和70.8%,与当前数据集上最好效果相比取得了有竞争力的结果。

针对当前大多数基于深度学习的漏洞检测方法在应用于工业5.0系统中检测不平衡的真实世界的漏洞时，受到程序代码流程信息利用不足的限制，导致误报率很高的问题，提出了类敏感图神经网络(class-sensitive graph neural network, CS-GNN),一种新型的函数级真实世界漏洞检测方法。该方法基于代码属性图(code property graph, CPG)和异构图Transformer(heterogeneous graph transformer, HGT),有效提升了漏洞检测的能力和可靠性，以保护消费者数字生态系统的安全。HGT用于接收和学习代码生成的CPG上丰富的语义信息和语句间的关联信息，可以很好地学习到漏洞代码的相关特征。此外，还添加了一个新型的卷积池化模块，用于更好地进行样本特征区分。实验结果表明，CS-GNN实现了更好的检测准确度、精确度、召回率和F1得分，在同样的数据集上，将最先进的基于深度学习的方法提高了13.21%～153.75%。

报道了一种具有“9”字型谐振腔结构的被动锁模铥钬共掺光纤激光器，该激光器采用非线性放大环镜作为锁模器件。实验通过增加泵浦功率观察到激光器输出的亮暗脉冲对先分裂为双脉冲，再分裂为二次谐波状态的具体演化过程；基频下亮暗脉冲之间和双脉冲之间的时间间隔随着泵浦功率增加而增加的规律。此外，实验还观察到，亮暗脉冲对的射频谱呈现包络调制现象，调制频率近似等于亮暗脉冲之间时间间隔的倒数；泵浦功率从0.46 W增加至0.72 W时，调制频率的倒数呈线性增长趋势。研究结果有助于探明被动锁模光纤激光器亮暗脉冲对的演化规律。

基于二值模式组合的灰度阶视觉密码可实现灰度阶像素免计算重构，但不能充分利用二值像素点阵且会产生大量拆分份额；而多密图变方向视觉密码需考虑像素重构冲突，构造复杂且缺乏灵活性和普适性。针对以上问题，提出份额重构的变方向灰度渐进视觉密码。将待隐藏灰度密图通过多级半色调转换为降灰度阶密图并直接映射为二值密图，借助(2,2)门限视觉密码来构造公共份额和隐藏不同密图的中间份额，采用主辅对角线融合的方式产生融合份额并通过不透明像素点拆分策略实现不同密图的渐进重构。理论和实验表明，相对于二值模式组合方案，提出的方法可充分利用二值像素点阵提升视觉质量，避免大量份额拆分；相对于变方向视觉密码，提出的方法构造简单灵活，可实现不同方向不同密图重构和渐进重构，具有普适性，可保持较好的灰度阶视觉质量且只在正确的叠加方向下才能恢复密图。

在现代云计算环境中，对于医疗诊断和三维地质模型等应用场景，保证数据安全的同时实现数据的无损恢复尤为重要。针对这一挑战，提出了基于预测误差扩展的加密域点云模型可逆信息隐藏算法。利用新颖的混沌系统对点云模型进行加密，以确保模型内容在上传到云端存储时的安全性；通过贪心算法对模型顶点进行有效分类，并计算每个顶点的预测误差；利用预测误差模长的扩展技术，使秘密信息安全地嵌入到点云模型中；在接收端，通过对比预测误差模长实现秘密信息的准确提取，并无损恢复原始点云模型。实验验证显示，相比现有技术，提出的算法在嵌入性能上有着显著提升，平均嵌入率较对比算法分别提高了0.284和0.298 bit/vertex,明显优化了信息嵌入的效率和安全性；保证了点云模型的无损恢复能力，实现了对算法可逆性的要求；在确保模型内容安全的同时，有效提高了秘密信息的嵌入性能和提取精度。该算法对于医疗诊断、地质探索等需要高度数据安全和完整性恢复的应用场景，提供了新的解决方案。

微服务的多实例化部署和微服务间存在的依赖关系，使得准确捕捉微服务调用拓扑与微服务时延之间的关联性十分困难。针对该问题，提出了一种基于门控时空卷积网络(gated attention spatio-temporal graph convolutional network, GaSTGCN)的时延预测模型。通过构建微服务拓扑调用实例的图数据序列，采用多层时空卷积图神经网络模型，在考虑微服务调用拓扑的同时，捕捉微服务节点时间和空间上特征的关联性；考虑微服务应用规模日渐庞大、时空关联性更难捕捉的现状，结合门控卷积模型，采用膨胀卷积技术与自适应门控机制，更精确地获取局部与全局微服务依赖特征。实验表明，所提模型具有较好的收敛性能，并且预测精度优于传统的预测算法。

随着工业物联网(industrial internet of things, IIoT)的快速发展，越来越多的应用场景对网络的服务质量提出了更高的要求。确定性网络作为一种能够提供低延迟、低抖动和高可靠性数据传输的技术，已成为未来工业互联网的核心技术之一。该文介绍了确定性网络的主要技术，包括时间敏感网络(time-sensitive networking, TSN)、无线与有线网络融合的5G-TSN和确定性网络(deterministic network, DetNet);从控制层面、数据层面和应用层面分析了确定性网络的架构，阐述了其各层次的功能与实现方式；探讨了确定性网络在电力系统差动保护、工业自动化、自动驾驶、远程医疗等领域的典型应用场景，为进一步研究和应用提供参考。

在大数据时代，数据的类别标签数量激增，对现有的分类方法构成了重大挑战。为解决此问题，利用类别间的相似性，将数据类别标签以层次化方式处理。但现有的类别间相似性度量均使用欧氏距离，由于欧氏距离无法有效处理高维数据，因此，受Tanimoto系数启发，提出一种新的类别相似性度量方法，使用Louvain算法构建树结构(TaniVT),考虑数据分布，设计基于类内散度的模糊粗糙分层分类器(fuzzy rough hierarchical classifier based on intra-class divergence, IDFRHC),将所提方法与已有的方法进行比较，通过实验验证了所提方法的有效性。

为了有效检测道路裂缝并精确量化裂缝的三维参数，提出了一种基于三维点云的道路裂缝高精度检测方法。使用线激光测量系统获取路面模型的点云数据，对采集的点云数据进行去噪处理，通过超体素分割建立点云数据的邻接拓扑关系；计算所有分割后的点云数据与其邻接点云的局部凹凸性，对存在凹性突变的点云区域进行空间聚类；使用最小包围盒算法对聚类区域进行三维量化，从而测量出道路裂缝的精确长度、宽度与深度。实验结果表明，提出的方法对于道路裂缝的识别量化精度高，在长宽深上的平均误差率可达2.43%;相比于基于特征阈值的缺陷检测算法，该算法的平均精度提高了12.36百分点。

针对图像语义分割中存在的边缘模糊和准确度较低的问题，提出一种基于边缘感知强化空间细节的图像语义分割方法，在语义分割网络中引入边缘检测模块，以捕获更加精细的空间细节。模型采用编码器-解码器结构，使用空间金字塔池化模块(atrous spatial pyramid pooling, ASPP)提取语义信息；提出双向多级聚合模块(bi-directional multi-level aggregation, BMLA)生成边缘特征，并使其强化空间细节；设计一种新型的基于注意力机制的特征融合模块(attention feature fusion module, AFFM),将强化后的空间特征与语义特征融合。采用Cityscapes和ADE20K数据集进行实验，对比其他主流语义分割算法，该方法在分割性能上具有不错的竞争力。

关系抽取旨在识别非结构化文本中实体对之间的语义关系，现有方法无法灵活应用于开放域场景，如何在开集环境中自适应地进行关系抽取仍然是该领域的一项重要挑战。针对关系抽取场景中未知类别样本识别问题，提出了一种原型对比学习驱动的鲁棒性关系抽取方法。根据高斯分布为每个类别初始化可学习的原型中心，通过改进对比学习损失函数拉近同类样本到类别原型的距离，进一步通过增加正则化项约束样本输出概率分布与异类原型的差异。与对比方法相比，所提方法在3个数据集下的开集准确率比次优的模型分别提升了2.93%,3.16%,3.18%,且在闭集上的准确率没有降低，表明了模型能够在特征空间中拉近同类样本之间距离，推开异类样本之间距离，从而在不干扰已知关系类别的情况下，有效提升关系抽取模型对开放未知关系类别样本检测的鲁棒性。

对于复杂控制系统，采用传统建模方法得到的被控对象模型，存在精度较低和收敛速度较慢等问题。针对该问题，提出了一种基于改进差分进化算法的系统辨识方法，通过采用变异率和交叉算子动态更新策略，并实时更新种群以及优化、进化终止条件，大幅度地提升了辨识模型的精度以及算法的收敛速度。与传统的最小二乘法、二阶加时滞模型法、差分进化算法以及遗传算法相比，提出的辨识方法在精度上分别提升了94.91%、40.11%、23.33%和8.48%。与传统遗传算法和差分进化算法相比，提出的方法在收敛速度上提升了近3.2倍。实验结果表明，提出的方法可以有效地克服干扰信号影响，得到精确的系统传递函数模型。

区间值模糊覆盖作为等价类的一种推广，对客观世界的描述更加准确实用。区间值模糊数可以由均值拓展而得，使其更具有解释性，基于概率的思想，对区间值模糊集的概率和条件概率进行改进，提高了概率的精确度。在区间值模糊覆盖近似空间中利用区间模糊相似度构造了二元关系，建立了概率区间值模糊覆盖粗糙集模型，并得到了它的三分类结果。为了提高决策的准确性，研究了基于三描述的损失函数，并重新定义了期望损失函数。给出了确定模型参数的方法，基于贝叶斯最小风险决策理论建立了三支决策模型。通过实例验证了该模型的有效性。

针对现有心音分类方法对各类噪声敏感、诊断时延长以及鲁棒性欠佳等问题，提出自适应多通道激活的心音分类方法。采用残差模块和注意力机制的自适应多通道激活模块来提取时频特征，提高鲁棒性和分类性能；采用轻量化的网络架构模型，在保证分类性能良好的同时，显著降低网络参数量，非常适合在便携式设备上进行实时诊断。实验表明，提出的方法在成人和婴幼儿心音数据集上的准确率可达到92.62%和98.11%,验证了提出的方法良好的泛化能力。

车联网(internet ofvehicles, IoV)不断产生车辆行驶性能数据、信息传递数据等，车辆间通过共享这些数据可以改善驾驶安全性和实现优质的智慧交通系统服务质量。但车联网数据共享面临许多挑战，如数据篡改、中心故障和隐私保护等。针对车联网数据共享安全性问题，提出了一种基于区块链的车联网隐私保护数据共享方案。引入了加权阈值秘密共享方法，为车辆成员的属性赋值。基于非交互式零知识证明技术，设计了一种使用属性值的轻量级身份证明协议，该协议可以预先验证数据访问者的身份，防止未经授权的访问，保护车辆成员的隐私。利用分布式的星际文件系统(inter planetary file system, IPFS)来存储加密的共享资源，提出只在区块链上的记录存储地址，从而减轻区块链的存储负担。实验结果表明，该方案有效解决了现有方案在身份认证、隐私保护、权限灵活组合等方面的不足，表现出良好的性能和较强的可行性。

为准确高效地识别社交网络中的压缩深度伪造视频，通过借鉴表情识别领域的知识，基于对人脸面部动作的分析，挖掘伪造视频中五官区域不规则的运动，提出了一种基于面部动作不一致的压缩深度伪造视频检测方法。鉴于人物的面部运动时，低维的角度特征能直接反应五官区域的运动。从人脸视频中提取精确的面部特征点，通过对五官区域建模从而构建五官角度特征，并从运动和速度2种模式对角度特征进行分析，用长短期记忆网络捕获五官区域的不规则运动。实验结果表明，所提出的检测方法能够有效辨别压缩视频的真假，且对不同的压缩因子具有较好的鲁棒性。