针对考虑运输时间的柔性作业车间调度问题，以最小化最大完工时间为优化目标，提出自适应樽海鞘群算法. 设计基于随机密钥方法的3层编码方案，将编码的离散解空间连续化. 引入惯性权重评价跟随者之间的相互影响程度，增强算法的全局探索与局部搜索能力. 提出自适应更新领导者-跟随者种群数量策略，根据种群迭代状态对领导者和跟随者的数量进行自适应调整. 在邻域搜索中引入禁忌搜索策略，防止算法陷入局部最优. 通过基准算例测试，验证了算法的有效性和优越性，发现AGV数量对完工时间的影响符合边际效应递减的规律.

提出面向水下场景的图像语义分割网络，考虑到速度和准确度之间的权衡问题，网络采用轻量且高效的编解码器结构. 在编码器部分，设计倒置瓶颈层和金字塔池化模块，高效地提取特征. 在解码器部分，构建特征融合模块融合多水平特征，提升了分割的准确度. 针对水下图像边缘模糊的问题，使用辅助的边缘损失函数来更好地训练网络，通过语义边界的监督细化分割的边缘. 在水下语义分割数据集SUIM上的实验数据表明，对于320像素×256像素的输入图像，该网络在NVIDIA GeForce GTX 1080Ti显卡上的推理速度达到258.94帧/s，mIoU达到53.55%，能够在保证高准确度的同时，达到实时的处理速度.

针对现有疲劳状态检测方法无法适用于疫情防控下的驾驶员，利用改进后的YOLOv5目标检测算法，对驾驶员的面部区域进行检测，建立多特征融合的疲劳状态检测方法. 针对公交驾驶特性，建立包含佩戴口罩和未佩戴口罩情况的图像标签数据. 通过增加YOLOv5模型的特征采样次数，提高眼、嘴、面部区域的检测精度. 利用BiFPN网络结构保留多尺度的特征信息，使得预测网络对不同大小的目标更敏感，提升整体模型的检测能力. 结合人脸关键点算法提出参数补偿机制，提高眨眼、打哈欠帧数的准确率. 将多种疲劳参数融合归一化处理，开展疲劳等级划分. 公开数据集NTHU和自制数据集的验证结果表明，该方法对佩戴口罩和未佩戴口罩情况均可以进行眨眼、打哈欠识别，可以准确地判断驾驶员的疲劳状态.

针对实际工业过程故障检测时存在误报警现象及易缺失部分时段质量数据的问题，提出在线监测动态内潜结构投影(OM-DiPLS)模型. 该模型通过引入时延的质量数据，使得在缺失部分时段质量数据时能够实现模型的更新. 为了更好地监控质量变量中不可预测的信息，基于OM-DiPLS模型提出在线监测动态内并行潜结构投影模型. 该模型将过程数据和质量数据投影到输入输出相关的协变子空间、输出无关但过程相关的输入主子空间、输入残差子空间、不可预测的输出主子空间及输出残差子空间，通过对各子空间构造相应的统计量，实现过程监测. 田纳西-伊斯曼过程仿真的实验表明，利用所提算法有效提高了质量相关故障的有效检测率，降低了质量无关故障的误报率.

为了解决SiamRPN++单目标跟踪算法在目标被短时遮挡及外观剧烈变化时定位不准确的问题，提出基于双注意力机制的多分支孪生网络目标跟踪算法. 采用具有轻量化主干网络的SiamRPN++为基础算法，结合轻量化的通道和空间注意力机制，提升跟踪过程中应对遮挡挑战时的抗干扰能力. 新增上一帧模板分支，动态更新目标外观变化，利用三元组损失增强跟踪过程中前景与背景的判别能力. 根据目标的移动速度进行局部扩大搜索，使目标被短时遮挡后仍可以及时、准确地跟踪到目标. 实验结果表明，改进后的算法在OTB100数据集的成功率和精确度较原算法分别提高了2.4%和1.6%，平均中心位置误差降低了28.97个像素，平均重叠率提高了14.5%.

为了解决点击率预测任务中现存的参数共享和计算耗费较高的问题，提出特征融合与分发的多专家并行推荐算法框架. 利用该方法不仅可以提高并行架构对不同类型特征的分辨能力，学习表现力更强的特征输入，还能够在显式特征和隐式特征之间进行参数共享，缓和反向传播期间的梯度，提高模型的性能. 该框架是轻量级而且与模型无关的，可以泛化应用在众多主流并行架构的推荐算法上. 在3个公共数据集上的大量实验结果表明，利用该算法框架，能够有效地提高SOTA模型的性能.

针对生成对抗网络生成字体存在笔画缺失、字形结构错乱、图像模糊与质量差的问题，提出改进zi2zi生成对抗网络的书法字生成算法. 在编码器中引入卷积核为1的残差块，提高生成器提取书法字体细节特征的能力，通过增加上下文感知注意力结构提取书法字体的风格特征. 在判别器中利用谱归一化增强模型的稳定性，避免因模型训练不稳定而带来的模式崩塌. 采用最小绝对误差L₁范数约束生成字体边缘特征，使得字体轮廓更加清晰，最终生成2种风格的书法字. 颜真卿楷书与赵孟頫行书目标风格数据集的测试结果表明，提出算法的主观客观评价结果均优于对比算法，与zi2zi相比，峰值信噪比分别提高了1.58、1.76 dB，结构相似性分别提高了5.66%、6.91%，感知相似性分别降低了4.21%、6.20%.

为了解决在遥感图像语义分割任务中存在的目标物体之间巨大尺度差异和丢失空间细节信息导致分割精度下降的问题，提出多尺度互注意力与指导上采样网络. 利用多尺度互注意力模块获得不同尺度图像之间的像素关系，平衡不同尺度物体的权重，提高小尺度物体的分割性能. 编码指导上采样模块利用编码结构中的信息，指导图像上采样的过程，融合空间细节信息，提升目标物体边界像素的分类效果. 在Potsdam数据集和Jiage数据集上的mIoU得分分别为85.52%和86.59%，较次优网络分别提升了1.32%和1.46%.

为了准确地评估VR视频引起不适的程度，提出基于3D双流卷积神经网络的VR病评估模型. 模仿人类视觉系统的2条通路，建立外观流和运动流2个子网络；将2D-ResNet50模型改为3D模型，增加一个深度通道，用以学习视频中的时序信息. 加入3D-CBAM注意力模块提高了各帧通道之间的空间关联，增强关键信息，去除冗余信息. 采用后端融合的方法，实现2个子网络结果的融合. 在公开视频数据集上进行实验验证，结果表明，通过3D-CBAM注意力模块引入注意力机制，使得外观流和运动流网络的VR病评估精度分别提升了1.7%和3.6%，与现有文献相比，融合的双流网络模型的精度得到了较大的提升，精度达到93.7%.

定义“演变基因”的概念来捕获时间序列所隐含的用户行为，描述这些行为如何导致时间序列的产生. 提出统一的框架，通过学习分类器来识别片段的不同演变基因，采用对抗性生成器估计片段的分布来实现演变基因. 该模型有3个主要组成部分：基因识别，旨在学习片段的相应基因；基因生成，旨在学习从基因中生成片段；基因应用，旨在建模行为演变，将学习到的基因应用于未来值和事件的预测中. 本研究的实验基于1个合成数据集和5个真实数据集，相关结果表明，该方法不仅可以获得好的预测结果，而且能够提供对结果的有效解释.

针对球面手腕康复机器人的末端执行机构——共轴3RRR球面并联机构(CSPM)存在逆运动学解不完整性或无解析解的问题，提出基于欧拉角的逆运动学分步求解方法. 根据共轴球面并联机构的特性，可以将CSPM姿态欧拉角分解为绕Z轴和绕X、Y轴旋转的2个子姿态，求解绕X、Y轴旋转子姿态逆运动学解的集合. 选取每个关节逆运动学解集合中的较小值，与绕Z轴旋转的角度相加作为CSPM逆运动学解，利用CSPM正运动学验证了所提方法的正确性. 在真实手腕运动范围的基础上，以无连杆碰撞点和无奇异位形为约束条件，使用所提方法求解手腕康复装置的实际姿态空间. 在实际的姿态空间内，将提出的逆运动学求解方法与单位四元数相互转换，将单位四元数插补应用于CSPM运动规划中，理论计算结果与试验结果均为光滑的轨迹曲线，两者误差的最大值不超过2.5°.

针对机载网络环境下控制器发生不可恢复故障的问题，提出分布式的控制节点选举（DCNE）算法. 为了保证故障恢复后控制节点的性能，综合考虑邻居节点密度、平均流请求量和控制器处理能力，计算选举权值. 通过邻居节点信息的建立和维护实现选举消息的更新，提出依据节点状态传递和处理选举消息的算法. 从故障恢复后的控制域性能角度对DCNE算法进行仿真验证. 结果表明，与现有算法对比，DCNE算法在最大时延和流部署开销指标上具有更好的性能，能够较好地适用于机载网络环境.

针对目前内部威胁人物检测准确率低及高维数据特征信息利用不全的问题，提出全特征信息均衡建模的内部威胁人物检测方法. 该方法对组织内部产生的多源数据进行特征提取和构建，通过对所有特征进行交叉分组，利用交叉分组后的特征进行孤立森林模型构建，提高模型构建过程中对数据特征信息利用的均衡性，利用生成的孤立森林模型进行内部威胁人物检测. 实验结果表明，该方法在CERT-IT（v4.2）内部威胁人物数据集上具有较高F₁，且算法效率高，能够有效地用于内部威胁人物检测.

提出基于特征融合约束局部模型的三维人脸特征点定位算法. 该算法对每个特征点分别使用三维网格的深度信息和网格局部形状信息训练分类器，对分类器的响应进行融合. 使用基于融合响应的正则化特征点均值漂移算法进行模型拟合，实现特征点定位. 三维人脸特征点定位经常需要对每个特征点的候选点集进行遍历产生候选点组合，该算法使用模型拟合代替穷举搜索，避免了嵌套循环带来的快速增长的时间开销. 使用FRGC v2.0和Bosphorus数据库，对算法进行实验评估. FRGC v2.0库上的特征点平均误差为2.48~4.12 mm，总体检测成功率为97.3%，其中中性、温和及极端表情下的检测成功率分别为97.6%、97.4%和95.5%. Bosphorus库上3种姿态下的检测成功率分别是94%、95%和89%. 实验结果表明，提出方法具有较好的效果，对表情和小幅度的姿态变化具有较好的鲁棒性.

为了实现三维模型的点-点匹配, 基于谱图小波变换（SGWT）构建点的描述符. 对三维模型各顶点处的脉冲函数进行多尺度谱图小波变换，因为这些小波系数能够充分反映模型各顶点处的多尺度几何信息，将它们依次作为元素形成多维向量. 该向量即为模型各点的谱图小波描述符，点描述符的欧式距离可以度量点与点之间的几何差异性. 由于谱图小波(SGW)同时使用低通和带通滤波器分析信号且能够稳定地重构信号, 这使得提出的描述符具有很好的形状分辨能力、紧凑性和鲁棒性. 实验结果显示，谱图小波描述符具有比同类方法更卓越的性能.

针对当前的无线传感器与执行器网络（WSAN）技术缺乏实时性能以及工业无线环境的动态性问题，基于Kautz图设计容错、实时、高效、可靠的先验式路由FRER，不需要维持路由表，只利用节点IDs，根据节点IDs的匹配长度快速找到目标节点的最短路径.当节点故障时，不需要进行路径重挑，根据自身ID与目标节点ID的匹配，上一跳节点能够快速找到剩余节点的最短路径.考虑路径的多样性，不局限于Kautz拓扑，利用邻居节点信息拓展网络中路径的多样性.考虑链路故障，基于链路可用性历史信息组合多路径，保证在链路故障情况下网络维持可接受水平的路由路径可用性.实验结果表明，与REFER和Debruijn图相比，FRER在实时性、容错性和可靠性性能上优于两者.

针对采用栅格地图法进行听觉定位数据库构建过程中存在的所需参考点数量较多和局部定位效果恶化等问题，提出基于定位误差分布特征的位置指纹数据库构建方法.在数据库构建过程中，根据测试点的定位误差分布情况，采用k近邻算法搜索定位精度偏低的区域进行新定位参考点布置.从仿真和实际实验两方面对所提出的方法与传统栅格地图方法的数据库构建效果进行了对比.结果表明，采用该方法可以有效地提升位置指纹库构建的效率，抑制局部定位效果恶化现象，提高听觉定位系统的适用性.

提出基于粒子群（PSO）优化支持向量机（SVM）的下肢假肢穿戴者跑动步态识别方法.将假肢接受腔装配的肌电（EMG）传感器、加速度计和足底的压力传感器采集的假肢穿戴者跑动运动信息进行去噪预处理，对应提取加速度的偏度、均值与肌电信号均方根多个特征参数作归一化处理，结合双下肢足底压力信息组成多维特征向量，作为SVM的输入，解决了单一特征识别步态的低准确率问题.利用PSO优化分类模型参数，建立基于SVM的次序二叉树分类模型对跑动步态进行辨识.与传统BP神经网络的步态识别方法对比表明，利用PSO优化SVM方法能够将跑动步态识别率提高到92.78%，优于SVM和BP神经网络.

针对有向复杂网络节点重要性评估问题，提出基于解释结构模型的节点重要性度量方法.应用解释结构模型，将有向网络节点间关系矩阵化，获得相应的邻接矩阵和可达矩阵；对可达矩阵进行区位、级位划分；对矩阵进行缩减、删除越级与自身相连关系；得到网络的递阶有向图.对网络矩阵进行赋权模拟演化，给出网络区域重要性与级位重要性辨识划分.将该方法应用于ARPA有向网络、有向随机网络和有向无标度网络中，与其他4种网络节点排序方法进行比较.结果表明，该方法不仅适用于有向网络层级划分与辨识，而且适用于有向网络的节点排序计算.

为了满足大型共享自行车系统（BSS）快速响应调度的需求并降低调度成本，针对目前缺少调度区域合理划分研究的问题，提出 BSS调度基于分形树的自平衡区域划分模型.该模型由具有自相似性结构的叶子级、枝节级和根级调度区域组成，给出衡量同级邻近区域租/还需求互补性的互平衡强度计算方法.根据分形树的自相似性特征，设计分形树自平衡区域划分算法（FSPA），包括考虑快速服务响应的分形树叶子级与枝节级调度区域范围计算方法和基于同级区域互平衡强度的自平衡区域划分动态聚类算法，将BSS周转率杠杆引入共协矩阵来实现自平衡区域聚类融合.以杭州市下沙地区锁桩式BSS运营历史数据为例，对构建模型方法进行实验验证，划分了具有分形树特征的三级自平衡调度区域.结果表明，采用自平衡区域划分方法，有助于实现区域内的自平衡，减少跨区调度次数和调度车行驶路程，可以有效地降低调度成本和提升BSS工作效率.

针对高维多目标优化问题（MaOPs），为了更好地在收敛性和分布性之间保持平衡，提出基于超平面投影的高维多目标进化算法（HPEA）.通过归一化技术构造单位超平面，将种群个体垂直投影到单位超平面上，消除收敛程度的影响；通过改进的Harmonic平均距离，评估单位超平面上投影点的拥挤密度；结合收敛信息构造λ-distance，更好地平衡解集收敛性与分布性.为了检验所提算法的性能，将之用于求解3~10个目标的9类标准测试函数，与目前国内外具有代表性的5种高维多目标进化算法对比可知，该算法相对于其他算法具有优势，能够在提高算法收敛性的同时，保证解集的分布性.

为了提高岩心三维图像分辨率，将调整的锚点邻域回归算法（A+）扩展为三维图像超分辨率重建，提出三维高频修正A+算法.该算法利用已有的高分辨率（HR）岩心三维CT图像和高频修正信息训练高低分辨率字典、高频修正字典、映射矩阵和高频修正映射矩阵.重建时，对每个输入的三维低分辨率（LR）特征块搜索匹配的字典原子以及相应的映射矩阵和高频修正矩阵，通过LR特征向量分别与映射矩阵和高频映射矩阵相乘，直接将三维LR特征映射到HR空间.针对多组岩心三维CT图像进行实验，与其他三维超分辨率算法进行比较.实验结果表明，该算法具有较高的峰值信噪比和结构相似度.

针对雾天条件下户外采集的图像严重退化问题，解决传统的暗原色先验理论算法出现的边缘残雾、天空区域去雾效果欠佳、实时性差和鲁棒性差等问题，提出去雾效果显著的实时视频去雾算法.对大气光散射模型进行改进，以引导滤波后的灰度图作为大气光估计图；利用四叉树法和暗原色先验理论（DCP）在暗原色图中寻找浓雾区域，求得透射率估计值；利用改进的大气光散射模型复原图像.通过大量实验表明，复原出的图像去雾效果彻底，色彩鲜艳亮丽，天空区域不会出现彩色失真，景深变化大的地方不会出现白边现象，对于不同浓度的雾都有着较好的去雾效果，处理速度快且稳定，适合于实时视频去雾.

针对群体性异常事件中人群状态突变场景发生时的运动特征，提出结合背景差分和光流法的检测算法.对图像背景差分提取前景寻找特征点，利用光流法预测特征点位置，将特征点以光流运动方向为依据划分后处理数据，得到累积加速度进行判断.该算法弥补了单独使用背景差分算法检测准确率低和单独使用光流法检测效率低的缺陷，通过将特征点以光流运动方向划分处理数据，大幅度提高了检测的准确性和稳定性.经过实验测试，结果表明，该算法在人群状态突变异常事件检测中有较高的准确性，能够满足实时性要求，较同类检测算法在综合性能上有显著提高.

为了消除传感器输出数据中的高频噪声和低频漂移，以SPRi传感器的NaCl折射率样品和BSA生物样品检测的实验数据为例，研究零相移数字滤波、小波分析和希尔伯特-黄变换（HHT）3种数据处理方法及实际应用.结果表明，与零相移数字滤波相比，小波分析和HHT变换这两种时频分析方法在有用细节信息的提取方面更具优势.经这两种方法处理后，SPRi传感器的折射率分辨率达到1.4×10^-6 RIU，最小可检测0.025 g/L NaCl溶液和将原液稀释51 200倍的BSA抗体溶液.HHT变换具有自适应的特点，针对不同的实验数据，自动产生相应的基函数，并且操作简便，能够获得较理想的滤波效果，从而提高传感器的性能.

针对带有大量定性指标且指标间存在大量交互作用的多目标决策问题，提出灰模糊积分决策模型.结合g_λ模糊测度和Choquet模糊积分与灰色关联度，将定性指标评价的不确知性和指标间的交互作用很好地体现在评价结果中.专家使用模糊数给被评价对象打分，将模糊数解模糊化为数值并通过灰色关联度法提高打分一致性.使用g_λ模糊测度表达指标间的交互作用，通过Choquet模糊积分将各指标评价值进行非线性集成.以某协作制造企业供应商评价与选择问题为例，与灰色综合评价法进行比较，验证了所提模型的可行性和有效性.

提出基于数值保真项优化的时间延迟积分电荷耦合元件（TDI-CCD）振动模糊遥感图像复原方法.针对时间延迟积分（TDI）退化图像点扩散函数（PSF）的空间变化性，根据成像平台颤振信息逐行构建模糊核.通过结合L1正则化和数值保真项优化，提出新的遥感图像去模糊方法，实现对TDI颤振图像的逐行复原.在基于最大后验概率（MAP）构建图像去模糊模型的过程中，将数值保真项扩展到二阶，以更好地保留图像细节.与传统的Richardson-Lucy（RL）算法、全变分方法相比，提出的算法去模糊效果明显.分析在不同积分级数和颤振频率下采用该算法复原后的图像的ssim，该算法体现出很好的普适性.

为了提高目标威胁度评估的精确度，建立反向学习灰狼算法（OGWO）优化小波神经网络的目标威胁评估模型（OGWO-WNN），提出基于该模型的算法.该模型使用反向学习策略（OBL）优化灰狼算法（GWO），通过改进后的灰狼算法优化小波神经网络的各权值和小波基函数的平移因子与伸缩因子，使优化后的小波神经网络能够对威胁度测试样本集作更好的预测.实验结果显示，采用反向学习灰狼算法能够更好地优化小波神经网络的权值与平移、伸缩因子，使建立的小波神经网络目标威胁评估模型具有更高的预测精度和更强的泛化能力，能够精准、有效地实现目标威胁评估.

提出改进核空间对称稀疏表达（IKSSR）降维方法来解决高光谱影像（HSI）的波段选择问题.该方法利用核函数方法和稀疏系数的二值约束条件改进对称稀疏表达模型，在映射得到的核空间构建包含所有波段向量对应的数据点的凸包，通过寻找最小凸包的原型点实现波段子集的优化选择.改进核空间对称稀疏表达方法采用矢量量化策略初始化波段子集，利用块坐标下降方法将非凸问题转换为凸目标函数优化问题，实现目标波段子集选取.基于两个公开高光谱数据集，对该方法和4种主流的波段选择方法进行实验比较研究.实验结果表明，利用改进核空间的对称稀疏表达方法得到的总体分类精度优于对称稀疏表达模型和其他3种方法.

针对现有车辆车型视觉识别技术中的检测精度不高、难以适应天气环境变化、难以从视频图像中准确提取出用于识别的车辆图像、难以对车辆车型子类进行识别分类、难以兼顾识别精度和检测效率等不足，将深度卷积神经网络引入车辆目标定位、识别和分类（子类）问题中.利用深度卷积神经网络自动完成车型的深度特征学习，在特征图上进行逻辑回归，从道路复杂背景中提取出感兴趣区域；利用softmax分类器训练特征实现车型识别；为了优化softmax在深度卷积神经网络分类过程中出现的类内间距大的问题，引入中心损失函数对softmax损失函数进行优化，提高类间分散性与类内紧密性.在BIT-Vehicle车型数据集中的实验结果显示，提出方法的平均精度为89.67%，检测和识别时间为159 ms；与传统的分类方法相比，识别精度提高约20%，效率提高10倍以上，检测鲁棒性有明显提升；与未改进前的深度卷积神经网络相比，检测精度提高0.6%，速度提高0.29倍.