针对无人机(UAV)航拍图像检测存在的小目标检测精度低和模型参数量大的问题，提出轻量高效的航拍图像检测算法FS-YOLO. 该算法以YOLOv8s为基准网络，通过降低通道维数和改进网络架构提出轻量的特征提取网络，实现对冗余特征信息的高效复用，在较少的参数量下产生更多特征图，提高模型对特征信息的提取和表达能力，同时显著减小模型大小. 在特征融合阶段引入内容感知特征重组模块，加强对小目标显著语义信息的关注，提升网络对航拍图像的检测性能. 使用无人机航拍数据集VisDrone进行实验验证，结果表明，所提算法以仅5.48 M的参数量实现了mAP0.5=47.0%的检测精度，比基准算法YOLOv8s的参数量降低了50.7%，精度提升了6.1%. 在DIOR数据集上的实验表明，FS-YOLO的泛化能力较强，较其他先进算法更具竞争力.

为了解决时序知识图谱的存储问题，提出结合快照和日志模式的时序知识图谱存储模型SL-tgStore. 模型由若干时间桶组成，每个时间桶由一系列的时间窗口组成. 在首个时间窗口引入初始快照作为时序知识图谱存储和处理的基本单元，在接下来的时间窗口存储为增量日志. 提出相应的阈值来确定初始快照的生成，即生成一个新的时间桶，以达到初始快照数量与增量日志数量的平衡，并提出临时快照生成算法. 所提模型能够有效解决快照存储模式消耗内存大，日志存储模式查询效率低的问题. 为了对SL-tgStore模型进行高效查询，在此基础上提出4种索引结构. 在4个真实数据集上进行实验，理论研究与实验结果表明所提出的SL-tgStore存储模型具有高效性.

针对跨场景情况下图像亮度不一致导致的深度缺陷检测模型泛化性能差的问题，提出基于特征过滤与特征解耦的域泛化(FF-FDDG)模型. 模型包含设计的亮度过滤-残差模块(LFR)，该模块通过实例归一化过滤亮度变化特征，并从被过滤的特征中提取缺陷高相关性且亮度低关联性的特征，并将这些特征与实例级归一化后的特征进行融合，以增强模型在跨场景图像亮度变换情况下的泛化能力. 提出对比白化损失(CWL)函数，该函数通过解耦特征中亮度变换特征和缺陷纹理特征，引导模型学习缺陷纹理特征，以提升模型泛化能力. 在从光伏电池制造环境中收集的跨场景光伏电池表面缺陷数据上进行实验，结果表明，相较于现阶段最先进的域泛化模型，所提出的FF-FDDG在跨场景情况下的平均检测精度(mAP)均值提升5.01%.

针对无人机(UAV)体积小、复杂背景下特征难以提取导致被误检和漏检的问题，提出基于自适应上采样和空间相关性增强的无人机小目标检测方法. 采用多尺度的空洞卷积获取重要的上下文信息，然后通过注意力特征融合模块抑制多尺度特征融合造成的信息冲突；采用亚像素卷积和双线性插值自适应融合的新上采样方式，融合更多无人机特征信息，同时平衡计算量；对深层特征图的空间局部特征和全局特征采用空间相关性增强策略，提高复杂背景下前景目标的敏感度，增强目标表达和抑制背景噪声. 在自制无人机数据集上进行消融实验和对比实验，与原始YOLOv5算法相比，本算法的mAP0.5和mAP0.5∶0.95分别提高了2.4%和2.7%，检测速度能够达到58.5帧/s；在VisDrone2019数据集上进行验证，本算法较YOLOv5算法的mAP0.5和mAP0.5∶0.95分别提高了4.6%和1.3%.

为了解决基于策略的强化学习方法在两方零和马尔科夫博弈中学习效率低下的问题, 提出同时更新双方玩家策略的近似纳什均衡策略优化算法. 将两方零和马尔科夫博弈问题描述为最大最小优化问题, 针对参数化策略, 给出马尔科夫博弈的策略梯度定理, 并通过近似随机策略梯度的推导, 为算法实施提供可行性基础. 通过比较分析不同的最大最小问题梯度更新方法, 发现额外梯度相较于其他方法具有更好的收敛性能. 基于这一发现, 提出基于额外梯度的近似纳什均衡策略优化算法, 并给出算法的收敛性证明. 在Oshi-Zumo游戏上, 使用表格式softmax参数化策略以及神经网络作为参数化策略, 验证不同游戏规模场景下算法的有效性. 通过对比实验, 验证算法相对于其他方法的收敛性和优越性.

针对联邦学习中拜占庭用户发送任意错误信息，污染全局模型，影响联邦学习安全性和有效性的问题，在含未知数量拜占庭用户的去中心化网络中，提出可验证的去中心化联邦学习方法. 该方法使用SCORE函数，基于验证数据集评估未知属性用户对于全局模型性能的影响，进而排除恶意模型更新并实施安全梯度聚合，实现安全高效的联邦学习. 对SCORE函数得分结果进行阈值划分，降低用户属性分类的错误率并提高诚实用户的容错率. 通过理论证明可验证的去中心化联邦学习算法的收敛性，并且通过大量数值实验验证所提方法对于拜占庭用户数量和攻击类型的鲁棒性. 实验结果表明, 在同等拜占庭攻击条件下,所提方法相较于其他容错算法具有更优的分类准确度.

针对目前具有$ \left( {r,t} \right) $局部性的局部修复码码率较低且构造过程中计算复杂度过高的问题，提出基于正交拉丁方的二元局部修复码构造方法. 根据正交拉丁方元素与矩阵位置的对应关系构造关联矩阵，得到具有全符号局部性的局部修复码(AS-LRCs)，该码的码率和码长渐近边界条件，且最小距离较大. 利用关联矩阵级联单位矩阵构造信息位具有$ \left( {r,t = 2} \right) $局部性的单校验局部修复码，该码的最小距离和码率均满足最优边界条件，为最优局部修复码. 考虑到实际分布式存储系统中存在高故障率节点，利用正交拉丁方完备组构造具有信息位局部性的高可用性单校验局部修复码(IS-LRCs)，可以灵活选择可用性$ t $，提高了系统的鲁棒性与灵活性.

针对当前区块链Kademlia网络研究中通常以牺牲安全性为代价提升可扩展性的问题，提出基于小世界理论的区块链Kademlia网络改进方法. 该方法遵循小世界理论的思想，提出置换扩容节点的概率公式，概率与节点间距离呈反比，节点置换次数和额外增加的节点数量可以根据实际情况灵活调整. 通过理论分析和实验验证，证明了采用该方法改造的网络能够达到最终的稳定状态. 实验结果显示，利用该方法将全网广播交易消息时须经历的传输层级减少了15.0%~30.8%，加快了定位节点的速率. 与其他改变网络结构的优化算法相比，该方法降低了网络的结构化程度，增强了网络的安全性.

针对现有基于深度学习的视频目标检测算法无法同时满足精度和效率要求的问题，在单阶段检测器YOLOX-S的基础上，提出基于混合加权采样和多级特征聚合注意力的视频目标检测算法. 混合加权参考帧采样(MWRS)策略采用加权随机采样操作和局部连续采样操作，充分利用有效的全局信息与帧间局部信息. 多级特征聚合注意力模块(MFAA)基于自注意力机制，对YOLOX-S提取的分类特征进行细化，使得网络从不同层次的特征中学到更加丰富的特征信息. 实验结果表明，所提算法在ImageNet VID数据集上的检测精度均值AP50达到77.8%，平均检测速度为11.5 ms/帧，在检测图片上的目标分类和定位效果明显优于YOLOX-S，表明所提算法达到了较高的精度，具有较快的检测速度.

针对车联网轨迹发布中用户面临的隐私泄露问题，提出基于聚类和深度学习的轨迹隐私保护机制（PPCDL）. 考虑轨迹中的时间因素，通过时间戳将轨迹空间划分为多个区域，获取区域中的轨迹分布点. 对每个区域进行改进稳定隶属度多峰值聚类，根据区域轨迹密度进行隐私预算矩阵的预分配. 利用时间图卷积网络模型提取轨迹数据的时空特征，对隐私预算预分配矩阵进行训练和预测. 根据预测结果添加相应的拉普拉斯噪声，在轨迹数据发布前进行扰动. 理论分析和实验结果表明，PPCDL相较于对比机制，时间开销更少，能够更精确地预测隐私预算. 利用PPCDL可以合理地在轨迹数据中添加拉普拉斯噪声，有效地提高了轨迹数据的可用性.

针对现有煤矿井下无人驾驶轨道电机车因巷道环境恶劣导致障碍物识别精度低的问题，提出用于无人驾驶电机车障碍物精准实时检测的PDM-YOLO模型. 基于YOLOv5，将模型C3模块中的传统卷积替换为部分卷积，构建C3_P特征提取模块，有效减少模型的浮点运算量（FLOPs）与计算延迟. 采用改进后的解耦头，对传统YOLOv5的预测头进行解耦，提高模型的收敛速度及对障碍物的识别精度. 优化Mosaic数据增强方法，丰富训练图像的特征信息，提高模型的普适性和鲁棒性. 实验结果表明，PDM-YOLO模型在自制数据集上的平均检测精度（mAP）达到96.3%，平均检测速度达到109.2 帧/s，PDM-YOLO模型在PASCAL VOC公共数据集上的检测精度高于现有主流的YOLO系列模型.

针对现有方法存在道路区域提取不精准和实时性不足的限制，提出基于轻量级Transformer的路网提取方法RoadViT. 利用卷积神经网络与Transformer混合的MobileViT架构进行编码特征，有效地提取高级上下文信息. 提出金字塔解码器实现多尺度特征的提取和融合，生成像素类别的概率分布. 结合Mosaic与多尺度缩放和随机裁剪策略实现数据增强，构建精细多样的遥感图像. 针对城市遥感图像中道路类别和背景类别的不平衡问题，提出动态加权损失函数. 实验结果表明，RoadViT的参数量仅为1.25 × 10⁶，在Jetson TX2上的推理速度可达10帧/s，在CHN6-CUG数据集上的精度可达57.0%. 所提方法是轻量级Transformer在城市遥感图像中的有效探索，在保证推理实时性的同时，实现道路提取精度的提升.

为了更好地利用人体姿态关键点特有的分布属性，提出强化先验骨架结构的轻量型高效人体姿态估计方法. 利用高分辨率网络较好地保留空间位置信息，为了进一步降低模型参数量，提出轻量倒残差模块. 设计体位强化模块，利用全局空间特征和上下文信息强化躯干位置的先验信息及关键点之间的联系. 针对多分辨率特征图像融合时，像素位置模糊、卷积核优化方向偏移导致关键点空间特征信息遗失的问题，提出方向强化卷积模块，利用躯干上关键点分布的水平和垂直方向特性，高效融合关键点先验分布. 实验结果表明，利用该网络，可以高效地估计人体姿态. 与基准网络相比，该模型在COCO测试集上的平均精度达到78.4，参数量减少了17.4×10⁶，兼顾精度与效率.

为了满足开放域下海量新增模型数据的管理和检索需求，提出开放域三维模型检索算法，可以有效地利用多模态信息的语义一致性. 借助无监督算法探寻未知样本间的类别信息，利用该类别信息实现网络模型的参数优化，使得网络模型在开放域条件下具有更好的模型表征性能及检索结果. 提出基于Transformer结构的层级化多模态信息融合模型，有效地剔除了多模态间的冗余信息，得到鲁棒性更强的模型表征向量. 在数据集ModelNet40上进行实验，通过与其他典型算法的对比实验可知，所提方法在mAP指标上优于所有的对比方法，验证了该方法在检索性能提升上的有效性.

针对边缘端进行垃圾检测分类实时性差的问题，提出轻量化的Yolov5垃圾检测解决方案. 引入Stem模块，增强模型对输入图像的特征提取能力. 将backbone的C3模块进行改进，提高特征提取能力. 使用深度可分离卷积替换网络中的3×3降采样卷积，实现模型轻量化. 使用K-means++算法重新计算物体的锚框值，使模型在训练过程中能够更好地预测目标框的大小. 通过实验研究对比可知，改进模型相比于Yolov5s模型，mAP_0.5提升了0.8%，mAP_0.5:0.95提升了3%，模型参数量减少到原来的77.9%，推理速度提升了21.9%，极大地提高了模型的检测性能.

根据“神威·太湖之光”超级计算机所用国产“申威26010”处理器的架构特点和编程规范，提出针对大点数FFT的众核并行优化方案. 该方案源自经典的Cooley-Tukey FFT算法，通过将一维大点数数据迭代分解为二维小规模矩阵进行并行加速. 为了解决矩阵“列FFT”的读写、转置和计算问题，提出“列均分-行连续”的读写策略，通过对数据进行合理的分配、重排、交换，结合SIMD向量化、旋转因子优化、双缓冲、寄存器通信、跨步传输等优化手段，充分利用了众核处理器的计算资源和传输带宽. 实验结果显示，单核组64从核并行程序较主核运行FFTW库，可以达到最高65x、平均48x以上的加速比.

为了提高生成图像质量，提出新的文本生成图像方法，整体框架采用单阶段文本生成图像主干. 在原有模型只使用句子信息生成图像的基础上，使用注意力机制把单词信息融入图像特征，采用合理地融入更多文本信息的方式提高生成图像的质量.引入对比损失，使相同语义图像之间更加接近，不同语义图像之间更加疏远，从而更好地保证文本与生成图像之间的语义一致性.在生成器中采用动态卷积来增强生成器的表达能力. 实验结果表明，所提方法在数据集CUB (Fréchet inception distance (FID)从12.10提升到10.36)和数据集COCO (FID从15.41提升到12.74)上都获得了较好的性能提升.

针对单模态特征提取存在的模态特征异质性难以保留问题和跨模态特征融合存在的特征冗余问题，基于跨模态Transformer，提出新的多模态情感分析模型（MTSA）. 使用长短时记忆(LSTM)与多任务学习框架提取单模态上下文语义信息，通过累加辅助模态任务损失以筛除噪声并保留模态特征异质性. 使用多任务门控机制调整跨模态特征融合，通过层叠Transformer结构融合文本、音频与视觉模态特征，提升融合深度，避免融合特征冗余. 在2个公开数据集MOSEI和SIMS上的实验结果表明，相较于其他先进模型，MTSA的整体性能表现更好，二分类准确率分别达到83.51%和84.18%.

为了提升苗圃场景中多目标分类和识别的准确率，提出基于融合卷积块注意力模块的PointNet++多目标分类方法. 通过在原PointNet++网络的特征提取层中嵌入注意力机制模块，增强对关键特征的提取，弱化无用特征，降低参数量的同时提高网络特征学习能力. 引入LeakyReLu函数作为激活函数模型，获得的非线性变换效果良好. 为了验证所提方法在苗圃中的分类性能，使用激光采集多种靶标(不同形态的树木)与非靶标(行人、指示牌、种植盆等)制作数据集，并在该数据集上进行分类实验. 实验结果表明，所提方法在苗圃数据集上的分类总体精度达到96.38%，分类速度达到0.04帧/s，均优于原PointNet++网络.

使用缪勒矩阵显微镜测量2种微塑料（聚氯乙烯、尼龙6）和2种微藻（多芒藻、衣藻）. 使用缪勒矩阵显微镜进行微塑料和微藻分类，讨论影响这种分类方法的多种因素，提出提高分类准确率的可能方案. 利用缪勒矩阵显微镜高通量地测量大视野范围内所有颗粒物的缪勒矩阵，由缪勒矩阵计算得到多个偏振参数，将所得偏振参数作为表征颗粒物物理性质的特征值，并进一步借助前馈神经网络实现对样品分类. 实验结果表明，利用缪勒矩阵图像数据能够成功进行微塑料和微藻分类，分类准确率均超过80%，由此验证了利用缪勒矩阵显微镜对水中微塑料和微藻进行分类的可行性.

为了准确、方便地识别多类型眼底病变，提出光学相干断层扫描技术（OCT）图像的轻量化分类模型MB-CNN. 降低卷积核的使用个数，调节每个阶段卷积块的使用比例，设计轻量化主干网络L-Resnet，通过加深网络深度增强对深层语义信息的提取. 使用深度可分离卷积设计多尺度卷积块MultiBlock，利用MultiBloc深度挖掘病灶区域的特征，使用不同的卷积核提取不同尺寸病变的特征，提高网络对病变OCT图像的识别能力. 构建特征融合模块FFM，融合浅层信息和深层信息，充分提取病变特征的纹理和语义信息，提高对小目标病变的识别能力. 实验结果显示，MB-CNN在UCSD、Duke和NEH3个数据集上的总体分类精度分别达到97.2%、99.92%和94.37%，模型参数量明显降低，所提模型能够针对眼底的多种病变进行分类.

构建大规模真实场景的双目低光照图像数据集SLL10K. 该数据集包含12 658对无参考双目低照度图像和205对有参考双目图像，数据集图像涵盖丰富的光照、时间及场景. 提出基于特征融合和一致性损失的双目低光照图像增强网络FCNet，特征融合模块用于充分融合单目内和双目间的特征，一致性损失函数用于保持增强前和增强后图像间的一致性. 在SLL10K数据集和暗化KITTI数据集上的实验表明，使用FCNet增强后的图像获得了比单目增强方法更好的低光照图像增强效果和目标检测效果.

传统的生物医学实验方法验证circRNA与疾病之间的关系存在耗时、耗力且成本过高的问题，为此提出基于三部图融合相似性的circRNA与疾病关联预测研究的模型（FSTPGCDA）. FSTPGCDA引入circRNA-disease关联信息、circRNA-gene关联信息、circRNA序列信息和疾病语义信息. 进行拉普拉斯特征映射和Jaccard指标的融合相似性计算得到相似性矩阵，将不同相似性算法得到的相似性矩阵加权融合得到融合相似性矩阵. 利用circRNA-disease关联矩阵和circRNA-gene关联矩阵构建gene-circRNA-disease三部图. 通过融合相似性方法为三部图分配初始资源，使用贪心算法进行资源分配. 实例验证表明，FSTPGCDA的预测性能和鲁棒性较好.

为了快速追踪随环境变化的动态多目标优化问题的Pareto前沿，提出基于个体预测的动态多目标优化算法(IPS). 利用参考点联系算法筛选出特殊点，该特殊点具有良好的收敛性和多样性，通过对特殊点集的预测快速响应环境变化. 提出针对种群中心点预测的反馈校正机制，在预测非支配解集的过程中，对预测步长进行反馈校正，从而使预测更加准确；为了避免算法陷入局部最优，提出混合多样性维持机制，引入由拉丁超立方抽样和精度可控的突变策略分别产生的随机个体，以提高种群的多样性. 将所提算法与其他4种动态多目标优化算法进行对比分析，实验结果表明，IPS能够平衡种群的多样性和收敛性，在FDA、DMOP、F5~F10系列问题上，实验结果优于其他4种算法.

在处理庞大复杂的点云数据时，传统聚类方法精度低、耗时长并且受离群点影响大，针对以上问题，提出基于疯狂捕猎的柯西反向秃鹰搜索算法(QO-BESCH)的K均值互补迭代聚类优化方法. 所提算法构建基于体元包围盒的初始聚类中心选择模型，提升初始化聚类中心质量；提出疯狂捕猎机制，同时融合动态自适应控制算子和柯西反向策略，提升秃鹰搜索算法 (BES)的寻优能力，增加寻找聚类中心的成功率；利用QO-BESCH优化K均值聚类(KMC)，在减小迭代次数的同时增加搜索效率，得到较好的聚类结果. 利用UCI标准数据集对所提算法进行测试，并与8种聚类算法进行对比，实验结果证明了所提算法的优越性. 将本研究算法结合PCL点云库应用于ModelNet40点云数据集聚类，结果表明，所提算法可以实现有效聚类，适用性较强.

为了探索基于物理信息的神经网络（PINN）求解微分方程时，物理信息在训练神经网络中的作用，提出将物理信息分为规律信息和数值信息2类，以阐释PINN求解微分方程的逻辑，以及物理信息的数据驱动方式和神经网络可解释性.设计基于2类信息的神经网络综合损失函数，并从训练采样和训练强度2方面建立信息的训练平衡度，从而利用PINN求解Burgers-Fisher方程. 实验表明，PINN能够获得较好的方程求解精度和稳定性；在求解方程的神经网络训练中，Burgers-Fisher方程的数值信息比规律信息能更好地促进神经网络逼近方程解；随着训练采样和迭代次数的增加，以及2类信息的平衡，神经网络训练效果得到提高；增加神经网络规模可以提高方程求解精度，但也增加了网络训练迭代时间，在固定训练时间下并非神经网络规模越大效果越好.

为了实现密集杂波环境下多目标车辆安全跟随，提出多源传感器数据融合的多目标车辆跟踪算法与纵向避撞预警策略. 针对多源传感器观测序列因采样周期、采样起始时刻、通信时延差异等引起的时间异步，以及空间上存在不同维度、不同坐标系的问题，给出时间配准与空间融合的软同步方法. 采用基于改进的联合概率数据关联(JPDA)的单一传感器多目标状态估计算法对目标轨迹进行滤波估计，能够在保证有效关联的同时，在一定程度上降低计算复杂度. 基于多源传感器联合概率数据融合(MSJPDA)序贯滤波算法对目标的运动状态进行序贯更新，将最后一级的输出作为融合中心的最终状态估计，再根据威胁估计模型对追尾危险的发展态势进行评估与分级. 实车试验与仿真结果验证了该算法的可行性与有效性.

用户需求描述存在部分关联信息缺失及需求转变趋势模糊的问题，为此提出新的聚类模型. 利用爬虫技术获取用户在线评论，依据Jieba分词结果构建异质词性有向链路网络，并基于PageRank算法计算词汇重要度，以重要度排序结果筛选特征词汇集. 通过改进重叠模块识别算法，增强子群边属性相似度计算，构建评论特征词汇的无向加权网络；通过计算Jaccard距离开展网络图属性层次聚类，确定用户购买决策信息. 通过多路径节点的相似性计算结果更新网络链路，实现用户需求预测. 以水壶为例，改进的模块度为0.69，链路预测准确率达到86%，表明所提出的聚类模型能够明晰聚类结果潜在关联信息，链路预测结果符合群体效应客观特征，聚类结果可以辅助设计师明晰用户群需求以开展针对性设计工作.

提出高效的基于图形处理器(GPU)的子图匹配算法GpSI，针对主流算法的过滤阶段和连接阶段分别设计优化方案. 提出基于复合签名的过滤算法，在过滤阶段利用结点所处局部的数量特征和结构特征提升候选集过滤能力. 采用基于候选点的连接策略，在连接阶段以最小邻居数为粒度预分配空间，设计高效的集合运算，避免传统方法重复连接的额外开销. 多个数据集测试结果表明GpSI较主流GPU子图匹配算法在候选集过滤能力、执行用时、GPU内存占用和稳定性上均有明显优势. 在真实数据集测试中，相比GPU友好子图匹配算法，GpSI的执行用时加速2~10倍.

为了探究声学与发音学转换对普通话情感识别的影响，提出融合声学与发音特征转换的情感识别系统. 根据人体发音机制，录制普通话多模态音视频情感数据库. 设计双向映射生成对抗网络(Bi-MGAN)来解决双模态间的特征转换问题，定义生成器损失函数和映射损失函数来优化网络. 搭建基于特征-维度注意力机制的残差时间卷积网络(ResTCN-FDA)，利用注意力机制自适应地为不同种类特征和不同维度通道赋予不同的权重. 实验结果表明，Bi-MGAN在正向和反向映射任务中的转换精度均优于主流的转换网络算法；ResTCN-FDA在给定情感数据集上的评价指标远高于传统的情感识别算法；真实特征融合映射特征使得情感被正确识别的准确率显著提升，证明了映射对普通话情感识别的积极作用.