聚焦基于神经形态的触觉感知，构建触觉感知实验平台，研究基于脉冲神经网络的接触物体滑动检测方法. 使用GelStereo触觉传感器采集接触表面标记点位移场触觉信息流，采用2种方式（地址位移表示（ADR）和地址事件表示（AER））对位移场流进行脉冲编码. 基于脉冲响应模型(SRM)构建滑动检测网络，在英特尔神经形态硬件Loihi上完成了网络部署. 实验结果表明，基于地址位移表示的脉冲响应模型准确率达到94.8%，F1分数达到95.7%. Loihi模型（针对神经形态硬件Loihi实现的特化脉冲响应模型）准确率达到93.8%，F1分数达到94.8%. 所构建的脉冲神经网络在触觉滑动感知任务中实现了与人工神经网络（ANNs）相比拟的预测精度和更短的推理时间，在功耗上具有显著优势.

针对具有未知加性不确定性的约束线性系统，提出基于高斯过程回归学习的场景优化鲁棒模型预测控制算法. 在离线阶段使用高斯回归从经验数据中学习不确定性结构与参数，能够抽取大量随机场景. 在在线控制阶段中，求解抽取场景所构建的有限时域优化问题，将滚动优化得到的控制律作用于系统. 引入松弛变量保证优化问题的可行性，应用随机凸优化理论，证明所提算法使系统以一定的置信度满足松弛机会约束，收敛于终端域. 通过DC-DC转换器和网联车巡航控制仿真实验，验证了本文算法的有效性和优越性.

针对智能汽车在路径跟踪过程中因模型参数不确定性、外部干扰、系统状态时变性非线性等导致跟踪精度较低、鲁棒性较差的问题，设计基于鲁棒预测控制（RMPC）的路径跟踪控制方法. 考虑轮胎的非线性特性，对轮胎侧偏刚度进行修正. 考虑纵向车速时变性，利用有限个多胞体顶点描述车辆纵向车速，建立离散的车辆多胞不确定模型. 根据Lyapunov渐进稳定性和无穷时域二次型性能指标，采用带松弛变量的线性矩阵不等式（LMI），求解优化问题. 利用改进后的离线鲁棒预测控制算法，提高了控制器的实时性并降低了保守性. 通过Simulink-Carsim联合仿真和硬件在环试验，验证了控制器的有效性. 仿真结果表明，所设计的控制器具有较好的跟踪精度和鲁棒性.

为了解决车辆重识别算法受类内差异性与类间相似性的干扰无法充分表示车辆特征的问题，提出基于注意力机制和自适应损失权重的车辆重识别算法. 该算法采用改进的主干网络ResNet50_ibn，避免了颜色、光照、视角等客观因素的干扰，提取关于目标的不变性特征. 搭建基于注意力机制的组表示网络，融合特征间的相互依赖关系，从不同分组的特征表示中提取更加丰富的特征信息. 设计自适应损失权重计算损失函数，使用多损失函数策略对网络模型进行训练. 该算法在公开数据集VeRi776与VehicleID上的首位击中率和平均精度均值分别达到了96.0%、79.8%和81.5%、80.9%. 实验结果表明，利用该算法提取的特征更具判别性，综合性能优于现有的其他车辆重识别算法.

分析动态多层复杂网络时空演化过程中的网络节点重要性序结构，提出时序多层网络熵值结构洞节点重要性辨识模型. 分析时序网络节点局部信息熵的属性与节点全局K-shell信息集结偏好信息熵. 依据复杂网络结构洞系数，提出节点熵值结构洞节点重要性辨识模型. 时序化处理节点演化信息，提出节点重要性时序网络计算模型. 通过SIR模型检验节点传播效率，开展实证网络仿真. 本文的时序多层网络节点演化重要性排序结果与经典时序网络模型相比，Kendall值有了显著的提高.

为了提高语言想象脑-机接口（BCI）控制任务的准确率, 提出融合离散小波变换（DWT）与经验模态分解（EMD）的语言想象脑电信号特征提取与分类方法. 该方法将原始语言想象脑电信号分别进行离散小波变换与经验模态分解，提取分解后各通道信号的特征并进行融合，运用径向基核函数支持向量机（SVM）对语言想象脑电信号进行分类. 实验结果表明，提出的方法使得语言想象脑电信号分类的平均准确率达到82.46%，与基于离散小波变换的脑电信号分类方法相比，分类准确率提高了20.77%，与基于经验模态分解的脑电信号分类方法相比，分类准确率提高了21.12%. 该方法能够有效提高语言想象脑电信号分类的准确率，对于语言想象脑-机接口的实际应用具有重要价值.

针对现有基于深度学习的印刷电路板（PCB）缺陷检测算法无法同时满足精度和效率要求的问题，提出基于YOLOv3改进的AT-YOLO算法来检测PCB缺陷. 将主干网络替换为ResNeSt50，提高特征提取能力，减少参数量. 引入SPP模块，融合不同感受野的特征，丰富了特征的表达能力. 改进PANet结构替换FPN，插入SE模块提升有效特征图的表达能力，增加1组高分辨率特征图的输入输出，提升对小目标物体的敏感程度，检测尺度由3个增加到4个. 使用K-means算法重新聚类生成锚框尺寸，提高了模型的目标检测精度. 实验证明，AT-YOLO算法在PCB缺陷检测数据集上的精度均值AP_0.5达到98.42%，参数量为3.523×10⁷，平均检测速度为36帧/s，满足精度和效率的要求.

为了解决半监督学习方法训练过程中因损失函数类型不同、损失尺度不统一而导致的损失权重难以调节, 模型优化方向不统一与泛化能力不足的问题, 提出基于距离度量损失框架的半监督学习方法. 该方法从距离度量损失的角度出发, 提出统一损失框架函数, 实现了半监督任务中不同损失函数之间的损失权重调节. 针对损失框架中嵌入向量的目标区域问题, 引入自适应相似度权重，以避免传统度量学习损失函数优化方向的冲突, 提高模型的泛化性能. 为了验证方法的有效性, 分别采用CNN13网络和ResNet18网络，在CIFAR-10、CIFAR-100、SVHN、STL-10标准图像数据集和医疗肺炎数据集Pneumonia Chest X-ray上，构建半监督学习模型与常用半监督方法进行比较. 实验结果表明, 在同等标签数目的条件下, 提出方法具有最优的分类准确度.

针对膝关节处人-机系统错位的问题，提出两自由度自对准人工膝关节机构. 为了模拟生物膝关节的屈伸运动，该装置采用2个电机对自对准人工膝关节进行驱动. 对机构进行运动学分析，建立人-机耦合的运动学模型，将人工膝关节与生物膝关节间的错位定量地描述为机构绑带点与小腿参照点的摆角偏差和位置偏差. 以缩小偏差为目标，提出基于粒子群优化的人-机系统运动匹配方法优化关键部件参数，在绑带点趋近参照点的过程中，人工膝关节摆角趋近小腿屈伸角度. 采用高速相机测量个体小腿的运动数据，以测量结果为参考进行人机匹配操作. 建立数字虚拟样机，开展仿真实验. 通过MATLAB-Adams联合仿真，对动态过程中人工膝关节与个体小腿运动的匹配效果进行验证. 结果表明，该人工膝关节在其工作空间内可以实现运动匹配与摆角自对准.

针对车联网传统信誉机制存在的集中式信誉服务器不可信、威胁用户隐私及检测范围单一等问题，提出区块链架构下具有隐私保护的车联网信誉模型. 基于区块链技术，设计分布式可信的车联网信誉更新模型. 采用多密钥全同态加密算法实现评价数据的加密与计算，降低用户隐私泄露的风险. 设计回溯时间间隔自适应调整策略，防止恶意车辆基于信誉更新特性绕过检测. 仿真结果表明，该方案能够有效地保护用户隐私，对不同环境下的恶意车辆都能够保持较高的检测率和较低的误报率. 与传统方案相比，该方案针对车辆恶意行为的检出率提高了32%.

针对高速公路抛洒物检测中传统的固定背景建模方法容易因开放环境变化产生大量的前景噪声，动态背景建模方法容易因抛洒物的静止特性导致前景对象快速融入背景，提出基于背景分离高斯混合模型（BS-GMM）的动态背景建模方法. 该方法对传统高斯混合模型的背景划分和模型匹配方法进行改进，设计基于像素点的高斯分布背景模型权值的衰减状况进行背景建模和背景更新的方法，既能减少开放环境大量环境噪声的影响，也能对抛洒物快速进入静止状态后的准确检测，在计算性能上能够达到实时检测的效果. 实验结果证明，BS-GMM方法在抛洒物检测过程中产生的噪声数量比其他方法少，且对静止超过20 s的物体能够作为前景目标提取，因此能够有效地应用于高速公路抛洒物的准确识别.

针对机器人直接示教应用场景，提出机器人柔性关节系统在连杆侧无传感器下的零力控制方法. 引入动态LuGre摩擦模型进行关节摩擦力矩估计，采用2段四次多项式建立柔性关节系统刚度模型，基于广义动量观测关节力矩. 该方法利用刚度逆模型以及关节力矩估算谐波减速器扭转位移，结合谐波减速器运动传递特性估计连杆侧角度并计算重力矩，利用连杆动力学方程估计接触力矩. 构建期望的电机驱动力矩（包含估计的重力矩、摩擦力矩与接触力矩），通过对该期望电机驱动力矩的跟踪实现零力控制. 在搭建的机器人柔性关节系统实验平台上进行实验. 实验结果表明，完成相同的拖动示教过程时，该方法所需要的接触力矩约为1.8 N·m. 基于重力矩与摩擦力矩补偿的零力控制方法需要接触力矩约为3.4 N·m. 功率级脱离示教所需要的接触力矩约为14 N·m，验证了所提方法的实际效果.

为了提高具有关联工单数据的录音文本的分类精确率，根据录音文本及关联数据的特点，设计基于深度学习的录音文本分类方法. 针对录音文本，通过双向词嵌入语言模型（ELMo）获得录音文本及工单信息的向量化表示，基于获取的词向量，利用卷积神经网络（CNN）挖掘句子局部特征；使用CNN分别挖掘工单标题和工单的描述信息，将CNN输出的特征进行加权拼接后，输入双向门限循环单元（GRU），捕捉句子上下文语义特征；引入注意力机制，对GRU隐藏层的输出状态赋予不同的权重. 实验结果表明，与已有算法相比，该分类方法的收敛速度快，具有更高的准确率.

为了提高垃圾分类过程中前端收集的工作效率，基于机器视觉技术设计垃圾自动分类系统. 设计制作垃圾分类的硬件设备，主要包括可回收和不可回收2个箱体；针对垃圾数据集较少的问题，提出基于Inception v3网络特征提取模型和迁移学习相结合的垃圾种类识别方法，在自建的垃圾数据集上进行训练和测试. 结果显示，利用该方法可以准确地对垃圾种类进行识别，平均准确率达到0.99；将训练好的模型部署在树莓派3B+上，在制作的实物垃圾桶上进行测试，系统稳定后，平均完成一次分类回收的时间为0.95 s. 实验表明，该系统能够有效地进行垃圾种类的识别和完成垃圾的分类回收.

为了准确检测网络中的流量异常情况，确保网络正常运行，提出基于特征符号表示的网络异常流量检测算法（NAAD-FD）. NAAD-FD算法利用趋势转折点将网络流量数据按照基于趋势特征的符号表示方法进行转化，按照表示结果将原始数据转化为包含7项特征值的子序列，将7项特征值运用到提出的距离计算方法中；结合基于密度的算法，按照时间序列的网络异常流量定义执行异常检测. 通过对算法参数、仿真数据和真实网络流量数据的实验与分析可知,该算法具有较强的鲁棒性，验证了该算法的有效性和稳定性. 该算法通过降维简化表示，显著降低了算法的时间复杂度，有效加速异常检测过程约40%.

针对乳腺癌病理图像的自动分类问题，提出基于深度学习的分类算法. 通道重校准模型是作用于特征通道的注意力模型，可以利用学习到的通道权重对无用特征进行抑制来实现对特征通道的重校准，以达到更高的分类准确率. 为了使通道重校准的结果更加准确，提出多尺度通道重校准模型，设计卷积神经网络 msSE-ResNet. 多尺度特征通过网络中的最大池化层获得并作为后续通道重校准模型的输入，将不同尺度下学到的通道权重进行融合，可以改善通道重校准的结果. 该实验在公开数据集BreaKHis上开展. 实验结果表明，该网络对良性/恶性乳腺病理图像分类任务达到88.87%的分类精度，可以对不同放大倍数下获取的病理图像具有较好的鲁棒性.

针对现有基于检测的状态维修方法仅适用于短期维修计划，且通常单一地考虑不完全维修或不完全检测的问题，构建适合设备维修现场特征的长期维修计划优化模型，考虑检测与维修活动均不完全情况下的退化过程. 利用延迟时间模型描述退化过程，围绕双重不确定的检修活动，构建基于递推关系的可靠度模型，该模型可以有效表示系统退化速度和故障发生概率. 以单位时间系统费用最小为决策目标，引入可靠度、可用度等约束，建立检修计划优化模型，求解得到最佳检测周期和更换周期. 案例研究表明，利用提出的模型能够有效优化系统检修计划，节省维修成本. 通过与固定周期和固定可靠度阈值的维修策略进行对比，说明检测精度对于检测模型的优化效果具有显著影响，当检测精度属于较高水平时，检修模型明显优于其他维修模型.

研究多智能体系统的同步和有限时间同步问题.基于邻居节点的输出信息设计静态输出反馈协议，将多智能体系统同步控制问题转化为一类同步误差系统的镇定问题，导出使该系统同步和有限时间同步的充分条件.采用分离方法，通过迭代求解含有不等式约束的优化问题，得到最优的静态输出反馈增益，使得相应的性能指标最小. 通过数值算例验证了结果的可行性，研究参数对解空间的影响，得到参数可行域.

针对卷积神经网络（CNN）模型的压缩和加速问题，提出基于滤波器裁剪的新型卷积神经网络模型加速算法. 通过计算卷积层中滤波器的标准差值衡量该滤波器的重要程度，裁剪对神经网络准确率影响较小的滤波器及对应的特征图，可以有效地降低计算成本. 与裁剪权重不同，该算法不会导致网络稀疏连接，不需要应用特殊的稀疏矩阵计算库. 基于CIFAR-10数据集的实验结果表明，该滤波器裁剪算法能够对VGG-16和ResNet-110模型加速30%以上，通过微调继承的预训练参数可以使结果接近或达到原始模型的精度.

针对旅行商组合优化问题，提出混合帝国竞争算法（HICA）. 以帝国竞争算法为框架，引入概率模型用以记录并更新可行解，利用概率矩阵挖掘可行解中的优秀可行解片段组合区块，用以降低帝国同化的复杂度及提高可行解的质量；利用贪婪准则及插入搜寻算子操作进行可行解重组，以加快收敛速度及提高种群多样性. 提出反复搜索策略在不同的解空间进行有效的搜索，找出被遗漏的关键信息，避免局部最优化；通过对TSPLIB标准案例的仿真测试及结果比较，验证了混合帝国竞争算法的有效性.

针对当前Android恶意软件检测方法对检测出的恶意行为无法进行识别和分类的问题，提出基于随机森林（RF）算法的Android恶意行为的识别与分类方法. 该方法在对Android恶意软件的类型进行定义的基础上，利用融合多种触发机制的Android恶意行为诱导方法触发软件的潜在恶意行为；通过Hook关键系统函数对Android软件行为进行采集并生成行为日志，基于行为日志提取软件行为特征集；使用随机森林算法，对行为日志中的恶意行为进行识别与分类. 实验结果表明，该方法对Android恶意软件识别的准确率达到91.6%，对恶意行为分类的平均准确率达到96.8%.

为了识别人体运动意图协调人机运动，采用二维激光测距仪采集地形数据进行在线识别，使用学习向量量化（LVQ）的方法，基于不同地形间的距离特征实现快速、准确的地形分类. 设计基于数据驱动的无模型自适应控制方法，基于膝关节角度的输入输出数据建立动态线性化模型，避免了人机外骨骼建模的复杂性和建模误差. 建立人机外骨骼模型，通过仿真得到正常行走时膝关节的先验力矩，引入先验力矩提高控制器的准确性. 搭建ADAMS和MATLAB联合仿真平台，选取平地路况进行实验. 实验结果表明，所设计的控制方法使得外骨骼膝关节对目标角度有良好的跟踪，对人体行走有较好的助行效果.

针对当前人脸特征点定位精度低、且当人脸图像存在较大姿态变化时不能在同一模型框架下实现任意姿态人脸图像的面部特征点精确定位问题，提出基于级联形状回归的对姿态、遮挡都鲁棒的人脸特征点定位方法. 为了提高定位的准确度，提出按姿态偏转造成的遮挡程度对人脸区域进行分块，针对每一块分别训练形状估计回归器；为了能够在同一框架下实现任意姿态人脸的特征点定位，在特征点形状定义中引入特征点的可见/不可见属性；为了提高该算法的性能，在特征的计算方法和计算策略上分别进行改进. 在Multi-PIE、AFLW、COFW和300-W数据库上的实验结果表明，提出算法不但对姿态、遮挡具有很强的鲁棒性，而且在其他不可控因素影响下取得很好的效果.

为了提高图像分类效果，针对卷积神经网络中常用激活函数relu在x负半轴的导数恒为零，导致训练过程中容易造成神经元“坏死”以及现有组合激活函数relu-softplus在模型收敛情况下学习率过小导致收敛速度慢的问题，提出新的组合激活函数relu-softsign. 分析激活函数在训练过程中的作用，给出激活函数在设计时需要考虑的要点；根据这些要点，将relu和softsign函数于x轴正、负半轴进行分段组合，使其x负半轴导数不再恒为零；分别在MNIST、PI100、CIFAR-100和Caltech256数据集上，与单一的激活函数和relu-softplus组合激活函数进行对比实验. 实验结果表明，使用relu-softsign组合激活函数提高了模型分类准确率，简单有效地缓解了神经元不可逆“坏死”现象；加快了模型的收敛速度，在复杂数据集上该组合函数的收敛性能更好.

为了获得与生物魟鱼胸鳍相近的推进波形和游动性能，提出基于Hopf振荡器的仿生中枢模式发生器（CPG）胸鳍波形控制策略. 针对仿生机器魟鱼的结构与游动特征，利用20个Hopf振荡器耦合构建中心式CPG拓扑网络模型；通过输入参数幅值、频率和波数，控制该拓扑网络模型输出仿生机器魟鱼定常巡游、加速游动和机动转弯3种游动模式下胸鳍波形的动态位置信号. 通过仿真验证了该拓扑网络模型能够快速响应输入参数的变化，稳定输出平滑、连续的动态位置信号. 通过试验研究该拓扑网络模型控制仿生机器魟鱼胸鳍波动的可行性以及网络的输入参数对仿生机器魟鱼游动性能的影响. 试验结果表明，该模型能够稳定地输出耦合的波形信号，控制仿生机器魟鱼鳍面形成与生物鱼相似的推进波形，实现各游动模式以及各游动模式间灵活平滑地切换.

针对协同过滤推荐算法中Slope One算法在稀疏数据集中推荐精度低的问题，利用矩阵分解在解决矩阵稀疏性方面的优势，将非负矩阵分解技术引入到用户-项目评分矩阵的降维处理中，将原有的稀疏评分矩阵进行非负分解，改善了矩阵的稀疏性，优化Slope One算法. 从实验数据可以看出，与原始的CF算法进行比较，NMF-Slope One算法有较好的推荐效果. 在数据稀疏的条件下，确定参数进行实验. 实验结果表明，该方法提高了Slope One算法在数据稀疏下的精度和推荐质量.

针对一类具有同质特征的多维轨迹群，提出基于知识继承的迭代学习控制（ILC）策略. 该策略以一类工业机器人系统为控制对象，在跟踪具有渐变幅值的同质轨迹群（HTG）时，应用迭代学习控制方法，从起始源轨迹中获得基准控制知识. 将基准控制知识预设为下一新轨迹迭代学习的首次运行知识. 通过增益变换和偏移变换实现迭代学习控制的知识继承，使得该类工业机器人系统加快对新轨迹的学习速度，以此降低跟踪同质轨迹群的整体学习次数，实现跟踪效率的较大提升. 理论分析和仿真结果证明了所提控制策略的优越性.

针对基于卷积神经网络的图像超分辨率重建（SRCNN）方法存在的重建网络浅、特征利用率低以及重建图像模糊等问题，提出基于多尺度特征映射网络的图像超分辨率重建方法. 多尺度特征映射网络通过学习低分辨率（LR）特征与高分辨率（HR）特征之间的映射关系，将多个尺度的LR特征映射到HR特征空间，通过特征融合来提高重建过程中对特征的利用率；该方法定义了结合逐像素损失、感知损失和对抗损失的联合损失函数，从低频内容、图像边缘和局部纹理等方面均衡提升重建图像质量. 对数据集Set5、Set14和BSD100的图片4倍下采样后进行测试，与当前主流方法进行比较和分析. 实验证明，基于生成对抗的多尺度特征映射网络在提高图像感知质量方面表现优秀，重建的图像具有更加清晰的边缘和纹理，在客观评价上具有较好的评分.

为了验证基于改进人工蜂群算法的径向基函数（RBF）神经网络模型在地下水埋深预测中的可行性和优越性，在基本人工蜂群算法中引入高斯变异算子，优化初始蜜源位置，设计建立基于改进人工蜂群算法的RBF神经网络模型（IABC-RBF）. 通过输入泾惠渠灌区的年降雨量、年渠首引水量、年田间灌溉用水量、年地下水开采量和前一年的地下水埋深共5个相关影响因子的数据，对地下水埋深进行预测，与实测的地下水埋深数据进行比较，误差很小. 与RBF神经网络模型和基于基本人工蜂群算法训练的RBF神经网络模型（ABC-RBF）的预测结果进行比较，结果表明，基于改进人工蜂群算法的RBF神经网络模型收敛速度更快，预测结果误差最小，精度最高.

为了满足机器人个性化服务需求，使机器人可以根据不同的服务对象来选择专属物品进行任务的推理和规划，需要服务机器人具备自主获取人穿携物品与人的归属关系的能力. 针对家庭环境下人穿携物品与人的归属关系获取问题，提出人穿携物品归属关系自主学习框架. 采用基于物品检测模型SSD与人体姿态估计模型OpenPose相结合的人穿携物品检测定位方法，实现人穿携物品检测. 利用基于迁移学习的卷积神经网络提取物品特征，通过后端分类器完成物品实例属性识别，使用人脸检测与识别模型MTCNN完成服务对象身份识别. 通过归属关系自主学习策略，完成归属关系的自主学习. 实验结果表明，提出的人穿携物品归属关系自主学习框架能够准确、高效地完成归属关系的学习，有效排除环境干扰因素对归属关系学习的影响，具有良好的准确性和鲁棒性.