大多复合故障诊断方法视复合故障为一种新的单一故障类型，忽视了内部单一故障的相互作用、故障分析粒度含糊和解释性差. 为了解决复合故障难解耦的问题，针对工业环境中复合故障数据极少的情况，提出一种基于改进Transformer的复合故障解耦诊断方法. 诊断流程分为预处理、特征提取和故障解耦3个步骤. 故障解耦引入Transformer的解码器，利用交叉注意力机制使得每个单一故障标签可以在提取的特征层中，自适应地关注到与故障特征相对应的判别特征区域，进一步预测每个单一故障标签的输出概率以实现复合故障解耦. 设计多组复合故障试验与业界先进算法进行对比，以验证方法的有效性. 结果表明，所提方法在少量单一故障训练样本和极少量复合故障训练样本情况下，有较高的诊断准确度. 当训练集中复合故障样本数仅为5时，复合故障诊断准确度达到88.29%，与其他方法比较更具有显著优势.
针对现有的结构化图像超分辨重建算法大多只能解决特定单一种类的结构化图像超分辨问题，提出一种基于改进Transformer的结构化图像超分辨率网络（TransSRNet）. 该网络利用Transformer的自注意力机制在空间序列中挖掘大范围的全局信息. 采用沙漏块结构搭建空间注意力单元，关注低分辨率空间和高分辨率空间在局部区域的映射关系，提取图像映射过程中的结构化信息，使用高效通道注意力模块对自注意力模块和空间注意力模块做特征融合. 在高度结构化CelebA、Helen、TCGA-ESCA 和TCGA-COAD数据集上的模型评估结果表明，相较于主流超分辨算法，TransSRNet整体性能表现更好. 在放大因子为8时，人脸数据集和医学峰值信噪比（PRNR）可以分别达到28.726、26.392 dB, 结构相似性（SSIM）可以分别达到0.844、0.881.
针对基于3D卷积的点云实例分割算法的分割结果离散化、特征利用不充分的问题，提出具有注意力机制（KNN）模块和改进的实例语义关联（ASIS）模块的点云实例分割模型. 模型以体素作为输入，通过3D子流形稀疏卷积提取点特征. 利用具有注意力机制的KNN算法，对语义、实例特征空间的特征进行重组，以缓解提取到的特征离散化问题. 通过改进的ASIS模块，对重组后的语义、实例特征相互关联以增强点特征间的区分度. 对于语义特征与实例嵌入，分别应用Softmax模块、MeanShift算法获得语义与实例分割结果，采用S3DIS公开数据集对所提模型进行验证. 实验结果表明，所提模型的实例分割结果在平均实例覆盖率(mCov)、平均加权实例覆盖率(mWCov)、平均精确率(mPrec)、平均召回率(mRec)衡量指标上分别达到了53.1%、57.1%、65.2%与52.8%；语义分割结果在平均交并比和总体精度上分别达到了61.7%、88.1%. 消融实验结果验证了所提模块的有效性.
针对传统对接方法在缺少现场实测数据支持下的被动调整问题，提出基于数字孪生的机身对接精度优化控制方法.基于数字孪生虚实结合技术，研究机身对接工艺优化反馈控制技术. 搭建融合冗余控制算法和工艺优化策略的数字孪生系统，明确了基于现场实测数据的测量-优化-反馈精度优化流程. 基于有限状态机理论，精准重建数字孪生模型，实现对接过程的监控和精度预测，根据同轴度评价指标完成工艺参数二次设计，将优化后的工艺参数重新下发至物理现场、控制现场进行对接. 对接位姿偏差对比结果表明：对接精度优化控制方法将机身筒段位置偏差降低了60.03%，姿态偏差降低了53.94%.
为了解决在无线网络中部署联邦学习面临的通信资源消耗大和设备计算资源有限的问题，提出一种基于无线设备直通(D2D)网络的分层联邦学习框架. 与传统架构不同，模型训练采用分层聚合. 该框架通过D2D网络进行簇内聚合，各个簇同时进行去中心化训练,从每个簇中选择一个簇头上传模型至服务器进行全局聚合. 通过将去中心化学习与分层联邦学习结合，降低了中央节点网络流量. 使用D2D网络中节点的度来衡量模型收敛性能，通过最大化所有簇头的度之和，对簇头选择与带宽分配问题进行联合优化，并且设计一种基于动态规划的算法求出最优解. 仿真结果表明，与基线算法相比，该框架不仅能够有效地降低全局聚合的频率和减少训练时间，而且能够提高最终训练得到的模型性能.
考虑末端配送服务模式对服务质量和配送成本的影响，提供一种末端配送服务模式与路径联合优化方法. 以配送成本和客户满意度为双目标建立混合整数规划模型，改进NSGA-Ⅱ求解模型，并且利用GUROBI求解器验证所建模型的有效性. 通过求解不同规模算例发现，改进NSGA-Ⅱ具有求解稳定性，并且仅用GUROBI求解时间的1/10便能够得到高质量Pareto解集，与传统NSGA-Ⅱ相比，改进NSGA-Ⅱ求解时间平均仅增加23 s，求解质量平均提升3.37%，表明改进NSGA-Ⅱ优于GUROBI求解器和传统NSGA-Ⅱ. 通过敏感度分析发现，与仅利用单一末端配送服务模式相比，物流企业综合利用多种末端配送服务模式能够更好地平衡配送成本与客户满意度水平，合理增加自提柜和自提点数量，拓宽客户收货时间窗宽度有助于降低配送成本.
现有的知识表示方法只考虑三元组本身或一种额外信息，没有充分利用外部信息对知识表示进行语义补充， 为此提出一种融合文本描述信息和层次类型信息的知识表示学习方法.使用卷积神经网络(CNN)从文本中提取特征信息；使用基于注意力机制的卷积神经网络区分不同关系的特征可信度，以增强实体关系结构向量在现有知识图谱中的表示，获得丰富的语义信息；使用加权层次编码器来构造层次类型投影矩阵，将实体的所有层次类型投影矩阵与特定关系类型约束结合起来.在WN18、WN18RR、FB15K、FB15K-237和YAGO3-10数据集上,进行链接预测和三元组分类等任务，以分析和验证所提模型的有效性. 实验结果表明: 在实体预测实验中，所提模型与TransD模型相比，MeanRank(Filter)降低了11.8%，Hits@10提升了3.5%；在三元组分类实验中，所提模型的分类精度比DKRL模型提高了8.4%，比TKRL模型提升了8.5%，充分证明利用外部多源信息能够提高知识表示能力.
针对水下图像质量退化严重的问题，提出一种端到端的基于融合逆透射率图的水下图像增强算法. 将原始RGB图像和基于传统方法得到的逆透射率图分别输入到双流卷积神经网络的2个编码器中；通过跨模态特征融合模块使得2种图像信息充分融合互补，让网络更好地学习到水下光学成像的特点；通过特征增强模块，增强特征的表达能力；通过残差解码模块连接解码器和编码器，以补充和丰富RGB特征. 通过逆透射率图的水下图像增强算法以及跨模态跨尺度的信息融合，由粗到细地进行逐级处理，最终输出增强后的RGB图像. 实验结果表明，所提算法能够有效地提升水下图像视觉质量. 综合主观评价和客观评价，所提算法优于所对比的白平衡WB、直方图均衡化HE、Water-Net、UGAN、UWCNN、Ucolor 6种算法.
复杂网络节点的重要性度量与时间属性相关，经典静态网络模型弱化对节点交互时间属性的有效表征.将深度学习模型迁移到动态图数据上进行端到端系统建模，提出基于图卷积融合计算的时效网络节点重要性综合评估模型. 通过超邻接矩阵集结时效网络结构特征的动态演化过程，利用图卷积神经网络框架融合计算节点邻域特征，分析节点时序演化重要性顺序结构，实现节点重要性综合排序.仿真实验结果表明，与基线方法相比，所提方法得到的Kendall’s $ \tau $值在所选网络数据集上均表现优良，体现出基于图卷积融合计算的时效网络节点重要性综合评估方法的有效性和优越性.
针对现有服装图像生成方法多样性不足、兼容性欠缺的问题，提出新的基于草图的兼容性服装生成方法. 允许用户输入草图和参考服装图，生成多样化的服装图像，使得内容上忠于草图的描述，风格上与参考服装兼容. 设计由2个编码网络和1个解码网络构成的新颖网络框架，其中编码网络用于提取参考服装和用户绘制草图的特征，解码用于生成图像. 构建真实性判别网络和兼容性判别网络，设计由对抗损失、重建损失、感知损失、风格损失和边缘损失相结合的多项联合损失函数，引导网络生成逼真的服装图像，并与参考服装图像的风格兼容. 定量实验结果表明，所提方法提高了图像生成质量，整体表现优于基线方法; 定性实验结果表明，所提方法生成图像更符合草图描述，可以生成多样化的结果.
基于积分图运算的阈值分割将图像二值化，使用仿射变换完成文本字段图像的方向校正，从而实现文本行的定位.在原始卷积循环神经网络(CRNN)的基础上，将骨干网络替换成MobileNet-V3结构，在2层LSTM之间加入注意力机制，同时引入中心损失函数.利用改进的CRNN实现文本行字符的识别.将改进后的CRNN在40 510 张芯片文本行图像上进行测试.通过小样本数据集进行模型微调训练得到多个子模型，从而实现集成推理，使用3个模型的综合识别准确率稳定在99.97%左右，单张芯片图像的总识别时间小于60 ms.实验结果表明，改进的CRNN算法的准确率比原始CRNN提升了大约27.48%，多模型集成推理的方法可以实现更高的准确率.
在多标签新闻分类问题中，针对传统分类器链算法难以确定标签依赖顺序、集成模型运行效率低和无法应用复杂模型作为基分类器的问题，提出基于深度神经网络的双向分类器链算法. 该方法利用正向分类器链获取每个标签和前面所有标签的依赖关系，引入逆向分类器链，从正向链最后一个基分类器的输出开始反向学习每个标签和所有其他标签的相关性. 为了提取非线性标签相关性和提高预测性能，使用深度神经网络作为基分类器. 结合2条分类器链的均方误差，使用随机梯度下降算法对目标函数进行有效优化. 在多标签新闻分类数据集RCV1-v2上，将所提算法与当前主流的分类器链算法和其他多标签分类算法进行对比和分析. 实验结果表明，利用深度双向分类器链算法能够有效提升预测性能.
针对不同流速类类间差异小而造成的分类困难问题，提出条件边界平衡生成对抗网络和多特征融合的卷积分类网络，分别进行流速图像的生成和分类. 为了达到数据增强效果，引入标签机制和验证模块实现相应类别图像数据的拟合与生成；为了加强图像不同纹理特征信息对流速估测的影响，引入多特征融合机制对所有真实样本和生成伪样本进行特征提取和流速识别，实现对差异性较小的图像的分类. 将该方法应用于实际的河流表面流速估测，结果表明，在图像生成模块中，引入的标签信息和验证机制在一定程度上能强制引导模型的数据生成方向；在图像识别模块中，引入的多特征融合机制使所提出方法相较于其他方法，在差异性较小的水流图像的识别上更具鲁棒性.
针对具有非确定性多项式难度（NP-hard）的全局优化问题—不等圆Packing问题（UCPP），基于空间分配思路提出新的求解方法—群智能劳动分工（SILD）方法. 从空间的角度来看，不等圆Packing问题就是将容器空间合理高效地分配给圆形物体. 所提出方法的核心思想在于将不等圆Packing问题抽象为空间分配问题，利用群智能劳动分工的任务分配来实现不等圆Packing问题的空间分配. 从分配的角度对比分析不等圆Packing问题和群智能劳动分工，将圆形物体执行的动作看作个体执行的任务，分别为动作和圆形物体设计环境刺激和响应阈值. 在群智能劳动分工刺激-响应原理作用下，圆形物体选择恰当的动作完成空间分配. 实际工程算例和基准函数算例的测试结果表明，所提出方法是求解不等圆Packing问题的有效算法.
针对网络课程推荐中数据稀疏和推荐效果不佳的问题，将深度学习引入课程推荐，提出基于辅助信息的神经网络模型（IUNeu）. 该模型在已有神经矩阵分解模型（NeuMF）的基础上，结合用户信息和课程信息，并考虑它们之间的相互作用关系，以提升模型表示用户和课程的准确性. 爬取慕课网（MOOC）上的学习数据进行实验，结果表明，随着向量长度和推荐课程数的增加，IUNeu模型的性能增长速度较NeuMF模型更快；不同的消极采样量对2个模型的影响较大，模型性能随着消极采样量的增加而增加，当采样量达到一定值时，变化趋于稳定；IUNeu模型比NeuMF模型具有更高的收敛速度. 在IUNeu模型中加入更多课程特征信息，可以进一步提高IUNeu模型的推荐质量.
针对恶意拒绝服务（DoS）干扰攻击对信息物理系统（CPS）正常运行的影响，研究DoS干扰攻击下某类CPS的H∞控制问题. 能量受限的DoS干扰者采用周期型攻击策略攻击CPS中的无线信道，迫使无线信道的通信质量下降；CPS的无线信道存在由固有因素引起的随机数据包丢失，且由于恶意网络攻击具有突发性和隐蔽性的特点，DoS干扰者的攻击策略是未知的. 将恶意DoS干扰攻击和无线信道固有因素对信道通信质量的影响表示为统一形式，并通过建立攻击容忍机制和基于观测器的控制策略，得到保证受攻击CPS在未知攻击者具体攻击策略的情况下能够实现指数均方稳定且满足预期H∞性能指标的充分条件，将H∞控制器的设计问题转化为凸优化问题的求解. 利用数值仿真验证所提出控制策略的正确性和有效性.
针对分布参数系统受时空耦合特性、强非线性、复杂的能量交换以及未知因素等的影响，难以精确建模的问题，提出基于数据驱动的低维约束嵌入建模方法. 以数据流形分布为基础，考虑数据局部非线性和全局非线性；通过非线性映射和流形学习方法，保证数据局部流形结构的非线性联系；约束非局部流形结构，避免数据在低维空间内发生混乱现象；采用最小二乘支持向量机建立时序模型，获得时间方向上的动态特征，并通过时空整合，重构系统完整的预测模型. 热过程的实验结果表明，所提出的方法能有效建立强非线性分布参数系统的模型，与传统方法对比，具有更强的建模性能与预测能力.
针对已有聚合式图嵌入方法多采用均匀采样函数为图中节点构建邻域，即仅随机采样邻居节点，而忽略各邻居节点自身性质的差异的问题，提出基于度值的非均匀邻居节点采样方法. 针对目标节点，优先采样其度值较大的邻居节点；隐藏一批度值较小的邻居节点，使它们在采样过程中不出现；在邻居节点集中随机采样剩余的节点以保留一定的采样随机性，这些随机采样的节点与优先采样的节点组成目标节点的邻域. 将所提出的非均匀邻居节点采样方法应用于图嵌入过程，在Reddit数据集上的图嵌入分类F1分数为91.7%，该结果优于几个知名的图嵌入方法的结果. 在重叠社团数据集PPI上的实验证实提出方法能够为图数据生成更高质量的嵌入.
