在低资源自然语言处理(NLP)任务中，现有的数据不足以训练一个理想的深度学习模型，文本数据增强是提高此类任务训练效果的有效方法。针对中文命名实体识别任务，提出一组基于实例替换的数据增强方法。将训练样本中的命名实体替换为另一个同类实体而保持标签不变，具体算法包括：1）实体之间交叉互换；2）实体内部同义替换；3）中文人名自动生成。分别在PeopleDailyNER和CLUENER2020数据集上应用上述方法，并对BERT+CRF模型进行增强训练。实验结果表明，仅添加与原始数据等量的增强数据，在小样本条件下能使模型F1值在2个数据集上分别提升约10%和7%，随着样本数据的增加，训练效果仍有明显提升。

针对大电网负荷预测的研究较多而微电网相对较少，因此建立合适的微电网负荷预测模型提高预测的准确度非常重要。本文针对输入变量较少的情况，分析并选用温度、日类型以及多个历史负荷量作为模型的输入变量，选用基于循环神经网络基础下的长短期记忆神经网络进行建模，构建基于LSTM神经网络的微网负荷预测模型。最后，为增强结果的可靠性，采用2组不同时间段的负荷数据分别进行预测，将LSTM神经网络的预测结果与BP神经网络、径向基函数神经网络、Elman神经网络的预测结果进行对比。实验结果表明，LSTM神经网络的预测结果要优于BP神经网络、径向基函数神经网络及Elman神经网络，采用LSTM神经网络负荷预测模型在微电网背景下具有比较好的推广前景。

中国在扶贫工作取得决定性成就的同时，仍有一些脱贫人口存在返贫风险。本文基于不平衡数据集，利用SMOTE模型对返贫类别样本进行过采样处理，处理后的返贫与未返贫样本数据比例为3:1；接着建立基于Stacking集成学习的返贫预测模型，利用网格搜索对各个模型超参数进行寻优，结合10折交叉验证提高模型的泛化能力。本文使用4种不同的融合模型对脱贫户是否返贫进行预测。实验结果表明，与单一模型相比，模型融合后的分类效果要优于单独的分类器，其中最优融合模型的Acc为0.962，F1-score为0.946。

针对风电机组齿轮箱油温数值的非线性与相关性，为实现油温的准确预测，提出一种基于快速傅里叶变换(Fast Fourier Transform, FFT)的深度神经网络(Deep Neural Network, DNN)的预测方法。首先，对油温数据进行时间序列特性分析，选择时间窗口对信息进行排列，然后对信息进行FFT并提取其高频幅特征，并把这些特征输入DNN模型中进行训练，最后对输出的结果进行评价。采用实测数据对该方法进行验证，并选用常见模型进行对比，结果验证了该方法的有效性。该方法可以在齿轮箱运行状态异常前预警，降低设备功能性的故障，减少风电机组故障停机的损失，具有实用价值。

生成对抗网络的出现对解决深度学习领域样本数据不足的研究起到了极大的促进作用。为解决生成对抗网络生成的图像出现轮廓模糊、前景背景分离等细节质量问题，提出一种改进梯度惩罚的Wasserstein生成对抗网络算法(PSWGAN-GP)。该算法在WGAN-GP的Wasserstein距离损失和梯度惩罚的基础上，在判别器中使用从VGG-16网络的3个池化层中提取的特征，并通过这些特征计算得出风格损失(Style-loss)和感知损失(Perceptual-loss)作为原损失的惩罚项，提升判别器对深层特征的获取和判别能力，对生成图像的细节进行修正和提升。实验结果表明，在生成器和判别器网络结构相同，并保证超参数相同的情况下，PSWGAN-GP的IS评分和FID评分相对于参与对比的其他图像生成算法有所提升，且可有效改善生成图片的细节质量。

针对现有的步态识别模型识别准确率不够高、提取特征层次较浅等问题，在步态识别网络GaitSet的基础上，提出一种新的基于改进残差网络的联合损失步态特征识别模型Res-GaitSet。步态作为一种独特而有效的远距离识别生物特征，可以在老年医学评估、社会秩序保障等方面被广泛应用。新网络在特征提取模块中引入残差单元，并采用多个损失函数联合使用的方式，此方法可有效提高步态识别模型的准确性和鲁棒性。实验结果表明，改进后的网络Res-GaitSet在CASIA-B数据集的多个场景和不同识别角度下的准确率均有提升。同时，将改进后的网络用于自建步态数据集，对比于原网络，改进后的网络识别效果在不同角度下也均有提升，充分验证了改进模型的有效性。

多目标检测是计算机视觉中一个重要的研究方向，如何才能准确地检测目标在军事、生活、工业等方面都有着极为重要的研究意义。针对传统光流法在目标检测中对噪声鲁棒性较差的问题，为了提高算法对噪声的鲁棒性，本文将CLG光流法与多尺度的思想相结合。多尺度的主要思想是建立一个图像金字塔，由粗到精地计算光流向量，并在此基础上将L2范数的平方改为L1范数。实验结果表明，改进后的多尺度CLG光流算法相对于原始CLG光流算法有更好的整体效果，说明多尺度CLG光流算法对噪声具有更好的鲁棒性，可以较好地对图像进行光流估计。

在实际应用场景下，通过图像识别的方式来识别小麦的病虫害具有极大的挑战性。与以往纯粹基于卷积神经网络（Convolutional Neural Network, CNN）的方法相比，将小麦图像转换成一系列视觉语言，并从全局视角进行小麦识别的方法是更可行和实用的。运用Convolutional Visual Transformers（CVT）来解决小麦识别分为2个环节。首先，利用2分支CNN生成的2种特征图来实现注意选择性融合(Attentional Selective Fusion, ASF)。ASF通过融合多个特征和全局-局部注意力来获取有区别的信息，并投射成一系列的视觉语言。其次，受Transformers在自然语言处理方面的成功启发，用全局自注意力来建模这些视觉语言之间的关系。将CVT与经典分类网络LeNet-5、ResNet-18、VGG-16、EfficientNet对比，识别率有所提升，同时该方法具有良好的泛化能力。

滑坡区域图像检测与识别在灾害范围识别、灾情数据分析和防灾减灾中具有丰富的应用和研究价值。本文针对滑坡图像滑坡体形状纹理的多样性，以及滑坡目标区域检测识别效果不够理想的问题，提出一种注意力机制CBAM与空洞卷积结合的目标检测方法。在传统的目标检测算法Faster R-CNN的基础上，将注意力机制模型添加到卷积神经网络层，通过空间注意力与通道注意力结合的CBAM模型来进行滑坡图像特征的提取，增加空洞卷积模块来加大感受野区域，提高神经网络对遥感图像区域中的滑坡目标识别、尺寸不规范等特点的学习能力，从而进一步提升滑坡目标区域的检测精度。实验结果表明，在传统的目标检测算法的基础上采用两者结合的方式进行检测，可提升滑坡遥感图像上目标检测的召回率和精确率，具有一定的有效性和鲁棒性。

针对模型在下采样过程中不断损失图像的高层次信息，从而导致特征提取不足的问题，本文对ResNet网络结构进行改进，提出基于多尺度特征与注意力机制的交通标志识别方法。首先，通过特征融合的方式将模型各个层次的多尺度特征进行融合，丰富特征语义信息，增强网络的特征提取能力。然后，通过注意力机制强化不同通道特征，提升特征整体的表达能力。结合这2种方法可提升模型的交通标志识别准确率。在GTSRB和BelgiumTS交通标志数据集上的实验结果表明，所提出方法的准确率分别达到99.31%和98.96%，优于前沿的交通标志识别算法。

面向数据的体系架构（DOA）为海量异构数据流通共享提供了新的有效解决方案。而数据注册中心（DRC）作为DOA的核心部件，它的访问性能尤为关键。针对高并发访问带来的DRC集群服务过载问题，采用Nginx反向代理负载均衡技术处理高并发访问。对Nginx的负载策略进行分析优化，提出一种由动态配置、负载收集、算法调度组成的动态负载均衡策略，并在负载调度模块对Nginx加权最小连接调度算法（WLC）进行改进，通过自适应权值不断调度下一个周期内性能最优的节点来处理请求。通过高并发性能测试验证了所提出的负载均衡策略在DRC集群中能更有效处理大流量的访问需求，提高集群的资源利用率和缩短请求响应时间。

对新型冠状病毒肺炎综述文献进行网络结构分析可为新冠疫情的应对提供有效的理论支持。采用可视化软件CiteSpace对Web of Science数据库中新型冠状病毒肺炎综述文献的引文数据进行共被引网络分析，经统计发现文献共被引网络的度分布呈幂律分布，网络连通性较强且存在小世界现象。运用团渗流算法对其进行重叠社团挖掘，检测到7篇同时跨3个社团的核心文献，结合被引频次对网络重叠节点的功能进行验证。借助网络重叠节点的ID符号、介数中心性指标发现相应研究主题间联系紧密。通过不同特征的重要网络节点，能够有效挖掘到相关的研究主题。

演化博弈是自然和社会系统中一种常见的互动类型，探知演化博弈网络的拓扑结构是理解其功能和集体行为的基础。对于演化博弈网络，个体的博弈行为通常难以用动力学方程进行描述，而且相关的时序信息一般数量有限并且是离散的，因此在有限的个体博弈信息下重构网络的结构有着重要的研究意义。本文基于稀疏贝叶斯学习方法进一步发展了演化博弈网络的重构方法，通过在随机网络和小世界网络上的数值模拟验证该方法的有效性。与先前的基于L1范数的方法相比，该方法同样能够在较少的个体博弈信息下实现网络的重构，并且具有更高的重构效率和更强的噪声鲁棒性。

针对室内超宽带（Ultra-Wide Band, UWB）的定位技术在复杂遮挡的环境下定位效果不好、定位不精确的缺陷，本文提出一种在Chan算法的基础上对粒子群算法进行优化的混合算法定位方法。首先利用Chan算法求出定位标签初始估计位置坐标，并在非视距（NLOS）环境下通过设置阈值θ以对Chan算法计算出的位置坐标进行筛选；将已知的基站接收到的距离差与用Chan算法求出的标签位置信息求出的不同基站间的距离差做差值和，若差值和小于该阈值则直接输出位置坐标，反之则将位置坐标作为粒子群算法的初始值，通过迭代优化不断追踪个体极值和局部极值，更新个体的位置和速度，寻找到全局最优解再进行输出。仿真结果与实际场地实验结果表明，与单一算法相比，本文提出的混合定位算法在非视距环境下的定位精度可提高27%~31%；收敛速度快，算法复杂度低，满足室内定位的要求。

OFDM作为先进的通信技术在无线基站BS对无线目标节点设备精准定位中发挥着至关重要的作用，但对2个无线设备之间信号传播及到达时间的要求比较高，这使得在室内环境下的应用受限。基于此，本文基于已知位置参考节点和BSs传输，通过目标节点和参考节点上的采集样本导出目标的近似ML位置，提出一种基于非同步BSs传输的OFDM信号目标节点精确位置计算方法。将提出的方法应用于现有的无线定位测试系统中，实验结果表明，基于非同步BSs传输的OFDM信号目标节点精确位置计算方法，能够在不需要对BSs传播进行任何修改的情况下对室内无线设备进行精准定位，对室内环境下无线设备位置的精准定位具有一定的实际指导意义。

运动想象脑电是一种多通道高维信号，特征选择可以降低特征维数，选择更具判别性的特征，从而有效提高脑电解码的性能。现有的特征选择方法主要包括过滤式、包裹式和嵌入式方法，这3类方法各有优缺点。为了综合利用各类方法的优势，提出2种混合特征选择方法。第1种方法，使用最小绝对值收缩和选择算子（LASSO）进行特征选择，得到LASSO模型的权重之后，再设定一系列权重阈值进行二次特征筛选。第2种方法，使用Fisher分数对特征进行评分，然后设定一系列权重阈值进行二次特征筛选。使用Fisher线性判别分析（FLDA）对2种方法选择的特征子集进行分类。在2组脑机接口（BCI）竞赛数据集和1组实验室自采集数据集上进行实验，最高平均分类准确率分别为77.47%、76.11%、71.30%。实验结果表明，所提出的方法其分类性能优于现有的特征选择方法，而且特征选择时间也具有较大优势。

针对在Web端难以快速直观表达风场问题，提出一种基于Web的风场三维动态可视化设计与仿真方法。首先，为解决风场数据不易获取、处理不便问题，给出风场数据的获取、转换、应用流程。其次，设计使用Web Worker多线程技术并行计算生成流线的方法，减少风场流线寻迹生成时间，提高流线生成效率。然后，结合颜色映射技术，设计对流线进行Alpha颜色通道动态修改的方法，以表征风场动态流动。最后，扩展基于WebGL的可视化引擎Cesium进行风场三维可视化渲染，直观表达风场。结果表明，该方法能有效提高在Web端进行风场可视化仿真的效率，可为防风减灾提供支撑。

现有音视人眼关注点检测算法使用双流结构分别对音视信息进行特征提取，随后对音视特征融合得到最终的预测图。但数据集中的音频信息和视觉信息会有不相关的情况，因此在音视不一致时直接对音视特征进行融合会使得音频信息对视觉特征产生消极的影响。针对上述问题，本文提出一种基于音视一致性的音视人眼关注点检测网络（Audio-visual Consistency Network, AVCN）。为验证该网络的可靠性，本文在现有音视结合的人眼关注点检测模型上加入音视一致性网络，AVCN对提取的音、视频特征进行一致性二值判断，二者一致时，输出音视融合特征作为最终的预测图，反之则输出视觉占主导的特征作为最终结果。该算法在开放的6个数据集上进行实验，结果表明加入AVCN模型的整体指标会有所提高。

现有的虚拟仿真实验系统没有准确的人机交互辨别机制，导致虚拟仿真设备使用过程中信号接收效果较差，为提高信号链路稳定性，基于海绵校园更新设计开发虚拟仿真实验系统。通过设计单片机系统电路，设置人机交互编码结构，并将其接入三极管连接端口，完成系统的硬件设计；通过建立校园空间雨洪分析模块和海绵校园地理数据可视化模块，完成系统的模块化设计，根据硬件设计和软件设计，实现海绵校园更新设计虚拟仿真实验系统的开发。在实验中与本文系统设计前进行对比可知，海绵校园更新设计虚拟仿真实验系统的径流总量控制率、雨水利用率、径流污染物削减率均较高。

针对传统Logistic混沌系统混沌性能低，生成伪随机序列随机性较差等问题，本文提出一种新的改进Logistic混沌方程，并与Lorenz超混沌系统、压缩感知理论相结合构建一个多混沌图像压缩加密系统。在加密过程中与传统加密算法相结合，进行置乱、扩散操作最终获得密文图像。通过改进的Logistic混沌方程获得随机性能更好的伪随机序列来构造受控测量矩阵，仿真实验表明通过改进的Logistic混沌方程来构造的受控测量矩阵在压缩率为75%的条件下峰值信噪比达到34.26 dB，与传统Logistic混沌方程相比在同等条件下提高约10 dB，并且该算法有较好的抗差分攻击性能，像素改变率（NPCR）与统一平均变化程度（UACI）接近理论值。故本文提出的加密算法具有较好的压缩性、安全性以及信号重建特性。

恶意加密流量识别公开数据集中存在的类不平衡问题，严重影响着恶意流量预测的性能。本文提出使用深度生成对抗网络DGAN中的生成器和鉴别器，模拟真实数据集生成并扩展小样本数据，形成平衡数据集。此外，针对传统机器学习方法依赖人工特征提取导致分类准确度下降等问题，提出一种基于双向门控循环单元BiGRU与注意力机制相融合的恶意流量识别模型，由深度学习算法自动获取数据集不同时序的重要特征向量，进行恶意流量得识别。实验表明，与常用恶意流量识别算法相比，该模型在精度、召回率、F1等指标上都有较好的提升，能有效实现恶意加密流量的识别。