针对传统基于示功图的抽油机井故障诊断方法存在特征提取复杂、模型参数量大、诊断效率低的问题，提出一种基于1D-CNN-LSTM注意力网络的故障诊断方法。将示功图转化为载荷位移序列作为网络输入，使用一维卷积神经网络（1D-CNN）在提取序列局部特征的同时减小序列长度；考虑到序列的时序特性，进一步使用长短时记忆网络（LSTM）提取序列的时序特征；为突出关键特征影响，引入Attention机制，对故障类型相关的时序特征赋予更高的注意力权重；最后将加权特征输入全连接层，利用Softmax分类器实现故障诊断。实验结果表明，所提方法的平均准确率、精确率、召回率和F1值分别达到99.13%、99.35%、99.17%和99.25%，模型大小仅为98 kB。相比基于特征工程的方法具有更高的诊断精度和泛化能力，相比基于二维卷积神经网络（2D-CNN）模型的诊断方法，显著减少了模型参数量和训练时间，提高了故障诊断效率。

中小数控机床企业在运营维护中积累了大量以人工文本记录的故障维修数据。为了实现高效精准分类，帮助维修人员高效开展工作，本文提出一种基于卷积神经网络和双向长短时记忆网络的故障文本分类预测方法。首先通过构建专业特征词库完成预处理，并采用Word2Vec训练词向量；其次CNN层提取文本向量的局部特征后，前后向LSTM提取上下文特征；全连接层对CNN和BiLSTM层进行特征融合和加权后，全连接层通过Softmax激活函数找到概率最大的输出作为预测结果，并用混淆矩阵呈现各个类别预测准确率。本文依据长三角某企业的故障数据进行实验分析，并与单个CNN和BiLSTM模型对比，实验结果表明新方法预测精度可达94%，平均准确率提高11个百分点，P值、R值和F值均达95%，可作为在小数据量故障文本分类领域的有效方法。

为解决消防机器人在复杂封闭环境内的全局路径规划问题，提出一种基于改进启发函数的同步双向A*算法。首先，将传统A*的单向搜索改为同步双向搜索，动态定义正反向搜索的目标节点；其次，在评价函数中增加“归正”因子函数，防止正反向搜索路径不相交的情况，同时为预估代价函数增加动态权重函数以减少搜索过程中冗余节点的产生；针对搜索路径拐点较多和不平滑的问题，提出一种拐角优化和基于Bezier曲线局部平滑的解决方案；最后通过仿真对比和真实环境试验，验证改进算法在路径长度、搜索时间、遍历节点数和拐点数等方面的优越性以及有效性。

针对未知复杂环境下，现有多机器人系统路径规划方法存在难以处理好可达性、安全性等性能指标与求解时间之间平衡的问题，提出一种基于双层模糊推理的改进DWA（Dynamic Window Approach）算法。首先，利用线速度模糊控制器以及转向角模糊控制器输出基础位姿，保障机器人寻路过程的灵活性和安全性；然后，对传统DWA算法的障碍物距离评价函数进行改进，纳入偏离危险区评价函数，实现多机器人避碰；通过扩展评价函数和权值参数，改善鲁棒性和全局性能；最后，融合双层模糊推理与改进的DWA算法，即利用双层模糊控制确定大致的速度和方向，在此基础上采用改进DWA算法输出精确速度和转向角。仿真实验表明改进算法生成的轨迹更平滑，并且可提高多机器人路径规划的运行效率和安全性。

事件抽取是信息抽取领域中的一项基本任务，旨在从非结构化文本中将结构化信息提取出来。现有基于机器阅读理解模型的事件抽取方法大多数直接对输入文本进行触发词识别检测与分类，在一定程度上忽视了由判断输入文本是否为事件而带来的预测误差，因此，提出一种基于BERT-BiLSTM-Attention混合模型的事件抽取方法。该方法用基于BERT的机器阅读理解模型为基本框架，采用多轮问答的方式，在现有机器阅读理解模型的基础上添加事件分类检测模块，使得模型能够减少预测误差，采用BiLSTM模型与注意力机制相结合组成历史会话信息模块，更有效地将重要信息筛选出来并融合到阅读理解模型中去。在公开数据集ACE2005上进行事件抽取实验，结果表明，准确率、召回率和F1值较基础模型分别提升7.8个百分点、4.6个百分点和5.4个百分点，具有一定的优势。

在软件缺陷预测技术应用中，需要预测的项目可能是一个全新的项目，或者需要预测的项目历史数据较为不足。一种解决方法是利用已有数据充足的项目（源项目）构建模型完成对新项目（目标项目）的预测，主要利用传统机器学习方法对源项目与目标项目进行特征迁移学习完成缺陷预测，但不同项目之间的数据存在较大的分布差异，同时传统机器方法学习到的特征表示能力很弱且缺陷预测性能较差。针对此问题，从深度学习出发提出一种基于堆叠降噪自编码器的跨项目缺陷预测方法，该方法结合堆叠降噪自编码器和最大均值差异距离，能够有效地提取源项目与目标项目可迁移的深层次特征表示，基于该特征可以训练出有效的缺陷数量预测模型。实验结果表明，在Relink数据集和AEEEM数据集上与经典的跨项目缺陷预测方法Burak过滤法、Peters过滤法、TCA以及TCA+进行比较，该方法在大多数情况下可取得最好的预测结果。

基于供应商早期介入的合作模式，研究供应链环境下多产品、多工序、多下游企业的钢铁企业（核心企业）综合生产计划编制问题。以最大化核心企业产能利用率和下游企业销售利润率为多目标建立优化模型，同时考虑各工序产能对不同产品的生产限制、产销平衡原则和下游企业的需求期望及产品进一步加工售出利润等因素。基于Pareto占优理论，提出一种多目标多种群协同更新的粒子群算法（MMCPSO）求解，利用外部Pareto占优解引导种群内部粒子的更新，并设计非可行解的启发式修复规则，利用产品在下游企业的售出利润排序启发式地修复非可行解，改进算法性能。仿真实验表明该算法具有可行性和有效性。

针对量子图像增强问题，提出一种基于彩虹编码的量子图像伪彩色增强方法。首先，使用NEQR （Novel Enhanced Quantum Representation）模型表示灰度图像，接着设计和优化RGB三通道颜色转换模块的量子线路，最后用QRMW （Quantum Representation of Multi Wavelength Images）模型表示伪彩色图像。为了验证所提方法的有效性，在IBM量子计算框架Qiskit上制备2×2大小与32×32大小的NEQR灰度图像，通过对量子线路测量坍缩后生成对应大小的QRMW伪彩色图像。实验结果表明，与经典和已有的量子图像伪彩色增强方法相比，该方法在处理大小为2n×2n、色深为2q的图像时，所需的量子基本门个数为958，时间复杂度仅为常数级O（1），空间复杂度为O（2n+2q+3），显著降低了量子成本，并且处理后图像的信息熵和清晰度指标良好。

针对影像匹配中因影像间尺度差异过大导致同名特征点数目不足甚至误匹配的问题，提出一种利用词袋模型估计尺度差异的异源影像SIFT匹配方法（BS-SIFT）。该方法通过提前感知待匹配影像间存在的尺度差异，将异源影像匹配转化为在同一尺度上开始，提高匹配的内点率，进而增加大尺度差异影像的匹配点数量。首先，通过将连续变化的不同尺度影像特征点在特征空间聚类，并将各尺度影像特征重分配到特征中心，得到各尺度下的特征分布关系；然后，结合影像特征中心的空间信息熵定权，得到待匹配影像间尺度描述符；最后，分析尺度描述符距离分布可得到最佳影像尺度差。实验结果表明，本文提出的BS-SIFT算法在超过10倍尺度差的影像匹配上仍能取得较好结果，相较于经典的SIFT算法，本文算法在取得较高效率的同时可得到更多的同名特征点，匹配正确率至少提升9个百分点，最大可达37个百分点。

为处理多目标优化问题，提出一种基于分解的多目标JAYA （MOJAYA/D）算法。该算法在原始基于分解的多目标算法的基础上，将JAYA算法延伸至多目标优化领域；同时，引入Lévy飞行策略增强算法的扰动，并且增加一个反馈学习阶段来提高个体的学习能力，使得算法的多样性和全局寻优的水平得到提高。为了验证提出算法的性能，将该算法在ZDT和DTLZ测试函数上与几个经典的多目标算法进行对比。实验结果表明，MOJAYA/D在收敛性和多样性方面都优于其他比较算法。最后，将该算法应用于多个目标准则下的图像分割问题。分割结果表明，MOJAYA/D在处理图像分割问题上效果显著。

RGB-D室内场景分类是一项极具挑战性的工作，卷积神经网络在场景分类方面已经取得了非常好的效果，但是由于室内场景存在多种目标且布局复杂，另外不同类别的场景之间存在相似性，因此传统卷积神经网络直接应用于室内场景分类存在着很多问题。针对这些问题，本文提出一种改进的基于卷积神经网络的RGB-D室内场景分类方法，包括2个分支，一个是基于ResNet-18的全局特征提取分支，另一个是深度与语义信息的融合分支。将2个分支得到的特征进行融合，达到室内场景分类的目的。在SUN RGB-D数据集上的实验结果表明，所提出的方法优于现有的对比方法。

传统检测房室平面位移的方法因测量信息不完整及房室平面特征点跟踪不准等缺点，造成房室平面位移（Atrioventricular Plane Displacement, AVPD）曲线失真。利用图像处理技术结合心血管核磁共振图像（Cardiovascular Magnetic Resonance, CMR）可以更准确地检测室平面位移。首先，采用具有通道和空间可靠性的判别相关滤波器（Discriminative Correlation Filter with Channel and Spatial Reliability, CSR-DCF）增强对房室平面特征点的跟踪能力。其次，基于心脏核磁共振图像的空间信息构建三维的房室平面多面体，从整体上评估房室平面位移。最后，通过主成分分析法（Principal Component Analysis, PCA）重建房室平面的位移曲线。实验表明，本文方法重建后的房室平面位移保留了原始数据信息的96%以上并且房室平面位移曲线更加平滑的同时符合生理特性。

利用深度学习进行语音情感识别时通常需要大量的训练数据。针对现有语音情感数据库匮乏且数据量少容易造成过拟合的缺陷，本文在预处理阶段，将原始语音通过加入高斯白噪声和对波形进行位移产生新的语音信号以实现数据增强，不仅可提高识别准确率而且可增强模型的鲁棒性。与此同时，由于普通卷积神经网络参数量过大，提出一种轻量化模型，该模型由可分离卷积与门控循环单元构成。首先，从原始语音中提取MFCC特征作为模型的输入；其次利用可分离卷积来提取语音空间信息，门控循环单元提取语音的时序信息，用时序信息和空间信息同时表征语音情感可以使预测结果更加准确；最后送入带有softmax的全连接层完成情感分类。实验结果表明，本文模型与基准模型相比不仅可以得到较高的准确率且模型可压缩约50%。

随着载人航天和深空探测计划的深入进行，空天任务的复杂性和可靠性要求日益提高。在空天任务中的三维仿真系统可以为空天新技术的探索和工程设计提供一种直观便捷的仿真分析手段，对于提高空天任务的可靠性有着重要的作用。而空天任务的不断深入进行对三维仿真提出了更高的要求。现有的三维仿真技术中对于空间实体的态势表达技术在空天任务背景下具有直观性和准确性不足等问题。本文基于空天任务中对于态势表达的特征和需求，设计一种自适应实体表达方法。方法通过解析实体重要性层级，适应性地动态调整三维场景中实体对象的表现形式，以提升三维场景整体表达能力，进而改进空天任务中空间实体的多元表达问题。

针对四旋翼轨迹跟踪在高频情况下易出现系统不稳定的问题，设计一种基于动态逆技术（Dynamic Inverse, DI）的轨迹跟踪方法。由于四旋翼是典型的欠驱动系统，本文考虑双闭环设计，通过各种数值实验验证在低频率与高频率情况下控制器的追迹性能，并与PID控制器进行比较。仿真结果表明，频率为0.6π rad/s时本文方法的位置跟踪均方误差比PID方法的误差小0.0514 m，当频率大于1.15π rad/s时PID控制方法使得系统出现不稳定，而本文方法仍可以完成较好的轨迹跟踪。

为了准确、灵活、高效地完成实时交通灯指挥任务，引入机器视觉，设计一套基于机器视觉的智慧交通灯控制系统，来满足现阶段城市道路交通灯智能化所需。本系统采用OV2640摄像头对道路情况进行拍摄，采集图像信息，接着对采集到的数据进行存储，再基于视觉处理中的YOLO （You Only Look Once）系列算法对数据中道路情况进行实时识别，然后把识别的结果传送到配时模块，最后获得最为及时的数据及时处理作用在交通灯上，并在仿真中取得了较好的效果，进一步推动智慧交通系统的应用。

为解决无源光网络由于传播距离较远而导致传播时延较长、信道利用率较低的问题，提出一种基于效用函数的无源光网络动态带宽分配算法。在无源光网络上行数据传输方向上，凭借光线路终端规律性地轮询各光分配网，获取上行带宽的请求信息。在无源光网络下行数据传输方向上，光线路终端把光网络的下行业务分组装入帧，并以广播的形式进行数据传输，结合此特点，利用带宽分配与微观经济学之间的相似度。以传输功率和传输信号增益，建立基于效用函数的分配问题优化模型，并通过路由器矩阵及其逆矩阵对该问题模型进行求解，得出各链路的最优传输速率，实现无源光网络动态带宽分配。实验结果表明，所提算法的信道利用率较高且时延抖动较低，能够有效提升网络动态实时性。

近年来，基于深度学习的空域水印检测已经取得较好进展，但对于变换域的检测效果还不太理想。针对此问题，本文提出一种基于DWT-SVD与迁移学习的水印检测模型。整个模型分为3个部分：在嵌入水印部分，首先对水印图像进行预处理，然后对载体图像进行三级小波变换和奇异值分解，最后完成水印嵌入；在迁移学习部分，将含水印图像和原始图像数据集放入改进后的VGG19-XVGG19神经网络模型进行迁移学习训练、特征提取、模型参数优化与检测模型构造；在水印检测部分，先利用模型对图像进行检测和预处理，如果检测结果存在水印，则利用DWT-SVD逆变换提取水印。实验结果表明本文算法在小波域上的水印检测耗时较短、准确率高。

由于现有网络大多采用被动防御的方式，无法有效抵御复杂环境下黑客恶意攻击，因此，建立一种复杂网络安全主动防御模型。在分析被攻击目标的重要程度和攻击产生的危害后，对攻击策略和防御策略展开分类研究；初始化防御图，并判断其是否为0，分析攻防博弈模型满足条件，根据分析结果的不同计算相对应的攻防成本；判断每一个攻击的目标和意向，为防御图制定相应的最优防御策略。通过开展仿真实验，搭建网络拓扑实例，结果验证该模型可以根据攻击目标和攻击路径确定最优主动防御策略，保证网络信息安全，对自治域内的网络安全防护具有很好的参考价值。

随着互联网的发展，人们在享受互联网带来的诸多便利之外，同时也面临着许多威胁，如蠕虫、木马等。为了抵御上述恶意攻击，入侵检测系统应运而生。通过检测当前网络中的异常情况，入侵检测系统能有效检测各项攻击进而采取对应措施。然而，传统的机器学习算法在入侵检测模型中准确率并不高，为此，提出一种基于粒子群优化和LightGBM的入侵检测方法，使用LightGBM方法搭建入侵检测模型，采用粒子群算法优化LightGBM的参数。实验表明，本文提出的方法能够有效提升效果，准确率达98.61%、精确率达98.25%、召回率达99.17%、F1值达98.70%。