目前基于运动想象(Motor Imagery,MI)的脑?机接口(Brain?Computer Interface,BCI)可提供的指令数相对较少，为增加新的控制参数，基于脑电(Electroencephalogram,EEG)研究握力变化及想象的单次识别.招募20名被试者参与实验，要求被试者用右手执行三种不同握力大小(4 kg，10 kg，16 kg)的实际或想象任务，对任务期间覆盖运动区的九个通道的EEG数据进行分析，采用共同空间模式(Common Spatial Pattern,CSP)提取特征，然后利用极限学习机(Extreme Learning Machine,ELM)和支持向量机(Support Vector Machine,SVM)进行单次识别.ELM对三类握力变化及想象的平均单次识别准确率分别为82.3%±2.1%和80%±1%，SVM对三类握力变化及其想象的平均单次识别准确率分别为86.3%±5.5%和83.7%±3.8%.实验结果表明，ELM和SVM能有效地识别三种不同握力大小的实际或想象任务，而SVM的分类结果更好，可望为MI?BCI增加新的控制参数提供新思路.
使用硬件平台实现卷积神经网络的计算可以获得良好的加速效果和功耗，但由于卷积神经网络模型庞大、计算复杂、硬件平台资源有限，在实际应用中多个卷积神经网络任务之间只能串行计算，这导致系统在处理多个任务时的实时性较差.为提升硬件系统的实时性，提出一种多卷积神经网络任务实时切换方法.基于FPGA (Field Programmable Gate Array)平台进行卷积神经网络部署，根据功能划分系统模块.采用“任务序列+控制模块”的设计结构，控制系统根据卷积神经网络任务的优先级进行计算和切换；在计算模块中，复用可配置的卷积单元减少资源开销；提出一种多任务层级切换机制以提升系统的实时性.利用手写数字识别网络进行验证，实验结果表明：可配置的设计减少了除BRAM (Block Random Access Memory)外50%以上的资源开销；在50 MHz的工作频率下，FPGA的识别速度是CPU (Central Processing Unit)的4.51倍，功耗比为CPU的2.84倍；采用实时切换机制最快可使最高优先级任务提前57.26 ms被响应，提升了串行计算系统的实时性.
随着人工智能的发展，条件偏好网(Conditional Preference networks，CP?nets)的学习和表示被广泛研究.此前的研究工作主要集中于从静态数据库中挖掘用户的条件偏好，而在许多新兴应用中，数据通过互联网或传感器网络流动，偏好也会随之发生变化.将挖掘偏好的方法扩展到动态环境是一个挑战，遇到的问题主要包括对连续数据进行的快速处理、庞大的数据量以及有限的内存资源等.针对偏好数据流，提出一种基于时间敏感的滑动窗口模型来挖掘条件偏好关系和学习CP?nets结构的方法，该方法包括一个用来获取所有可能偏好关系的存储结构以及一个对偏好关系进行累积计数的数据结构，并提出基于时间敏感滑动窗口的条件偏好关系挖掘算法，根据输入的偏好数据流比较基本块与滑动窗口的大小对条件偏好关系进行插入和更新.实验结果表明，与其他学习CP?nets结构的方法相比，该方法所需的运行时间少，得到的CP?nets的结构更准确.
传统的数据分析方法在挖掘医学数据信息时，没有充分利用可用的信息.针对这一问题，提出一种基于改进模糊聚类的Takagi?Sugeno (T?S)模糊系统，将系数调节与指数调节与经典模糊C均值聚类(Fuzzy C?means,FCM)算法结合，替换经典T?S模糊系统中的逻辑元件，合理利用T?S模糊系统在预测与回归等方面的优势的同时，通过指数或系数的灵活调控，深度挖掘医学数据中不同属性间的关联信息，提高算法在众多医学数据分析预测中的准确性.为具体评估算法有效性，在真实医疗数据集上进行实验，实验结果表明，该算法具有更高的预测精度及可行性.
跨模态实体分辨旨在从不同模态的数据中找到对同一实体的不同客观描述.常用的跨模态实体分辨方法通过将不同模态数据映射到同一空间中进行相似性度量，大多通过使用类别信息建立映射前后的语义联系，却忽略了对跨模态成对样本信息的有效利用.在真实数据源中，给大量的数据进行标注耗时费力，难以获得足够的标签数据来完成监督学习.对此，提出一种基于结构保持的对抗网络跨模态实体分辨方法(Structure Maintenance based Adversarial Network，SMAN)，在对抗网络模型下构建模态间的K近邻结构损失，利用模态间成对信息在映射前后的结构保持学习更一致的表示，引入联合注意力机制实现模态间成对样本信息的对齐.实验结果表明，在不同数据集上，SMAN和其他无监督方法和一些典型的有监督方法相比有更好的性能.
当今计算机系统广泛采用GPU (Graphics Processing Unit)来实现系统最大性能，但其能耗直接影响运行成本、可维护性，还会造成环境问题，这引起了研究人员、计算机架构师和开发人员的广泛关注.为解决能耗问题，提出一种BATS (Balanced Average Time Scheduling)调度方法，通过合理分配各个GPU上的任务来减少系统能耗.该方法首先获取任务执行时间、任务数量以及系统中可用的GPU数量；其次，利用上述信息以均分思想和折半方法对任务按执行时间进行分配；最后在典型平台上验证所提出的BATS方法.实验结果表明，与现有方法相比，BATS平均节省8.6%的能量，证明BATS方法是有效的、合理的、可行的.
针对ECO（Efficient Convolution Operators）方法在背景变化及自身非刚性变换条件下容易跟踪失败的问题，提出一种改进的ECO跟踪方法.首先通过高效卷积操作对输入图像进行特征提取和多特征融合；然后对融合后的特征矩阵进行相关性运算，获取跟踪目标；最后在滤波器更新部分嵌入一种置信度量的校验机制，评估当前帧的跟踪效果，根据校验结果来判断是否对滤波器的样本模型予以更新.在数据集OTB?50上的对比实验结果表明，相比于基线方法，该方法的精确度提升3.4%，成功率提升3.8%，有效降低了各种干扰对滤波器的影响.
用出行链方法推算的下车站点的记录可作为历史出行数据集，而现有的研究在对出行链断裂的记录进行下车站点推算时使用的历史数据集较小，造成可推算下车站点数据量少、准确率低的缺点.提出基于历史出行记录扩充的公交乘客下车站点推算方法.首先，使用多源数据集成的出行链方法进行下车站点推算，将已确定下车站点的数据作为历史数据集；其次，基于个人历史相似出行的方法对于未确定下车站点的记录进行推算；最后，选择同线路同站点上车的其他乘客的IC卡记录作为每条未识别下车站点记录的群体历史出行记录，并基于相似出行行为规律进行下车站点的推算.该方法增加了可推算下车站点记录的数据量、提高了推算的准确率.以厦门市为例的实验结果表明：在历史出行记录生成时，使用多源数据可比单源数据多生成3.48%历史出行记录，推算准确率提高1.99%；在历史出行记录选择时，选择群体历史出行记录分析得到的历史相似出行行为规律，可对前两种方法无法确定下车站点的所有记录进行推算，占全部待推算记录的21.81%，其中5.37%记录的下车站点推算正确.
在现有的微博情感倾向性分析任务中，微博标签往往被视为噪声信息，在数据预处理阶段就被剔除.但微博标签蕴含着微博内容的关键信息，所以标签的剔除对于微博的情感倾向性分析是不利的.针对该问题，充分考虑微博的文本特点，提出一种基于双重注意力的情感分析模型.采用Bi?LSTM （Bi?directional Long Short?Term Memory）分别构建微博文本和微博标签的语义表示，采用双重注意力机制同时对微博的正文层和微博的标签层进行语义编码，提取出文本中的关键信息.最后，基于所构建的语义表示训练情感分类模型.实验结果表明，该模型在微博情感倾向性分析上取得了较好的效果.
腺苷酸激酶(Adenylate Kinase，AdK)是一种多底物反应酶，催化
细菌性脑膜炎是各种细菌侵入中枢神经系统引起的脑实质、脑膜或血管的中枢神经系统感染性疾病，而肺炎链球菌（Streptococcus Pneumoniae，SP)是目前细菌性脑膜炎最常见和最主要的致病菌之一.研究SP性脑膜炎脑损伤的发生发展机制可为寻求该疾病新的治疗手段提供初步的实验和理论依据.通过探讨髓样相关蛋白MRP8/14对小鼠脑组织中IgG，Albumin，NSE，caspase3的影响，探讨MRP8/14在小鼠肺炎链球菌性脑膜炎脑损伤中的作用.将48只1.5~2个月健康雄性BALB/C小鼠随机分为四组：磷酸缓冲盐溶液对照组(PBS组)、MRP8/14蛋白组（MRP8/14组）、肺炎链球菌组（SP组）、肺炎链球菌+MRP8/14蛋白组（SP+MRP8/14组），每组12只；经侧脑室穿刺分别注入PBS、MRP8/14蛋白、SP混悬液、SP+MRP8/14建立动物模型.注射后6，24，48 h对小鼠进行神经行为学评分和体质量的变化率测定；处死小鼠取脑，记录脑组织含水量变化；观察不同时间点小鼠脑组织中Nissl染色阳性细胞及其数量的改变；制备脑组织匀浆，采用ELISA法测定血脑屏障通透性指标IgG，Albumin水平；采用免疫组织化学方法检测脑组织中脑损伤标志物NSE、凋亡相关蛋白caspase3蛋白的表达.结果显示，侧脑室注射6，24，48 h后，SP组小鼠与PBS组相比神经行为学评分明显降低，脑组织含水量明显增加，Nissl染色阳性神经细胞数量减少，IgG和Albumin浓度明显增加，NSE阳性细胞数明显减少，caspase3表达明显升高；SP+MRP8/14组与SP组相比神经行为学评分降低，脑组织含水量增加，Nissl染色阳性神经细胞数量减少，IgG和Albumin浓度增加，NSE阳性细胞数减少，caspase3表达升高趋势更加明显.因此，在小鼠SP性脑膜炎模型中，髓样相关蛋白MRP8/14加剧了SP性脑膜炎小鼠的临床症状、脑水肿、脑组织神经元丢失及脑损伤.
电磁侧信道信息具有非接触、三维矢量、空间及频谱信息丰富等优点，可以进一步提高硬件木马的检测效率，基于电磁侧信道分析的硬件木马检测技术逐渐成为主流方法.因此，以电磁侧信道信息为研究对象，融合高斯滤波算法和K最邻近算法提取并识别出硬件木马的微小特征，建立高精度微米级集成电路电磁侧信道采集平台，并采集敏感区域的电磁侧信道信息.利用高斯算法自适应地滤除测试中的高斯噪声影响，借助K最邻近算法的相似度测度来提取硬件木马的特征.实验结果表明，提出的检测方法可以有效地检测出面积占比为0.76%的硬件木马.
在网络信息技术已非常成熟的今天，各类敏感词包括色情、暴力、政治敏感等有害词汇充斥网站和社交软件，对这些词语的检测与识别对营造健康的网络环境非常必要.这些敏感词绝大部分试图通过读音或者字形相近来进行伪装以逃避检测系统.现有的匹配算法可以检测出读音完全一样的词语，但不能准确识别读音相近和字形相近的异体字.为解决这一问题，提出针对模糊匹配的汉字相似度对比算法.首先通过对汉字进行特殊编码，提出一种综合考虑读音及字形特点的音形码汉字相似度改进算法，然后针对传统字典树，添加了精度参数来设置匹配精度，以此完成敏感词检测.实验结果计算表明，在常用相似汉字数据集上，匹配准确度提高8%~39%，错误率减少6%~38%.
随着社会和经济的快速发展，交通运输也在高速发展，城市交通的拥堵问题日益严重，不仅增加了人们的出行时间、提高了出行成本，还造成较大的经济损失，解决这个问题主要方法有拓宽道路、减少出行、交通诱导等.有效的交通诱导离不开交通状态的准确判断,在目前复杂的交通运输环境下，现有交通运输状态分类与评估方法复杂、计算量大.传统的通过图像处理获取交通参数的方法需要针对每条路段进行单独的建模及模型更新，而通过视频或图像提取交通参数及特征参数的方法比传统的方法获取参数更简单方便，且容易维护.提出一种通过提取特征参数，使用支持向量机对交通畅通或拥堵进行分类的方法，可以将不同路段的数据进行结合与分类，有效地提高了交通运输状态分类与评估的效率.仿真实验验证了所提方法的有效性.
为了提升级联H桥多电平逆变器故障诊断的准确性和高效性，提出一种基于小波包能量熵和随机森林的故障诊断方法.首先对级联H桥多电平逆变器的输出电压进行小波包分解，提取小波包能量熵构建故障特征；然后采用主成分分析法对故障特征进行维数约简，以降低诊断模型的训练时间；最后采用经参数调优后的随机森林模型对逆变器故障进行分类诊断.基于Matlab平台，将该诊断策略与传统的基于快速傅里叶变换的SVM(Support Vector Machine)方法以及基于小波变换的BP(Back Propagation)神经网络方法进行对比.仿真结果表明，针对级联H桥多电平逆变器中功率开关晶体管开路故障，基于小波包能量熵和随机森林诊断策略的故障识别率更高，可有效提升故障诊断率至97%左右.
采用GF 55 nm CMOS工艺，设计一种可应用于调频连续波(Frequency Modulated Continuous Wave，FMCW)雷达系统中的低相噪、低功耗连续调谐双核电感电容压控振荡器(Voltage?Controlled Oscillator，VCO).该VCO通过三线圈变压器将两个振荡核心和缓冲放大器相互耦合.通过双核耦合结构实现了低相位噪声，同时也保证了较宽的连续频率调谐范围.采用电流复用技术，将缓冲放大器通过中心抽头变压器与核心电路耦合，大幅降低了由双核结构引起的高功耗，同时为电路提供了较高的输出功率，解决了双核耦合VCO的质量因数(Figure of Merit，FoM)普遍较差的问题.后仿结果表明，该VCO实现了28 G~32 GHz的13%的连续频率调谐范围，相位噪声在1 MHz偏移下低至-105 dBc·Hz-1.在1.2 V电源电压下，包括缓冲放大器在内的总直流功耗仅为13.5 mW，输出功率可达4.5 dBm.电路实现了183 dBc·Hz-1的FoM.
