针对跨域行人重识别应用中源域与目标域差异较大、现有模型无法在剥离域信息的同时有效获取关键身份信息的问题，提出一种基于对抗学习分离图像域信息与身份信息的方法.该方法由域分离和对抗学习两个阶段构成：域分离阶段分离图像行人特征和域特征；对抗学习阶段通过特征提取器与相机分类器的对抗学习，提升模型对域信息与身份信息的区分能力.在Market?1501，DukeMTMC?reID和MSMT17数据集上开展跨域行人重识别验证实验，实验结果表明，所提方法在跨域行人重识别任务上取得了显著的性能提升.
徘徊行为判定作为异常行为识别的热点难题，目前存在难以构建具有场景特定性的识别模型问题.特定场景下的行人轨迹数据，或是有标签，或是无标签，针对如何利用特定场景下有标签轨迹数据信息问题，结合行人多种轨迹特征，提出基于分类函数的徘徊行为识别模型，能够通过分类函数自动学习该场景下有标签轨迹数据中的徘徊行为模式；针对如何利用特定场景下无标签轨迹数据信息问题，提出基于异常检测的徘徊行为识别模型，能够在大量无标签轨迹数据中自动学习潜在的徘徊行为模式.基于两种徘徊行为识别模型，提出徘徊行为识别框架，能够利用目标跟踪算法获取特定场景视频中行人的轨迹数据，并根据数据是否带有标签合适地构建对应的具有场景特定的徘徊行为识别模型.为了验证所提模型的有效性，选用CASIA?AR公开数据集作为测试集，和三种基准模型一起，在行走、奔跑和徘徊行为的识别上进行了对比实验.实验结果表明，所提模型在测试集上的准确率和召回率都优于基准模型，F1指标也有提升，验证了所提模型的有效性、场景特定性和迁移性.
目标运动场景去模糊问题是一个具有挑战性的病态逆问题，这是因为在动态场景中不同目标和背景区域可能会存在不同的模糊核.现有的基于能量优化的去模糊方法是将模糊图像分割成具有不同模糊度的多层图像，然后对不同的模糊层进行去模糊处理，然而其优化方案往往涉及迭代，耗时又烦琐.针对目标区域与背景区域可分离的模糊场景，结合传统的基于能量优化和基于深度学习方法的优点，提出一种基于深度对抗网络和局部模糊探测的目标运动场景去模糊模型，该模型由三个生成网络组成，用以建模潜在清晰图像、模糊核和模糊图像的权重变量.模型采用深度图像先验（Deep Image Prior，DIP）作为潜在清晰图像的正则化项，使用非对称跳跃连接自编码器生成潜在图像；采用全连接网络（Fully?Connected Network，FCN）生成模糊核.为了准确地获取模糊图像的分割结果，提出三条准则来指导权值变量网络结构的设计.实验结果表明，该方法同其他传统方法相比可以显著地提升重构性能，视觉效果更好.
通过引入BERT （Bidirectional Encoder Representation from Transformers）词向量和胶囊神经网络架构，建立期刊文本自动分类模型.选取三个不同规模的Web of Science数据集，以期刊领域的文本分类作为研究任务.在分析文本的基础上，对论文摘要进行多种深度学习算法训练.利用向量化的胶囊神经元和动态路由机制获取文本的局部?整体关系，最终实现更加精准的文本分类模型.实验结果表明，在该数据集上，基于胶囊神经网络的文本分类器的准确率、精准率、召回率和F1值等多项指标均领先于其他基线算法，同时动态路由的迭代次数需要综合考虑模型的损失与训练速度.
深度学习技术往往需要大量的标记训练样本，然而真实环境中获得大量标记样本的代价昂贵，甚至难以获得.提出一种新的深度主动识别框架，借鉴人类逐步学习并获取新知识的认知过程，在基于少量样本分析模型认知错误的基础上首先定义认知错误转化，得到相应的知识来主动增强模型的认知信息.基于认知知识，选取敏感样本对模型进行在线微调，同时为了避免遗忘先前学习的知识选取先前的训练样本作为刷新样本.在通用数据集上的实验表明，敏感样本有利于提高目标识别能力，提出的认知学习机制能有效提高深度模型的性能；认知信息的特征化能有效抑制其他样本对模型认知的干扰，在线训练方法能明显节省大量训练时间.提供了一个有效的认知学习在少量数据样本情境中的应用.
近年来，基于基因表达微阵列数据的生物标记物示性基因的识别在生物信息学领域备受关注.自发性早产（Spontaneous Preterm Birth，SPTB）生物标记物的成功鉴定有利于降低孕妇早产的风险，具有重要的研究价值.提出一种从公开基因表达数据中识别SPTB生物标记物的方法.首先，从公开数据库下载SPTB的基因表达数据，运用支持向量机?递归特征消除（Support Vector Machine?Recursive Feature Elimination，SVM?RFE）进行基因特征选择，并与其他机器学习与特征选择方法（AdaBoost?RFE，Neural Network?RFE，Radom Forest?RFE和K?Nearest Neighbor?RFE）进行比较，利用准确性、精确度、灵敏度、特异度、F?测度和AUC等指标，对分类效果进行评价.然后，将SVM?RFE排名靠前的基因与其他方法排名靠前的基因取交集，以此作为识别出的SPTB生物标记物.接着，通过聚类分析、相关性分析和功能富集分析对识别的生物标记物进行初步的鉴定.最后，构建SVM分类器，在独立数据集上对所识别的生物标记物进行验证.结果表明，提出的机器学习方法对于SPTB生物标记物的发现是有效的.该方法能在孕妇产前无创检测患有SPTB的可能，减少对人工鉴别的依赖，降低孕妇早产风险.
针对聚类算法常见的难以确定参数、难以适应各种形状的数据集、在提高算法普适性时时间复杂度增大的问题，提出一种新的聚类算法：结合数据集全局和局部的特征寻找样本点距离的突变位置，通过计算样本点的簇内最小距离实现凸球型数据集的聚类；在此基础上提出子簇连结性强弱的概念，依据两个容易确定的参数进行子簇合并来适应各种形状的数据集.将该算法与DBSCAN （Density?Based Spatial Clustering of Applications with Noise）等多种聚类算法在四种经典数据集上比较，结果表明，该算法适用于类簇形状复杂的数据集，在同等聚类能力的算法中计算速度更快，且具有参数少、易确定的优点，在综合性能上表现优秀.
针对传统检测算法主要面向会话级别的粗颗粒度日志异常检测，而无法完成日志级别的细颗粒度检测问题，提出一种基于注意力机制的日志级别异常检测算法.首先，使用基于模版的方法提取日志的所属事件类型，通过滑动窗口的方法获得日志序列.接着，将日志序列输入基于注意力机制的生成对抗网络，生成器负责生成该序列后续正常事件的分布，判别器用于判别输入的正常事件分布是由生成器生成的还是真实发生的，两者通过不断的博弈相互提升，最终通过对比生成器生成的后续正常事件和真实发生的后续事件是否一致来判断该日志事件是否异常.实验在开源数据集BGL上进行验证，结果表明本算法的准确率比传统算法提升15%.
音频对抗样本可以用于提高音频目标分类系统的可靠性，然而目前音频对抗样本的感知质量较低，生成质量不能令人满意.为提升音频对抗样本的质量，首次采用生成对抗网络（Generative Adversarial Network，GAN）实现音频目标分类的对抗样本生成.提出用于音频目标分类对抗样本生成的通用GAN框架，将待攻击的分类模型引入GAN.在此基础上，提出基于GAN的分段扰动/整体攻击（GAN?based Segmented?perturbation Overall?attack，SOGAN）方法.SOGAN通过对抗训练，学习短时分段音频数据上的有效扰动，按照与原始音频的对应关系生成整体扰动，并形成时长可变的对抗样本.该方法可以缩小音频对抗样本的搜索空间，降低对抗样本生成的复杂度.在UrbanSound8k，ESC50等音频目标分类数据集上的实验表明，和已有音频目标对抗样本设计方法相比，所提方法生成的对抗样本可感知性更低，对典型音频目标分类系统具有较高的攻击成功率和攻击效率.
图表示法通常用于个人或者总体级别上对结构化数据进行建模分析，已成功应用于网络分析、交通预测、推荐系统等领域.随着成像设备的发展和普及，从神经影像中学习脑的连接特性，开展基于脑网络的疾病诊断（自闭症、阿斯海默症等）受到广泛关注.图表示法可用于对一组大脑区域之间的结构或功能连接进行建模，揭示与大脑发育和疾病有关的模式，然而评估基于图结构的脑连接网络之间相似性并非易事.传统的深度学习方法无法适用图结构，会丢弃有益于图分类任务的信息，因此提出一个基于图同构网络的自闭症功能磁共振影像的诊断算法.该模型包含四层同构层，每层通过空间领域卷积学习得到脑功能连接网络的特征表示.为了考虑脑功能连接网络中节点的医学意义，将节点特征通过展平方式转换为图特征.在自闭症ABIDE数据库上对提出的方法进行验证，与图卷积网络和深度神经网络相比，实验结果证明提出的方法是有效的，明显提升了自闭症诊断准确性.
为解决在识别过程中存在手背静脉图像信息严重缺失而造成识别效率低下的问题，提出基于分离表示学习严重缺失手背静脉图像的修复算法.基于图像到图像转换的互信息估计表示学习的原理，通过一个共享属性部分编码网络和一个独占属性部分的编码网络来进行特征信息的分离表示，学习静脉关键点与完整静脉骨架图像之间的映射，进而实现基于部分关键点对静脉严重缺失图像的良好修复.为保证生成图像的质量，采用对抗损失与感知损失保证图像的语义真实性与信息完整性，采用循环一致性损失对分离表示网络得到的分离内容和属性表示的循环重建进行约束.实验结果表明，生成图像在视觉效果、峰值信噪比（Peak Signal to Noise Ratio，PSNR）、结构相似性（Structural Similarity Index，SSIM）等方面的表现优于经典算法，有效地实现了对严重缺失静脉图像的良好修复.
近年来，推荐系统的实用价值越来越高，良好的推荐算法可以给用户提供好的用户体验效果，然而随着信息化的不断增长，信息过载问题变得越来越突出，用户懒于对物品评分已经成为习惯.怎样向这些特定用户群体提供好的推荐算法、提高推荐质量已经成为现在的热门问题.为了更好地推动推荐系统的发展，解决这些特定用户群体的评分稀疏问题，提出一种受约束的贝叶斯概率矩阵分解算法.该算法针对特定的评分稀疏用户引入一种潜在的相似度约束矩阵来影响用户的特征向量，并结合最大后验概率（Maximum A Posteriori，MAP）估计和蒙特卡罗采样（Markov Chain Monte Carlo，MCMC）推断进行概率矩阵分解（Probabilistic Matrix Factorization，PMF），自动调整模型正则化参数，最后在数据集上进行测试评估和对比实验.实验结果表明，该算法在预测性能上得到很大提升，并且在解决特定用户的评分稀疏问题上效果更佳.
图像拼接旨在将多张具有重叠区域的图像拓展成视野更加宽广的全景图，当输入的图像不满足原本严格的成像前提的时候，往往无法进行拼接，即使强行拼接，也可能造成不自然的扭曲以及影响观感的伪影．以往的拼接算法通过计算刚性变换来实现对齐，而通过计算非刚性变换可以在一定程度上提高对齐效果．受医学图像使用人工标记点配准的启发，提出一种基于薄板样条配准和全局相似的图像交互拼接的方法．首先通过交互标记点计算非刚性变换将目标图像和参考图像进行初步对齐；其次，引入全局相似性缓解非重叠区域的投影失真；最后使用优化的交互图切算法进一步消除伪影，并提升整个算法的鲁棒性．实验证明，在许多商用软件无法拼接的场景下，该算法仍然可以成功拼接，并且产生更加自然清晰的结果．
从监测端挖掘多监测站点间电磁信息隐含的时空关联对掌握电磁频谱资源分布和使用状况、支撑电磁频谱资源精细化管理具有重要意义.目前的方法孤立地对各监测站点采集的海量数据进行预测分析，没有有效挖掘多个站点间的电磁信息变化规律，没有考虑人类活动规律的周期性，更难以利用站点间的时域、空域关联给出多站点的电磁强度信息联合预测，不能结合GIS系统给出直观、实时可视化的频谱态势地图.针对以上问题，将多个监测站点建模为图结构，提出一种基于多站点、多时间注意力机制的图神经网络MMGCN （Multi?site and Multi?temporal Attention?based Graph Convolutional Neural Network），挖掘多站点电磁强度间隐含的时空关联，提升联合预测的准确性；基于多站点联合预测数据，设计一种并行克里金插值算法，对其他未布设监测点处的电磁强度信息进行空间插值生成电磁频谱态势地图，为电磁频谱精细化管理提供直观的态势预判与决策依据.
随着5G/B5G的不断发展，无人机在实时数据采集系统中将有广泛应用.利用无人机先给传感器节点进行无线充电，然后传感器节点利用收集到的能量将感知的信息上传无人机，可有效解决户外物联网节点的供电与数据采集问题.然而，由于无人机本身的电量受限，如何在保证无人机充电辅助物联网系统顺利完成新鲜数据采集任务的前提下最小化无人机的能耗至关重要.为此，在满足信息采集新鲜度的要求下，通过联合优化无人机的飞行时间、加速度、转角和传感器节点信息上传和能量收集调度模式，建立无人机能耗最小化优化问题.由于该问题含有整数变量，大规模情况下求解较为困难.因此，首先将其建模为马尔科夫决策过程，然后提出了一种基于DQN （Deep Q Network）的无人机能耗优化算法框架求解，并设计相对应的状态空间、动作空间和奖励函数.仿真结果验证了所提DQN算法的收敛性，同时表明提出的DQN算法比传统的贪婪算法可降低8%~30%的无人机能耗.当传感器个数超过八个时，传统的贪婪算法很难求解，而所提DQN算法仍然能找到最优解.另外，随着AoI （Age of Information）限制值的缩小或传感器数量的增加，无人机的能量消耗会不断地增加，并且由于考虑了转角约束，所提算法优化得到的无人机飞行轨迹会更平滑.
近年来，基于协方差矩阵重构的自适应波束形成技术一定程度上避免了期望信号出现“自消”的现象，然而当相干干扰与导向矢量误差同时存在时，现有的重构类波束形成器对干扰的抑制能力较差.针对该问题，提出一种基于干扰不确定集的空域扇区重构自适应波束形成算法，该算法适用于任意阵型.首先使用迭代自适应估计的方法拟合解相干的样本协方差矩阵，再使用传统的空域扇区重构方式，将估计的空间谱在干扰导向矢量不确定集上进行积分，重构干扰加噪声协方差矩阵，最后通过同样的方式重构期望信号协方差矩阵，并将其最大特征值对应的特征向量作为期望信号导向矢量的估计.数值仿真与实验结果表明，所提算法可以在存在导向矢量误差时有效地抑制相干干扰.
雷达在探测运动目标时，能够通过目标运动产生的多普勒频移估计目标的径向速度，但目标的横向速度难以估计.提出一种基于扩展卡尔曼滤波的横向速度估计方法，该方法基于毫米波波段的线性调频连续波雷达和MIMO（Multiple Input Multiple Output）天线，将回波信号与本振信号混频得到差频信号.对差频信号进行傅里叶变换得到快时间维的距离数据.重复发射、接收和处理得到慢时间维数据.对快时间维和慢时间维数据进行扩展卡尔曼滤波，估计目标在笛卡儿坐标系下的位置、速度和速度矢量与雷达观测方向的夹角，计算得到目标横向速度.仿真结果表明，该方法能够有效降低噪声影响，快速收敛，准确估计目标的横向速度.
随着声学技术的广泛应用和不断发展，多种类型的工作标准传声器（简称：传声器）大量出现.受制于传感器结构、原理和尺寸的不同，静电激励器法和耦合腔比较法并不能完全满足校准需求，因此自由场比较法在校准中得到使用.为满足低频校准的需求，需要使用截止频率较低的大尺寸自由场空间.虽然大尺寸自由场空间的用途广泛，但是带来了声源、参考传声器和被校传声器的快速定位问题.实践证明位置定位准确性是影响校准重复性和不确定度的重要因素.提出一种采用激光定位设备在大尺寸自由场空间快速进行传声器自由场比较法校准的解决方案.该解决方案具有成本低、定位速度快和拆装便捷的优点.最后，结合校准实例给出了该解决方案的标准偏差和扩展不确定度评定结果.
强混响环境下的话者数量是语音处理应用中的关键信息.以不同话者语音之间的频域幅度平方相干（Magnitude Squared Coherence，MSC）为特征进行话者计数，首先提取语音中的短时频域MSC特征，再采用K?medoids算法对其进行聚类得到话者个数.该方法无需麦克风间距和话者到麦克风之间相对距离的先验信息.不同混响条件、不同信噪比和不同麦克风间距的实验结果表明，频域MSC特征与话者是相干的，与基于广义互相关相位变换（Generalized Cross?Correlation Phase Transform，GCC?PHAT）的到达时间差方法（Time Difference of Arrival，TDOA）相比，本方法的话者计数准确率更高，对麦克风间距的敏感度更低，鲁棒性更优.
回旋加速器中的超导磁体由于加工和安装误差会在垂直方向上存在偏移现象.该现象导致加速器内磁场偏离设计，影响束流的有效加速.目前测量超导磁体的垂直偏移主要依靠机械测量和力学传感器监控，这些方法只能在工程上确定超导磁体是否对中，而最后的对中效果仍需要通过磁场测量确认.基于中俄正在联合研制的200 MeV超导质子回旋加速器SC200，详细阐述直接利用其中平面平均径向场相对变化计算超导磁体垂直偏移的过程.对比模拟和实验的数据表明，该方法能够将主加速区中平面的平均径向场控制在±1 Gs以内，即实现了超导磁体在垂直方向上的对中，为SC200的研制奠定了扎实的基础，也为其他回旋加速器中超导磁体的位置调整提供了参考.
区域水资源承载力状态评价对于查明区域水资源现状从而保障区域社会、经济发展具有十分重要的意义.为科学、合理地评价区域水资源承载力状况，提出水资源承载力综合评价的组合权重?MNCM（Multidimensional Normal Cloud Model）法.首先，改进AGA?AHP（Accelerating Genetic Algorithm based Analytic Hierarchy Process）法以优化专家评价矩阵并确定主观权重，运用熵权法确定客观权重，应用组合权重公式得到评价指标的组合权重；其次，采用多维正态云模型法得到确定度；最后，对评价指标进行了障碍因子诊断.运用组合权重?MNCM法对江苏省水资源承载力进行评价，并与单一云模型法和AHP?TOPSIS （Analytic Hierarchy Process ? Technique for Order Preference by Similarity to an Ideal Solution）法进行对比.该评价方法考虑了评价过程中存在的模糊性和随机性，能够高效、直观地得到评价结果，并且诊断出指标的障碍度及其时间变化规律，可为水资源承载力评价方法提供新思路.
由于台风的风速大、湍流活跃，台风过境时会对房屋、桥梁等建筑物造成严重危害.利用2019年8月8日至11日利奇马台风过境浙江时的近地层湍流资料，对利奇马台风的风速、风向、攻角、湍流强度、阵风因子、湍流积分尺度、湍流功率谱特征进行了分析.结果表明：（1）在台风前期和大风期，随着台风接近，慈溪观测场附近的风速急剧增大，流场主要为偏东气流；在台风后期，随着台风远离观测场，风速迅速减小，风向逐渐由偏东风转为西南风.（2）在台风前期和大风期，攻角、湍流强度和阵风因子都比较小；而在台风后期，攻角、湍流强度和阵风因子都明显增大，同时湍流积分尺度突然变小，说明了利奇马台风内部流场非常复杂，不同区域会出现不同的中小尺度结构，表现出不同的湍流特征.（3）在台风前期和大风期，惯性子区湍流能谱基本满足-2/3律，而大风期的湍流能谱与-2/3律偏离比较大，同时由于台风内部存在大量的中小尺度系统，在大尺度和湍流尺度涡旋之间，顺风方向的湍流能量贡献仍然很大.
