非编码RNA的三维结构对于人们理解和干预其生物功能具有重要的意义，从计算的角度发展RNA结构预测方法可以加速结构获取过程，对三维结构进行评分是进行结构预测的关键步骤.近年来，基于机器学习的方法，如AlphaFold2，已在分子结构预测领域取得了革命性的进展.基于深度卷积神经网络，建立了一个对RNA三维结构进行评估的方法.为了训练这一网络，建立了一个非冗余的含有422个RNA以及126600个decoys结构的数据集.训练得到的模型在RNA?Puzzles数据集上进行了测试，结果表明，在28个RNA中，网络从众多decoys中挑选出实验结构的正确率约为71.4%，这一结果比之前有所提高.另外，还对网络的工作机制进行了分析，发现神经网络对结构评分的倾向性和已知的物理化学知识相一致.
制造业在设计、生产、销售和服务环节中产生了文本、图像、音视频等海量多源异构数据，高效地管理与利用这些数据资源为制造业再生产创造价值是当前制造企业面临的重大难题.传统的数据存储与检索系统将多模态数据按不同形式或模态进行分类并单独处理，导致不同模态的数据之间缺乏语义关联（文本、图像、音视频数据之间无法互检），无法支持制造企业的设计、服务等业务流程的智能化.设计并实现了一种面向文本、图片等多源异构数据的跨模态存储与检索系统，实现智能制造多源异构数据的高效管理与检索.具体地，该系统将制造企业生产运营过程中产生的多源异构数据投影到统一的高维语义空间进行表示产生语义向量，并按不同的查询需求将数据存储到不同的模式中；其次，该系统设计了三级结构+分层联通朴素构图算法的高效检索方法，将多源异构数据按照语义向量进行索引，以满足制造业用户的语义查询需求.在flickr30k数据集上进行了实验，实验结果表明：（1）该系统可支持百万级别的跨模态数据存储与检索；（2）百万级别数据下系统检索速率为毫秒级；（3）检索的正确率比现有的向量检索方法更高.
近十年来，通过社交网络（如微博、推特）分享信息已经成为人们日常生活中不可缺少的一个环节，如何有效地预测信息传播的影响力成为社交网络研究中的重要课题，不论是识别病毒式营销和虚假新闻还是精确推荐和在线广告都有许多应用.目前，一些应用深度学习进行社交网络影响力预测的方法已经取得了一定进展，但在进行深度学习时仍会面临以下难点：用户通常具有不同的行为和兴趣并且他们同时通过不同的渠道进行互动；用户之间的关系难以检测和形式化表达.传统的社交网络影响力预测方法通过设计复杂的规则来手动提取用户及其所处网络的特征信息，这一方法的有效性严重依赖于设置规则的专业性，所以很难将某一领域的规则推广到其他领域的应用中去.基于深度神经网络模型，设计一种端到端的神经网络来学习用户的隐藏特征信息以预测其社交网络影响力.首先通过图嵌入的方式对用户的局部网络进行特征提取，然后将特征向量作为输入对图神经网络进行训练，从而对用户的社会表征进行预测.该方法的创新之处：运用图卷积和图关注方法，将社交网络中用户的特征属性和其所处局域网络特征相结合，大大提高了模型预测的精度.通过在推特、微博、开放知识图谱等数据集上的大量实验，证明该方法在不同类型的网络中都有较好的表现.
大规模图数据中的重要顶点与层级结构对于挖掘复杂网络（如社交网络、交通网络等）中有价值的信息具有重要意义.提出一种自顶向下的大规模时态图
随着5G的到来，终端产生的数据量呈几何级数上涨，有些数据经过边缘计算后传入云计算中心，而有些数据会直接传送到云计算中心.这些数据涉及终端的各种隐私信息，例如地理位置信息，保护这些终端的隐私信息是要解决的问题.提出云边端协同隐私保护框架，主要由三个部分构成：一是安全的形式化验证，在构建云边端框架时需要考虑其安全性以及隐私保护，并进行形式化验证；二是对于攻击机理的分析，云计算中心、边缘设备以及终端设备所面临的攻击有所不同，而自身具备的能力也不同，从数据层面、模型层面以及系统层面进行安全及隐私分析；三是防御策略构建，主要是模型安全及隐私诊断、攻击行为诊断以及策略协同防御.通过隐私保护框架的构建，对云边端系统进行隐私保护.
旅行商问题（Traveling Salesman Problem，TSP）是组合最优化问题（Combinatorial Optimization Problem，COP）中的经典问题，多年以来一直被反复研究.近年来深度强化学习（Deep Reinforcement Learning，DRL）在无人驾驶、工业自动化、游戏等领域的广泛应用，显示了强大的决策力和学习能力.结合DRL和图注意力模型，通过最小化路径长度求解TSP问题.改进REINFORCE算法，训练行为网络参数，可以有效地减小方差，防止局部最优；在编码结构中采用位置编码（Positional Encoding，PE），使多重的初始节点在嵌入的过程中满足平移不变性，可以增强模型的稳定性；进一步结合图神经网络（Graph Neural Network，GNN）和Transformer架构，首次将GNN聚合操作处理应用到Transformer的解码阶段，有效捕捉图上的拓扑结构及点与点之间的潜在关系.实验结果显示，模型在100?TSP问题上的优化效果超越了目前基于DRL的方法和部分传统算法.
从复杂纹理图像中提取主结构是计算机视觉和图形应用的基本过程.针对加权最小二乘法依赖于梯度大小、无法去除对图像语义贡献很小的小规模、高对比度的振荡细节（如纹理）的问题，提出一种新的用于抑制图像纹理的权重算子，并对该权重算子的有效性进行验证.为了解决在优化全局目标函数过程中需要求解大型稀疏拉普拉斯矩阵、计算成本高的问题，采用代数多重网格算法作为共轭梯度法的预处理算子加快稀疏矩阵方程的求解速度.实验表明，提出的权重算子能有效地抑制图像纹理，并且图像主结构的边缘不会被模糊，其滤除纹理、提取主结构的效果优于其他同类算法.另外，所用的加速算法和其他传统预处理算法相比，能将主结构的提取时间缩短很多.
近年来，天气预报中的空气质量预报成为大众尤为关心的热点，由于二氧化硫对空气质量水平变化的影响较大，因此准确预测二氧化硫的浓度变化尤为重要.采用XGBoost模型对Prophet模型的预测误差进行修正，建立改进的Prophet融合误差预测模型，对于空气质量中的关键指标二氧化硫进行时序预测.将时序数据输入Prophet模型，对Prophet生成的预测结果与源输入比较求出残差，构建关于残差的时序序列，利用XGBoost进行残差时序建模，获取残差的修正值，将修正值返回输入到Prophet模型.通过上述步骤，构建特定时序数据融合模型.实验数据表明，融合模型在预测结果中的平均绝对误差和均方根误差分别为1.08和1.38，与Prophet相比，误差指标分别降低2.47，2.45；与差分整合移动平均自回归模型相比，误差指标分别降低0.49，0.47；与XGBoost模型相比，误差指标分别降低0.54，0.52.证明融合模型的预测精度优于上述模型.
针对无人机在三维低空突防时存在环境复杂、路径规划计算量大等问题以及现有的麻雀搜索算法算法路径搜索能力不足、易陷入局部最优等缺陷，提出一种基于改进麻雀搜索算法（ALCE?SSA）的三维无人机低空突防的航迹规划方法.首先，建立三维地形模型、威胁源模型和无人机物理约束模型，确定代价函数；其次，设计随机Tent映射初始化种群，提高初始化种群的质量；然后针对麻雀搜索算法算法中发现者位置更新的不足，设计一种自适应领头雀引导策略，减小依靠单一父代更新的不利影响，能够同时提升前期全局探索和后期局部寻优的能力；最后，针对种群多样性不足、易陷入局部最优的问题，设计一种中心变异?进化因子，扩大搜索空间，进一步提升全局寻优能力.和灰狼算法、飞蛾扑火算法和麻雀搜索算法相比，ALCE?SSA的能耗更优，路径更平滑，收敛速度更快，可使无人机有效地利用地形优势来躲避威胁源，表现出较好的寻优能力.
基于运动想象（Motor Imagery，MI）的脑?机接口（Brain?Computer Interface，BCI）是一类重要的BCI，传统的MI方式是动觉运动想象（Kinesthetic Motor Imagery，KMI），较少采用视觉运动想象（Visual Motor Imagery，VMI）.提出一种KMI与VMI混合的BCI并评估其性能.共招募12名被试参加离线与在线实验EEG （Electroencephalogram）数据采集，离线实验先以KMI方式分别进行屈膝和伸膝，然后分别以KMI，VMI和VKMI三种方式行走，由离线分类精度与三种不同方式想象行走的脑激活程度确定在线实验方案.提取EEG幅值包络线特征，并采用朴素贝叶斯分类器、二次线性判别和决策树进行在线分类，验证系统性能.溯源分析表明，使用新的想象方式进行行走想象时，运动皮层的激活时长高于VMI，体感皮层的激活时长高于KMI，混合的想象方式可能更有利于促进这些脑区的可塑性.12名被试在线测试三分类的平均准确度达到63.29%±0.09%，平均卡帕系数为0.45±0.13.该研究可望为未来研发下肢运动功能障碍康复训练BCI系统提供思路.
近年来，聚类作为机器学习、数据挖掘等领域的基本问题受到广泛的关注及研究，然而数据中普遍存在的噪声和异常值严重影响聚类结果.提出一个基于相关熵和流形正则化的聚类框架CRNMF （Correntropy and Manifold Regularization Non?Negative Matrix Factorization）.首先，采用基于相关熵的非负矩阵分解（Non?Negative Matrix Factorization，NMF）作为损失函数来抑制非高斯噪声和异常值的影响；其次，充分考虑数据的结构信息，采用流形正则化学习数据的局部结构，并通过l2，1?范数对非负矩阵进行稀疏约束；最后，利用半二次优化技术（Half?Quadratic Optimization Technique，HQ）进行优化，并分析了收敛性和计算复杂度.在五个图像数据集上进行测试，实验结果表明，提出的框架在图像聚类任务中具有较好的有效性和鲁棒性.
现有的绝大多数过采样方法着重于寻找少数类样本的边界从而增强样本的可分性，忽略了样本的重叠分布与小析取问题，这导致在过采样阶段产生过多的噪声，最终无法实现对少数类样本的正确分类.针对这些问题，提出一种基于密度峰值聚类和局部稀疏度的过采样算法.首先利用改进的密度峰值聚类算法对全部样本自适应地划分出多个簇，根据簇内样本的不平衡比过滤掉不平衡比过高的簇，然后在筛选出的簇中根据少数类样本的分布情况对各簇的过采样个数进行分配，最后通过样本密度计算出各簇少数类样本的局部稀疏度，从中选择出稀疏度较高的少数类样本参与到最终的合成少数过采样.将提出的过采样算法与八种常用的过采样算法分别与三种基分类器相结合，在18个不平衡数据集上进行对比实验.实验结果表明，提出的算法总体上表现更优，能得到更好的分类性能.
单值中智集是处理不确定、不一致信息的有效工具，结合单值中智粗糙集和多尺度决策系统，提出基于优势关系的多尺度单值中智粗糙集模型的最优尺度选择和约简算法.首先，在构建基于优势关系的多尺度单值中智粗糙集模型时引入正理想点、负理想点和不确定点来刻画单值中智数大小关系；其次，结合证据理论中的信任函数和似然函数给出模型的最优尺度选择算法及约简算法；最后，利用五组
在开放动态环境中，在线流特征选择是降低特征空间维度的有效方法.现有的在线流特征选择算法能够有效地选择一个较优的特征子集，然而，这些算法忽略了类别中可能存在的层次结构.基于此，提出基于层次类别邻域粗糙集的在线流特征选择算法：首先，在邻域粗糙集中引入层次最近异类的邻域关系，避免邻域粒度的选择，借助层次结构计算特征对标记的层次依赖度，推广邻域粗糙集模型以适应层次类别数据；其次，基于层次依赖度提出三个在线特征评价函数，设计了在线相关选择、在线重要度计算和在线冗余更新的层次特征选择框架；最后，在六个层次类别数据集和八个扁平单标记数据集上的实验表明，提出的算法优于现有最先进的在线流特征选择算法.
粗糙集模型作为一种重要的粒计算模型，是处理数据的重要工具.在实际生活中，由于数据来源的多样性，信息系统常出现集值型数据，这些信息系统被称为集值信息系统.由于信息的更新，集值信息系统中的属性集会发生动态变化，因此，基于局部相容粗糙集模型，研究用矩阵来表示其上、下近似的方法，讨论随着属性集的动态变化局部关系矩阵的变化以及上、下近似的变化，并通过具体实例说明提出的更新方法在处理集值型数据时的有效性.最后给出与增量方法对应的算法，并在UCI数据库中选取了几组数据进行实验.实验结果证明，这种通过矩阵表示上、下近似并对其进行更新的方法是有效的，可以提高计算效率，降低时间复杂度.
随着柔性电子设备在越来越多的领域得到关注，具有可延展弯曲特性的柔性电子技术已经被广泛应用于可穿戴、健康检测等新型电子设备.虽然目前国内外在高速柔性电子领域已有众多研究，但研究成果大都关注高速晶体管和高速柔性电子分立器件的设计制造，对柔性电路设计与柔性器件对电路性能的影响的研究非常有限.介绍基于PET（聚对苯二甲酸乙二醇酯）基板的柔性单晶硅TFT （Thin Film Transistor，薄膜晶体管）以及相同衬底工艺制作的柔性电容电感，并以此为核心设计了柔性两级低噪声放大器（Low Noise Amplifier，LNA），最终在433 MHz的工作频率附近实现了具有13.2 dB增益、12 dBm的1 dB压缩点以及3.4 dB噪声系数的柔性低噪声放大器.讨论了柔性电容电感在弯曲态下对放大器增益以及噪声系数的影响，比较了柔性与硬质基底电路的性能差异，扩展了柔性电路在射频领域的应用，为更高频率下和更复杂结构的柔性电路设计提供了指导.
电子信息技术的飞速发展，使电磁污染问题日益严重，开发具有“薄、轻、宽、强”性质的吸波材料显得尤为重要.石墨烯材料有着大比表面积、高电导、密度低和强介电损耗等优点，但也存在阻抗匹配性差、损耗机制单一等缺陷.对石墨烯的形貌和结构等进行设计，能够有效改善阻抗失配的问题.此外，将石墨烯材料与其他损耗材料复合构造多元协同损耗的复合材料，能够实现对电磁波的高效、宽频吸收.简要讨论了电磁吸波机理，综述了近年来石墨烯基吸波材料的研究现状，并对其未来研究方向进行展望.
