出行时间预测是智慧交通系统中的一项基本任务，因其时空关系复杂且易受到外部因素影响而充满了挑战性.为了获得准确的预测结果，提出一种将深度学习与元学习结合进行出行时间预测的方法.该方法由时空网络模型和元学习框架组成，时空网络模型利用卷积神经网络和门控循环单元同时对轨迹及周边区域的交通状况进行时空信息的提取，元学习框架则用于从其他城市学习时空网络模型的通用初始化参数，并将其应用在目标城市中.在两个真实数据集上进行了实验，实验结果证明提出的方法优于现有方法.
半监督聚类集成旨在利用成对约束提升聚类集成的精度，但在高维空间的聚类效果却显著降低，另外，当只有少量的成对约束可以利用时，聚类性能很难提升.针对这些问题，提出一种新颖的半监督聚类集成算法WSCEC （Weighted Semi?supervised Clustering Ensemble Algorithm Based on Extended Constraint Projection）.首先，利用多种聚类算法对数据的特征空间进行聚类，再使用随机子空间进行降维，以减少冗余特征的影响；其次，根据每对约束的k个最近或最远的样本以及约束间的传递关系来扩展原有的约束集，通过约束投影技术将原始数据空间投影到低维空间以满足尽可能多的约束；最后，设计了一个聚类解的加权策略，为每一个聚类解分配一个适当的权重以降低低质量聚类解的影响.在多个数据集上的实验结果证明了提出算法的有效性.
在大数据时代，数据多具有规模大、类别多、维度高和样本小等特点，使其特征空间中存在大量冗余和不相关的信息.这些冗余及不相关信息会影响模型的性能，增加计算负担，故特征子集的筛选是数据处理中不可或缺的一环.针对特征选择的数据量大、分类准确率低的问题，提出一种基于粗糙集和改进二进制布谷鸟搜索算法的高维数据特征选择模型.首先，为了加强布谷鸟算法的寻优能力，融合差分进化中变异交叉选择的思想；其次，利用新的鸟巢更新机制寻找优质特征，提升特征选择效果；最后，结合粗糙集构建合适的适应度函数进行评判.为了验证算法的性能，在UCI数据集上选取三种不同分类器进行实验，并利用Friedman检验与Nemenyi后续检验对实验数据进行评估.实验结果表明，提出算法的平均分类准确率达到88.7％，和其他算法相比，在特征选择方面更有优势.
面向大规模数据的知识约简是近年来粗糙集理论的研究热点.传统的知识约简算法通常将小规模数据一次性装入内存中进行约简，因此无法处理海量数据.此外，采用不同的属性不确定性度量会导致并行知识约简算法效率上的差异.为此，从知识粒度视角研究这些不确定性度量的差异和联系，设计了数据和任务同时并行的Map和Reduce函数来计算不同候选属性子集导出的等价类和属性子集的不确定性，构建了一种知识粒度框架下并行知识约简算法模型来获取一个约简，并在Hadoop平台上进行了相关实验.实验结果表明，这些并行知识约简算法可以有效处理海量数据集.
目前，基于人工智能推荐系统的研究工作大多集中在算法优化上，而关于推荐系统更重要的性能评价指标往往被忽视.具体地，独立的评价指标无法有效地反映算法之间的差异，需要进一步有效地耦合这些评价指标.为了反映推荐系统性能的差异，提出较合理的性能评估框架AND （Accuracy Novelty Diversity），可以同时反映推荐系统整体的准确性、新颖性和多样性.把AND框架融入主流的序列化推荐模型，命名为SASAND （Self?Attentive Sequential?AND）.实验结果表明，提出的AND框架在假设数据集和基准数据集的基础上，能有效反映准确性相似的不同算法之间推荐性能的差异，同时，提出的SASAND模型基于AND框架的约束，能对推荐的结果在综合考虑准确性、新颖性和多样性的前提下重新排序.与主流的推荐模型对比，SASAND能够尽最大可能达到整体最优的推荐性能输出.
纹理特征提取是纹理分类中最关键的一步，由于成像条件的不可预知，纹理图像中存在旋转、尺度、噪声等各种因素的变化，给纹理分类的研究工作带来了挑战.为了增强纹理特征提取算法对旋转、尺度和噪声变化的鲁棒性，提出尺度选择完备局部导数模式（Scale Selective Completed Local Derivative Pattern，SSCLDP）.首先，采用自适应中值滤波器对图像进行降噪处理.其次，采用二维高斯滤波器生成该图像的尺度空间.在每个尺度下使用完备局部导数模式（Completed Local Derivative Pattern，CLDP）提取该图像的旋转不变特征，跨尺度取最大值作为该图像的尺度不变特征.将SSCLDP与同类算法在七个公共纹理数据集和热轧带钢图像数据集上进行了实验，实验结果表明，SSCLDP在纹理图像分类和热轧带钢图像分类上有较好的工程应用价值.
变分自编码器（Variational Autoencoders，VAE）是一类重要的学习概率潜在变量的生成模型，然而VAE对复杂模型的表现力较差，生成的图像往往比较模糊.为了解决VAE生成图像模糊的问题，提出一种基于行列式点过程的变分拉普拉斯自编码器（Variational Laplace Autoencoders?Determinantal Point Process，VLAE?DPP）模型，将行列式点过程方法引入变分拉普拉斯自编码器模型，在原始目标函数的基础上添加一项无监督惩罚损失，以此来提高生成图像的质量.VLAE?DPP模型利用行列式点过程来捕获一个与真实数据类似的多样性，然后通过从编码器中提取特征来学习核.最后，训练解码器优化核的伪、实、特征值和特征向量之间的损失，以鼓励解码器模拟真实数据的多样性，从而生成高质量的图像.在Fashion?MNIST，SVHN，CIFAR10数据集上的实验结果表明，VLAE?DPP模型能提高生成图像的质量.
边缘端的异常检测能够明显提高检测的响应速度，轻量化是深度异常检测模型在边缘端运行的解决方案，常采用模型压缩或减少参数量的方法，但参数量减少会减弱特征表示能力，影响检测准确度.为解决以上问题，提出一种层间特征传递增强的轻量化无监督异常序列检测方法，可以在减少模型参数量的同时保证检测的准确性.首先，借鉴密集卷积网络（DenseNet）的结构思想，设计特征层间连接的网络结构，增加层间的连接，加强特征传递的信息量，使提取的序列深度特征更充分；然后将深度可分离卷积应用到该网络结构中，减少参数量，实现轻量化；最后，用提取的序列特征训练支持向量描述分类器（Support Vector Data Description，SVDD），进行异常序列检测.分别在仿真数据集、Google云平台监控日志数据集和边缘端电力变压器油箱的温度数据集上进行验证，结果表明，提出的方法能准确地检测出不同变化的异常序列，与经典的轻量化网络相比，在准确率、参数量和速度上性能更好.
时间序列预测有广阔的应用前景，吸引了越来越多的研究人员对其进行深入的研究.移动平均线是最常用的技术指标之一，它可以对过去一段时间内时间序列的整体变化规律进行概括，常常用来进行时间序列趋势预测.然而，传统的移动平均线指标是通过赋予时间序列数据相等或预定义的权重计算得到的，忽略了不同时间点重要性的细微差别；另外，对于不同的时间序列数据采用相同的权重，忽视了不同时间序列内在特性的差异.为了解决上述问题，提出一个自适应的自注意力移动平均线（Self?Attentive Moving Average，SAMA）指标.利用循环神经网络对时间序列的输入信号进行编码后，引入自注意力机制来自适应地确定不同时间点上数据的权重以计算移动平均值.此外，还使用多个自注意头对不同尺度的SAMA指标进行建模，最后将它们组合起来进行时间序列预测.在两个真实数据集上的大量实验证明了该方法的有效性，数据集和代码已在https：∥github.com/YY?Susan/SAMA上发布.
为了探究高迁移率组盒3 （HMGB3）在乳腺癌中的表达、预后作用和功能，利用TIMER数据库分析HMGB3在不同肿瘤中的表达情况和肿瘤浸润淋巴细胞对乳腺癌患者累积生存的影响，使用GEPIA和UALCAN分析HMGB3在乳腺癌和正常乳腺组织中的表达差异，用PrognoScan和Kaplan?Meier Plotter评估HMGB3在乳腺癌中的预后作用，通过Coexpedia和STRING分析HMGB3在乳腺癌中的功能.发现HMGB3 mRNA和蛋白在乳腺癌中高表达，预后分析显示HMGB3高表达预示乳腺癌患者不良预后，且HMGB3高表达在ER阳性、淋巴结阳性和TP53突变患者中的预后更差.高水平的肿瘤免疫浸润提示乳腺癌患者可以达到更好的十年累积生存.在更低的B细胞、CD8+T细胞、CD4+T细胞、自然杀伤细胞、Th1细胞浸润水平下，HMGB3高表达与乳腺癌更差的预后有关；在更高水平Treg细胞浸润下，高HMGB3表达与乳腺癌更差的预后有关.功能分析显示HMGB3与其共表达基因在乳腺癌中主要参与调控P53通路、细胞周期信号通路和药物代谢.HMGB3在乳腺癌中高表达且提示乳腺癌不良预后，可作为乳腺癌的预后指标和潜在治疗靶点.
为了量化分析样本中的缺陷，利用卷积神经网络（Convolutional Neural Network，CNN）结合阈值分割和深度优先搜索算法实现了对超声检测图像中样品内部缺陷的识别，将实际图像输入神经网络模型中，成功完成了对缺陷的标记，验证了模型的可靠性.利用Field Ⅱ对全矩阵捕获（Full Matrix Capture，FMC）过程及对数据以全聚焦成像方法（Total Focus Method，TFM）进行成像的过程进行了仿真模拟，获得了可用于机器学习的数据集.基于方向梯度直方图（Histogram of Oriented Gradient，HOG）提取了全聚焦成像结果图的图像特征，利用改进的支持向量机（Support Vector Machine，SVM）获得由图像预测缺陷半径的模型并对该模型进行了评价.结果表明，利用上述方法提取的缺陷半径信息精准度在0.1mm，能够应用于缺陷半径的量化分析，预测误差主要来源于数据集两端，可以通过预处理算法进一步提升检测精度.
变分模态分解方法常被用于生命体征信号检测，针对该方法模态个数确定存在主观性的问题，提出一种改进变分模态分解方法进行非接触式测量生命体征信号.利用毫米波雷达获得生命体征回波信号，经过降噪、目标距离单元定位等处理获得生命体征信号.生命体征信号成分主要包括心跳与呼吸信号.其中心跳信号能量小，受呼吸信号影响大，本方法利用余量与模态分量重构信号的自相关系数确定最优分解模态数量，避免了模态数量的过分解和欠分解，达到自适应分离生命体征信号的目的.实验结果表明，与变分模态分解方法相比，该方法可自适应确定模态分解个数.
针对无人机巡航测高过程中，采用单一传感器进行高度测量时受到环境干扰较大且精度较差，而现有多传感器融合方法精度较低的问题，提出一种基于自适应高斯?牛顿迭代三步延迟时空融合的无人机测高方法.首先，将优化后的三步延迟时空融合算法作为第一层融合，有效避免了传感器出现故障所导致的测量误差；其次，采用加速度计对融合后的数据进行检测和辅助测高，将基于参数迭代的自适应高斯?牛顿滤波器作为第二层融合模型算法，可以在保证稳定性的前提下，提高无人机巡航或悬停时的精度.最后，采用实际高度测量数据进行实验.实验结果表明，与二步延迟融合方法比较，最大误差减小25.4%，均方根误差减小26.4%.同时，该测高方法简化了相关量测方程和状态量维数，降低了计算量，系统结构更加简洁，有利于实际应用.
以2，6?二氨基吡啶（DAP，2，6?diaminopyridine）为扩链剂制备了功能聚氨酯预聚体（PU?DAP），采用金属离子（M为Fe3+，Zn2+和Cu2+）交联PU?DAP制备基于配位键的自修复聚氨酯弹性体（PU?DAP/M）.结果表明：聚氨酯引入配位键具有良好的自修复性能，交联金属离子对聚氨酯的力学性能和自修复性能有显著影响.PU?DAP/Cu2+的力学强度为14.2 MPa，PU?DAP/Zn2+的力学强度为7.1 MPa，两者力学强度均高于PU?DAP/Fe3+（4.2 MPa），但PU?DAP/Cu2+的断裂修复效率为14.8%，PU?DAP/Zn2+的断裂修复效率为45.1%，都低于PU?DAP/Fe3+的自修复性能95.2%.当n（DAP）/n（Fe3+）=2∶1时，PU?DAP/Fe3+自修复聚氨酯弹性体拉伸强度为4.2 MPa，随着修复时间延长，修复效率不断提高，24 h自修复效率最高，显著高于当n（DAP）/n（Fe3+）=1∶1和n（DAP）/n（Fe3+）=3∶1的力学强度和自修复性能.通过红外光谱发现，PU?DAP与Fe3+交联后，C=N振动信号从1589 cm-1移至1615 cm-1，表明Fe3+与DAP发生了配位作用，聚氨酯实现自修复源于引入的动态配位键.
出于对环境污染问题的关注与提高国六柴油等产品质量的要求，降低油品中硫含量一直以来广受关注.目前应用广泛的柴油脱硫技术主要是固定床催化加氢技术，为达到深度脱硫要求，传统工艺常采用升温加压、增大氢油比或油品循环等操作方式，导致设备投资高昂、工艺要求严苛和运行费用偏高.为了探究微界面反应强化技术对柴油加氢脱硫过程的强化效果，以固定床鼓泡反应器为例，构建微界面体系的构效数学调控模型，模拟计算并分析气泡尺度对柴油加氢脱硫效率的影响.理论计算表明，在工况条件（温度为350 ℃，压力为3.6 MPa，液时空速为3.0 h-1，氢油比为260 Nm3·m-3）下，当气泡Sauter平均直径由5.0 mm减小至0.50 mm时，气?液?固微界面体系的体积传质系数增加约29倍，产品硫浓度从17.57 μg·g-1降至2.18 μg·g-1，脱硫效果大幅度提高.这样的微界面加氢技术更容易实现国六柴油对硫含量不大于10 μg·g-1的质量要求.
使用聚甲基戊烯中空纤维膜式人工肺进行气液两侧的氧气传质研究.膜组件中模拟液分别为去离子水、生理盐水、甘油?水溶液和亚硫酸钠水溶液，模拟液在膜丝外部流动，同时氧气在膜丝内部流动，二者都通过膜传质溶解在模拟液中.氧气传质测试中维持氧气进气压力为0.3 MPa，模拟液流速为500 mL·min-1，考察膜组件长度、温度、模拟液种类和运行时间等因素对氧气传质性能的影响.传质测试结果表明：氧气传质速率随着膜组件长度的增加和温度的提高有一定程度的增大，同时随着模拟液黏度的增大而有所减小；另外，随着测试时间的增长，氧气传质速率有所下降.此外，依据双膜理论，结合质量守恒方程以及传质阻力层方程建立了基于中空纤维膜组件的氧气传质数学模型，计算值与实验值的平均误差在15%以内.这对中空纤维膜组件的结构优化和气液传质过程的模拟计算具有一定的参考意义.
基默里大陆在二叠纪时位于冈瓦纳大陆和欧亚大陆之间，由一系列大陆碎片或地块组成，包含掸泰马地块、腾冲地块、保山地块、拉萨地块、南羌塘、阿富汗南部和伊朗南部等地区.保山和腾冲地块作为基默里大陆的重要组成部分，在早二叠世时从地处冈瓦纳大陆的北缘裂解，并在中二叠世?晚二叠世向北漂移，这种特殊的古纬度变化导致保山和腾冲地块在下、中二叠统分别产出可能指示冷水和暖水的浅水水域环境的Cyathaxonia动物群和大型单体及复体四射珊瑚.中二叠世两个地块暖水型单体和复体珊瑚共有属种少，说明两者在古地理上并不相近.与中二叠世正处于低纬度地区的华南地块中极高的四射珊瑚生物多样性相比，保山和腾冲地块较低的四射珊瑚多样性，反映了两个地块在中二叠世时仍未到达温暖的低纬度地区.
设计洪水是水利工程规划设计的重要工作，为工程规模确定和风险管理提供依据.针对传统单变量同频率和同倍比方法的局限性，以分层Archimedean Copulas函数为基础，构建了考虑整个洪水过程特性的多维联合设计洪水风险分析模型.以多变量联合重现期为防洪标准，采用蒙特卡洛与Copula函数相结合的方法随机模拟洪峰和不同历时的洪量的设计洪水组合，以实测典型洪水过程为依据，采用变倍比法放大洪水过程，得到设计标准对应的洪水过程线.以长江流域某水库为例，分析研究校核洪水位存在的风险.相对于传统同频率和同倍比计算方法，多维联合设计洪水风险分析模型充分考虑了洪水事件的随机性，以及整个洪水过程变量之间的相关性，为水库设计与安全运行提供参考.
