以直觉模糊信息表为背景，利用粗糙集和模糊集，旨在筛除信息表中冗余的属性，提出获取决策规则的近似约简方法.首先，通过在直觉模糊集中引入带权重评分函数来定义加权直觉模糊序关系；进一步，为了提高模型分类的容错率，结合变精度粗糙集模型构建加权变精度直觉模糊序决策信息表；接着，在该决策表中提出上、下近似约简的判定定理和可辨识矩阵，进而生成两种求解上、下近似约简的方法；最后，通过具体案例和数值实验分析验证了该方法的有效性.
作为人工智能领域的一个重要方向，粒计算在数据挖掘和知识发现方面的研究呈现较大的优势.针对具有多尺度决策的信息系统的知识获取问题，利用粒度树与剪枝来研究具有多尺度决策的信息系统的最优尺度选择问题.首先介绍了粒度树与剪枝的概念，每个属性和决策都有一个粒度树，每个粒度树都有许多不同的局部剪枝，代表特定属性下的尺度选择.不同属性和决策的一个局部剪枝组合形成全局剪枝，从而产生一个混合尺度决策表.其次，给出具有多尺度决策的信息系统基于粒度树与剪枝的最优全局剪枝选择的概念.最后将全局剪枝选择与最优尺度选择进行比较研究，还设计了一个算法来验证该方法的有效性.
多粒度群决策是从决策信息中的多粒度特征出发，利用粒计算模型对群决策问题进行高效建模与分析的过程.现有多数多粒度群决策方法仅可提供单一的决策结果，然而不同方法带来的决策结果往往存在差异.为了深入探索犹豫模糊语言信息系统中的稳健型多粒度群决策方法，依据多粒度概率粗糙集、MULTIMOORA （Multi?Objective Optimization by Ratio Analysis Plus the Full Multi?plicative Form）和TPOP （Technique of Precise Order Preference）建立一种面向多粒度群决策的新型犹豫模糊语言多粒度计算方法.首先结合犹豫模糊语言术语集与多粒度概率粗糙集，提出犹豫模糊语言多粒度概率粗糙集模型，然后依据离差最大化法计算属性权重与决策者权重，并结合TPOP建立犹豫模糊语言稳健型多粒度群决策方法.最后，通过医学实例验证提出方法的可行性与有效性.
为了解决现有勾股模糊相似度度量中由于忽略犹豫度而造成度量不精确的问题，提出一种新的相似度的度量方法.首先，在属性值为勾股模糊数的条件下，将勾股模糊相似度定义结合灰色关联分析的思想应用于多属性决策，提出一种新的结合勾股模糊相似度的灰色关联分析多属性决策方法，并设计了该方法的算法.通过一个翔实的算例分析证实了提出方法的正确性和有效性，证明其为多属性决策的一种新的可行方法.通过两组实验结果的对比，提出的方法比其他方法的决策更贴近实际结果，验证了该方法的可靠性.该算法还避免了人工计算，具有高效性.
卷积图神经网络（Convolutional Graph Neural Network，ConvGNN）以其强大的表达能力被广泛应用于社交网络、生物网络等领域的网络表示学习中，多粒度网络表示学习已被证明能够改善已有网络嵌入方法的性能，但目前尚缺乏以改善ConvGNN性能为目标的框架.针对此问题，提出一种基于ConvGNN的多粒度网络表示学习框架M?NRL，分为四个模块：粒化模块、训练模块、推理模块和融合模块.粒化模块构造从细到粗的多粒度网络并保留不同粒度节点的属性和标签信息，训练模块在最粗粒度的网络上以端到端的方法训练任意一种ConvGNN并优化其模型参数，推理模块使用优化后的ConvGNN推理出不同粒度网络的节点表示，融合模块采用注意力权重聚合不同粒度的节点表示以产生最终的节点表示.在四个公开引文网络数据集上进行的半监督节点分类任务验证了M?NRL的有效性，实验结果表明，M?NRL不仅能加速现有ConvGNN的训练，还可以增强其最终的表示质量.
目前，Fisher Score模型在处理多标记数据时没有考虑样本和整个特征空间之间以及特征和标记之间的关系.提出一种基于互信息的Fisher Score多标记特征选择方法.首先，在多标记决策系统中考虑整个样本空间对特征选择的影响，根据异类样本与同类样本之间的欧式距离定义权重公式，并在特征空间下对标记赋予权重衡量标记的重要程度.然后，基于互信息理论定义特征与每个标记之间的互信息来计算每个特征和每个标记之间的相关度，将特征与标记之间的相关度与该标记所占的权重相结合来定义特征和标记集之间的总相关度.将Fisher得分与总相关度结合，定义每个特征的新的Fisher得分，进而构建多标记Fisher Score模型.最后，设计了一种基于互信息的Fisher Score多标记特征选择算法.在六个多标记数据集上的实验证明，提出的算法与其他算法相比，其四种评价指标都表现良好，分类性能出色.
流标签是当前多标签学习领域中一个较新颖的挑战性问题，存在标签空间未定、标签数量不断增加甚至趋于无穷等问题.在多标签学习的特征选择中，每当有新的标签到达时标签空间都将发生改变，传统的多标签特征选择算法需重新进行特征选择，所以不适用.针对此问题，采用将流标签进行分组批量处理的方式，并考虑标签之间的相关性，提出一种新的流式多标签特征选择方法，考虑分组后每组标签内部潜在的关联结构和不同标签组之间的标签差异性，赋予每组标签不同的权重来计算每个特征与标签空间的模糊互信息.同时，结合mRMR （Max?Relevance and Min?Redundancy）的特征选择策略进行冗余特征的剔除，从而挑选最优的特征子集.该方法同时适用于固定标签空间和流式标签空间中的特征选择问题.最后，选取八个多标签基准数据集，采用四种评价指标与已有相关的多标签特征选择方法进行对比实验，实验结果证明了提出方法的有效性和高效性.
多标签分类是一项重要且具有挑战性的任务，对于场景分类、信息检索和网页挖掘等领域有重要意义.近年来，研究者倾向于挖掘并利用标签相关性以及实例相关性来提升多标签分类的性能，其中利用这类相关性来解决多标签分类中的标签缺失问题一直是机器学习领域的热门研究点，但现有的方法都忽略了标签和实例之间的相关性.针对标签完整和标签缺失的情况，基于矩阵分解的方式分解得到实例和标签的特征表示矩阵，在利用标签相关性和实例相关性建立正则约束的同时，首次建立实例和标签特征表示间的相关性并用以建立正则约束，进而提升算法性能.在三个真实数据集上对提出的算法进行性能验证，实验结果表明，该算法和对比算法相比，获得了最高的预测精度.
多标记特征选择已被广泛应用于医疗诊断、模式识别等领域，然而现实中的数据往往存在维数灾难以及标记大量缺失等问题，现有的弱多标记特征选择算法又普遍易受缺失标记和噪声的干扰，使算法模型难以准确地选择重要特征．针对上述问题，提出一种用于弱多标记数据集特征选择的弱监督对比学习方法，旨在缺失和含噪声标记数据集中选择优质特征，同时挖掘少量人工标注数据中潜在的类间对比模式．该方法包括三个步骤：首先，设计一种弱监督预训练策略，通过利用实例相似性以及稀疏学习方法获取每个类标记类属属性，用于恢复缺失标记；其次，引入对比学习策略来捕获少量有标记数据的对比模式来削弱噪声数据的影响；最后，选取10组多标记数据集以及四个评价指标进行实验.实验结果证明，与多个先进多标记特征选择算法相比，提出的方法分类性能更优．
概念格的属性约简是知识表示和数据处理的一种有力工具，已被成功应用到多个领域，寻求高效快速的属性约简算法仍然是概念格理论的主要研究热点.从信息熵和布尔矩阵的角度研究形式背景的属性约简，提出属性约简的新方法.首先，在形式背景上定义矩阵信息熵、矩阵条件熵、矩阵联合熵和矩阵互信息熵，研究它们的性质和相互之间的关系.接着，在形式背景上提出基于矩阵信息熵的矩阵熵协调集和矩阵熵约简的定义，给出了属性的重要性度量，利用矩阵信息熵刻画核心属性、相对必要属性和不必要属性的属性特征，再给出获取矩阵熵约简的方法和算法.最后，利用UCI数据集进行测试，验证了基于矩阵信息熵的矩阵熵约简算法的有效性.通过对比实验，证明该算法具有更加高效的约简性能且适用于大数据样本.
技能背景是以问题为对象、技能为属性并体现问题与技能关系的一种特殊形式背景，在技能背景下，通过面向问题概念格和面向技能概念格分别得到知识空间和闭包空间.知识状态是知识空间理论的核心概念，它不仅体现个体当下的学习现状，还可以通过非空的内、外边缘指导下一步的学习.但在知识空间和闭包空间下，知识状态可能不存在非空的边缘，而在良级知识结构下，任意知识状态都存在非空边缘.良级知识空间是学习空间，而且良级知识空间和良级闭包空间都是程序性知识评估的重要工具.在技能背景下研究知识空间是学习空间的充要条件以及什么样的闭包空间是良级的问题.首先，基于知识状态的关系提出良好技能背景，并给出技能背景下学习空间的判别方法和良级的闭包空间的充要条件；其次，根据良好技能背景对个体进行技能评估，得到个体的能力范围；最后，提出技能推测关系，同时给出求解技能推测关系和寻找学习路径的方法.
随着服务系统中Web服务的不断增加，为用户进行个性化Web服务推荐成为服务计算领域最热门的研究课题之一，然而，服务推荐面临不可靠用户和服务导致推荐的不准确性问题.为了解决上述问题，提出一种基于位置和信誉感知的Web服务推荐方法.首先采用粒子群优化（Particle Swarm Optimization，PSO）对用户进行聚类，得到相似用户；其次，计算用户和服务的信誉来识别可信的用户和服务；最后，将相似用户和可信服务的信息整合到矩阵分解（Matrix Factorization，MF）中，为用户预测缺失的服务质量（Quality of Service，QoS）.在真实数据集WS?Dream上的实验验证了提出方法的可行性与有效性.与其他先进的预测方法相比，该方法的MAE （Mean Absolute Error）和RMSE （Root Mean Squared Error）较低，证明该方法有较高的预测准确性.
概念漂移是流数据的主要特征之一，如何检测概念漂移的发生以及调整预测模型去适应概念漂移现象备受研究者的关注.目前有关概念漂移的大多数算法仅仅针对单一类型的概念漂移检测，并且需限制输入数据服从某一分布，所以在检测多种类型概念漂移时效果不理想.提出一种在线集成自适应算法（KSHPR），在自适应随机森林（Adaptive Random Forests，ARF）算法和流随机补丁（Streaming Random Patch，SRP）算法的基础上进行优化改进，采用非参数检验与滑动窗口相结合的策略进行概念漂移检测，降低窗口平均值对算法性能的影响，并以此为基础建立四个基学习者的集成学习模型，根据基学习者预测准确率，动态分配权值，有效解决流式数据中学习模型精度低的问题.实验证明，提出的算法在真实数据集和合成数据集中均表现优良，与其他算法相比，该算法的稳定性、分类准确性与多类型概念漂移适应能力均有所提升.
难以兼得高空间分辨率和光谱分辨率的高光谱遥感数据常存在“同物异谱”和“同谱异物”现象，这种光谱异质问题给分类过程带来了一定的不确定性，且现有深度分类网络存在空间信息利用不足和拟合退化问题.提出一种联合空间和模糊光谱特征的双分支高光谱遥感图像分类方法，通过在光谱分支中设计非对称卷积模糊模块增强卷积层的光谱表征能力，解决分类数据中的光谱异质问题，进而对地物特征进行精确的分类描述.采用门控循环单元模型分组获取相邻光谱序列信息，缓解因网络深度增加带来的拟合退化问题，在空间分支中利用波段间的相关性引入卷积长短时记忆模块，充分捕捉空间上下文信息.在三个公开的高光谱数据集上的实验结果表明，双分支结构的模糊分类网络能充分利用光谱和空间包含的细粒度信息，更具判别力的空谱特征有效地克服了光谱异质问题，比流行的深度学习方法取得了更好的分类结果.
卫星云图是气象预报的重要资源之一，可以显示云层的生消变化，对气象分析和预报工作有极大的作用.对云图进行一定时间段的预测有助于及时掌握云层的移动轨迹和变化情况，提高卫星云图资料的实用性.然而，当前卫星云图的预测面临诸多困难，例如，云团的变化大多是非平稳、非线性的；云图数据量小，实时性差等.因此，从时空序列的角度出发，提出一种基于3D卷积和自注意力机制的卫星云图预测模型，该模型在ST?LSTM （Spatiotemporal Long Short?Term Memory）的基础上，在其单元内部引入3D卷积和自注意力机制，使模型能同时提取时间信息和空间特征，进一步增强云层短期趋势和长期依赖的联系；同时，在其外部框架使用空间和通道注意力机制，促进对云图空间特征的提取.在风云四号的卫星云图上进行评估，实验结果证明，该模型能够较准确地预测云层的形态变化和运动轨迹，各项评价指标均优于现有模型.
城市道路短时车速预测是智能交通系统中的一个重要组成部分，也是城市道路交通信号灯控制、公交调度、出行线路搜索等具体应用任务的基础.目前这方面的研究热点多是使用图卷积神经网络捕获空间特征，再使用直接的线性拼接方法进行特征处理，在准确度上有不足.针对短时车速预测的高准确性要求，提出一种融合图注意力网络、门控循环单元和天气权重因子的深度学习预测模型（Graph Attention Network Based with Weather Weight，W2?GAT）.其中，图注意力网络利用注意力机制捕获城市道路空间信息，门控循环单元用于提取车速时间特征，重点关注待预测点周边的路面车速情况；在特征处理方面，将天气因素作为可变权重超参数与具体的道路车速特征进行融合，提高预测的准确性.实验结果表明，和现有模型相比，W2?GAT模型预测结果的均方根误差平均降低7.5%，准确率平均提升4%，能够较好地反映实际路面情况下未来短时的车速特征，为具体应用提供数据支撑.
为支持未来交通系统中的海量服务，网络运营商将车辆作为移动智能终端加入物理设施网络来参与网络功能虚拟化是一种有前景的解决方案.然而，与静态网络不同，车联网的动态拓扑会使部分物理链路发生中断，使承载的虚拟链路失效，导致服务失败.以保障链路可靠性为约束，以提高服务映射成功率为优化目标，提出一种针对动态网络的服务功能链优化映射算法.首先，采用随机几何以及矩生成函数理论分析得出链路可靠性解析表达式，建立移动性物理网络中服务功能链的成功映射条件集合；其次，构造基于可靠性保障的服务功能链映射优化模型；最后，为了实现低复杂度求解，在可靠物理链路提取方案的基础上，采用子图同构的基本思想，结合匹配发散概率优化剪枝效率，并引入适应度匹配以提升映射成功率，从而提出高效映射算法.实验结果证明，与经典的属性排序映射算法以及设备位置映射算法相比，提出的算法能保障链路的可靠性，提高服务映射的成功率.
基于0.15 μm GaAs pHEMT （pseudomorphic High Electron Mobility Transistor ）工艺，研制了一款6位数字移相器微波单片集成电路（Monolithic Microwave Integrated Circuit，MMIC）.该移相器由六个基本移相位级联组成，工作频带为10~18 GHz，步进值为5.625°，移相范围为0~360°，具有64个移相态.根据最优拓扑选择理论，5.625°，11.25°，22.5°移相位采用桥T型结构，降低了移相器的插损及面积；采用开关型高低通滤波器结构实现45°，90°，180°移相位，提高了大移相位的移相精度，并有效降低了寄生调幅.实测结果表明：64态移相寄生调幅均方根误差小于0.6 dB，移相输入输出回波损耗低于-11 dB，移相均方根误差小于4.2°，基态插入损耗低于8.6 dB.芯片尺寸为3.35 mm×1.40 mm.该数字移相器具有宽频带、高移相精度、尺寸小的特点，主要用于微波相控阵T/R组件、无线通信等领域.
