城市热岛效应是城市气候的突出现象之一，由于观测手段差异和数据代表性的不同，对城市热岛存在多种定义，其中冠层城市热岛和地表城市热岛的应用最广泛，但是目前两者之间的比较工作开展相对较少.“城市效应”是指由于城市的出现对一个地区气候的影响，城市热岛本质上属于城市效应的表征之一.分离“城市效应”常用的方法有“城乡差异”和“城市化前后对比”两种，二者分别从观测资料的空间和时间差异着手计算，目前对两种方法结论的一致性分析尤为欠缺.以北京地区为研究对象，利用地面气象站和卫星遥感观测数据，对比分析了该地区气温和地表温度、冠层热岛和地表热岛的数值与变化情况，并进一步分析了分离“城市增温效应”两种方法的可比性，结果表明：（1）2009-2017年北京地区五种热岛指标均值比较为：由卫星遥感反演得到的日间地表热岛最大，其次为地面观测得到的最低气温冠层热岛和卫星遥感反演得到的夜间地表热岛，二者数值相近，地面观测得到的平均气温冠层热岛再次，而地面观测得到的最高气温冠层热岛远小于其他四类；（2）以通州站为例，1980-2017年用以分离“城市增温效应”的城市化前后差异和城乡对比两种方法的结果分别为0.65 ℃/（10a）和0.61 ℃/（10a），结论基本一致，虽然由于乡村站平均气温受到城市化影响，城乡对比法存在低估现象，但误差在可接受范围内，两种方法仍具有相互替代性.
行道树安全性评估是城市树木安全防护的重要内容，采用科学有效的方法评估行道树安全现状，对城市安全精细化管理及行道树有机更新具有重要的现实意义.以南京市主城区法桐行道树为例，通过整合法桐行道树多种出险记录，构建了南京市法桐行道树安全性调查数据库；通过计算不同时空维度的出险频度来评价法桐行道树安全性；利用GIS空间自相关分析方法，探究了法桐行道树路段出险频度的空间分布特征.结果显示，玄武区、鼓楼区、秦淮区是南京市法桐行道树的高频出险行政区，其中玄武区总出险频度最高，达到5.2%.玄武区内北京东路?中山路?中山东路?太平北路所围街区是法桐行道树逐年高频出险路段集中区域.法桐行道树出险路段在空间上存在显著热点，其中鼓楼区的出险热点数量最多，达到23条，主要集中在中山路沿线路段.法桐行道树出险的主要原因为断枝和车撞树，分别占总出险事件的38.34%和15.45%.针对重点出险区域出险原因提出相应建议，为未来行道树的城市管理提供参考.
基于微磁学模拟的方法，对垂直点接触自旋霍尔纳米振荡器（VNC?SHNO）中自旋波的激发和其非线性动力行为随电流、磁场及角度的依赖关系进行了详细的数值模拟研究.首先研究了纳米振荡器的频谱特性随激发电流的变化的关系，发现在低电流下，其频谱在远低于铁磁共振频率
主要根据Biot?Stoll多孔介质理论，推导了平面波入射到理想流体中多孔球形粒子的声散射系数以及所受声辐射力表达式，通过数值模拟分析了开孔和闭孔情况下多孔球形粒子在不同体孔隙率、不同面孔隙率以及不同药物材料下所受的声辐射力大小，并利用有限元仿真对理论结果进行了验证.从结果可以看出体孔隙率越大，多孔粒子所受的声辐射力越大，对于不同的药物粒子，由于各类性质不同，所以相对而言所受的声辐射力的波动较大.研究为流体中粒子的声操控提供了理论基础，有助于从药物材料、孔隙率等方面改善和发展用于医学相关领域的药物操控.
光声断层成像需要使用换能器阵列及多通道系统，硬件成本较高，制约了其广泛应用.为降低成本，设计了一种基于声学散射透镜的光声断层成像方法，利用声学多重散射过程中的多路径效应达到增大探测阵列等效数值孔径的作用，从而减少信号探测过程所需换能器数量.通过数值模拟实验，首先分析了散射透镜格林函数的精确测量方法，随后利用四个散射透镜共同作用实现了高质量光声断层成像，并对影响成像质量的相关因素进行了具体研究.提出的散射透镜无须复杂制作工艺或特殊材料，系统只需四个超声换能器即可实现快速成像，可降低光声断层成像系统的硬件成本.
航拍图主要被用来作为一些图像处理的基础材料，但是由于无人机飞行高度的自限性和一些干扰因素导致图像的视野和对齐效果受限，致力于研究一种改良的对齐评估方法和运动目标去除以提升全景拼接的效果，以减少局部扭曲，使得拼接结果更加接近自然和平滑.采用网格优化引导拼接来提升全局拼接效果，对于网格的规划采用三个联合的能量函数进行求优，对齐效果的直观感受来源于人类视觉对场景目标中的边缘和线条对齐的观察.因此，加入直线对齐能量函数作为联合的优化方法也能在一定程度上提高对齐的效果，拼接角度问题通过估计一个合适的三维旋转来缓解.最后，对于场景中的动态目标的影响，使用深度学习中的实例分割网络进行潜在的运动目标去除，比如行人、车辆等，并在分割网络输出的目标区域进行图像修复.
超声成像技术因其无侵入、低成本、快速、可便携化的特性，成为医学成像领域的一大研究热点.然而，受限于声波的传播特性、成像算法的弊端以及硬件发展，超声图像存在成像深度小、大量伪影、分辨率低等问题.针对超声图像中的目标混叠和分辨率低下问题，提出了一种基于信号处理的超声图像优化方法，通过反卷积算法对超声探头采集到的原始信号进行处理，再将处理后的信号按照延时求和成像算法重建为图像.提出的方法可以减轻信号间的混叠，最终减轻图像中的混叠，令图像中原本难以辨认的微小结构和细节信息得以展现.通过仿真和实验证明，经过处理后的信号所重建的图像质量优于原始信号所重建的图像，验证了提出的信号处理方法的有效性.
异常检测是数据挖掘的重要研究方向之一.工业设备的各项指标以多元时间序列的形式被传感器监测，多元时间序列的异常检测对保障安全和提高服务质量至关重要，但是异常的定义相对模糊，具有异常标签的数据很稀少.此外，多元时间序列具有复杂的时间依赖性和随机性，使异常检测存在许多问题.提出CPCGAN模型，使用自监督学习的方法对多元时序数据进行异常检测.首先使用对比学习的方法得到多元时序数据的表示向量，再将具有先验信息的表示向量作为输入用来训练生成式对抗网络，通过生成式对抗网络的重构误差来确定异常.在五个数据集上与五种无监督异常检测方法进行对比，实验结果证明提出的方法能有效地检测两类异常，并且，在大多数数据集上的表现更好.
无监督特征选择是无标签高维数据预处理过程中一种有效的数据降维技术，然而大多数无监督特征选择算法忽略了数据样本本身的类簇结构特性，选择具有低判别性信息的特征.基于此，提出一种基于伪标签回归和流形正则化的无监督特征选择算法.具体地，联合伪标签回归和最大化类间散度来保证算法在迭代过程中学习伪标签，同时，自适应学习数据样本之间的局部几何结构，获得更加精准的标签信息和结构信息，进而选择具有高判别性且能保持数据流形结构的特征.在四个公开数据集上的对比实验表明，提出算法的特征选择结果优于现有的一些无监督特征选择算法.
多标签文本分类是自然语言处理领域的重要任务之一.文本的标签语义信息与文本的文档内容有紧密的联系，而传统的多标签文本分类方法存在忽略标签的语义信息以及标签的语义信息不足等问题.针对以上问题，提出一种融合标签嵌入和知识感知的多标签文本分类方法LEKA （Label Embedding and Knowledge?Aware）.该方法依赖于文档文本以及相应的多个标签，通过标签嵌入来获取与标签相关的注意力.考虑标签的语义信息，建立标签与文档内容的联系，将标签应用到文本分类中.另外，为了增强标签的语义信息，通过知识图谱嵌入引入外部感知知识，对标签文本进行语义扩展.在AAPD和RCV1?V2公开数据集上与其他分类模型进行了对比，实验结果表明，与LCFA （Label Combination and Fusion of Attentions）模型相比，LEKA的F1分别提高了3.5%和2.1%.
随着电子设备的日益普及和信息扩散的便利性，在线社交网络为各种负面信息的传播提供了高效的媒介.谣言是社交媒体上负面信息的突出形式之一，会引发社会动荡，造成经济损失，因此，快速有效地抑制谣言传播成为当前社交网络研究领域中的一个热点.提出一种有效的谣言抑制传播方法，从网络中选取多个正种子节点来传播真相，抑制谣言的传播.首先采用竞争性独立级联（Conpetitive Independent Cascade，CIC）模型来同时传播谣言和真相；其次，提出一种基于标签传播的社区检测算法对社交网络进行分解，并为各个社区分配正种子节点预算；最后，创新地提出节点强度来衡量网络中节点的重要性，并利用节点强度在各个社区中选取抑制谣言传播的初始正种子集.实验证明，该方法能达到与贪婪算法相匹配的抑制效果，且运行时间比贪婪算法快三个数量级.
快速准确的火焰检测对于降低火灾危害具有重要意义，为了加强模型的火焰特征提取能力以及解决特征图尺寸不平衡的问题，利用XSepConv （Extremely Separated Convolution）、大卷积核、Mish激活函数等构建CXANet?block （Convolution Extremely Attention Network）作为YOLOv5的骨干网络，引入CBAM （Convolution Block Attention Module）注意力机制，提出一种基于CXANet?YOLO的火焰检测方法，通过增加通道注意力和空间注意力来提高检测性能.在自建火焰数据集上进行训练，提升模型的鲁棒性和泛化能力.实验结果表明，CXANet?YOLO模型比基准模型YOLOv5在火焰检测上具有更高的检测精度和检测速度，准确率提高了8.2%，检测速度每秒提升25帧.
中文拼写错误主要集中在拼音相似和字形相似两个方面，而通用的预训练语言模型只考虑文本的语义信息，忽略了中文的拼音和字形特征.最新的中文拼写纠错（Chinese Spelling Correction，CSC）方法在预训练模型的基础上利用额外的网络来融入拼音和字形特征，但和直接微调预训练模型相比，改进的模型没有显著提高模型的性能，因为由小规模拼写任务语料训练的拼音和字形特征，和预训练模型获取的丰富语义特征相比，存在严重的信息不对等现象.将多模态预训练语言模型ChineseBert应用到CSC问题上，由于ChineseBert已将拼音和字形信息放到预训练模型构建阶段，基于ChineseBert的CSC方法不仅无须构建额外的网络，还解决了信息不对等的问题.由于基于预训练模型的CSC方法普遍不能很好地处理连续错误的问题，进一步提出SepSpell方法.首先利用探测网络检测可能错误的字符，再对可能错误的字符保留拼音特征和字形特征，掩码对应的语义信息进行预测，这样能降低预测过程中错误字符带来的干扰，更好地处理连续错误问题.在三个官方评测数据集上进行评估，提出的两个方法都取得了非常不错的结果.
脑电图（Electroencephalography，EEG）可记录来自大脑皮层的电信息，反映了脑活动中神经细胞放电产生的电场变化情况.EEG的空间信息和时间信息对于运动想象脑电（Motor Imagery Electroencephalogram，MI?EEG）解码分类模型学习判别特征至关重要，但过度依赖预处理和手工特征提取，导致对EEG数据进行信号分类较为困难.尽管深度学习已经在很多领域实现了自动特征提取，但脑电图的深度学习尚未完成.提出基于FBCSP （Filter Bank Common Spatial Patterns）和Transformer模型的时空特征学习的运动想象脑电解码方法.针对FBCSP滤波的脑电信号，依次通过空间维度和时间维度上的注意力转换来获取空间和时间特征，然后通过Softmax函数对不同类别的EEG数据进行分类.实验结果表明，在BCI竞赛数据集IV?2a上，该方法的分类准确率可达84.16%，为MI脑电信号分类提供了新思路.
近年来，空气污染问题备受关注，近地面臭氧逐渐成为我国部分城市的首要污染物，因此对臭氧浓度的精准预测尤为重要.为了进一步提高臭氧浓度预测的精度，提出一种融合空间特征和统计特征的卷积神经网络和门控循环单元（Convolutional Neural Networks and Gate Recurrent Unit，CNN?GRU）臭氧浓度组合预测模型.首先，通过对时空因素以及其他大气污染物与臭氧浓度进行相关性分析，利用基于统计域的方法和克里金插值法对臭氧浓度时序数据进行预处理来提取臭氧浓度数据的时空特征，采用并联杂交CNN和GRU结构的组合预测模型得到最终的臭氧浓度预测结果.实验结果表明，CNN?GRU组合预测模型预测未来一小时的臭氧浓度可决系数、均方根误差和均方误差的值分别为0.9598，11.9508和8.2753，未来两小时的臭氧浓度可决系数、均方根误差和均方误差的值分别为0.8985，18.5373和13.0045，优于独立的CNN、长短期记忆（Long Short Term Memory，LSTM）网络、GRU、卷积?长短期记忆网络（Convolutional LSTM Network，ConvLSTM）、CNN?LSTM和CNN?GRU预测模型，这是由于CNN?GRU组合预测模型融合了空间和统计特征，可以多角度提取特征并采用并联杂交的网络结构，所以预测精度较高，且具备较好的鲁棒性.
近年来，随着全球经济的迅速发展，参与金融投资的投资者增多，如何在复杂的金融市场中自动选择交易策略使收益最大化成为研究热点.强化学习可以通过与实际环境的交互来寻找最优的交易策略，使投资收益最大化.现有的方法大都是将一到两个强化学习算法应用于金融市场并比较算法在单一交易任务上的表现，此外，这些研究大都针对国外的股票、证券市场或加密货币市场，对国内金融市场的研究甚少.针对上述问题，面向国内金融投资市场，系统性地验证了不同类型的多种深度强化学习代表性算法在单只股票交易、多只股票交易和投资组合分配三个投资任务上的有效性.通过观察在累计收益率、夏普比率、最大回撤等评价指标上的回测结果对算法进行比较，结果显示在不同的投资任务中选取合适的强化学习算法可以有效地提升收益.
网络功能虚拟化（Network Functions Virtualization，NFV）实现了硬件与软件的解耦，是5G应用与发展的核心技术.NFV网络具有高动态性、层间不可见性、网络组件复杂等特点，给网络管理带来了挑战.为了保证NFV网络的正常高效运行，提出基于动态阈值的NFV故障检测算法DTF?DTW：首先，根据已有的正常样本数据，获得不同虚拟网络功能的故障阈值；然后，采用基于滑动窗口的快速动态时间扭曲算法，检测虚拟网络功能的故障时段并报警.采用真实世界的NFV数据对该算法进行测试，并使用机器学习算法STAD （Spatio?Temporal Anomaly Detection）进行比较，证明提出的算法与现有算法相比，能更加迅速准确地检测出NFV中的异常行为，提高网络运行效率和用户服务满意度.
随着新一代无线通信技术的发展和交通业务需求的不断增长，车联网（Internet of Vehicle，IoV）作为智能交通领域的重要组成部分得到了快速发展.车辆在高速行驶过程中位置分布的随机性导致IoV网络拓扑结构变化频繁，对用户的信息传输造成极大的影响，针对基础设施稀疏部署的高速公路场景，提出一种基于异质链路联动切换的车与基础设施之间（Vehicle?to?Infrastructure，V2I）、车与车之间（Vehicle?to?Vehicle，V2V）的协作传输策略.根据车辆之间的分布距离对V2V的通信链路质量进行分析，并在动态场景下对链路进行联动切换；研究车辆密度对于车辆分布的影响，推导出IoV网络吞吐量的封闭表达式；为了进一步了解数据交付的情况，将V2I过程和V2V过程进行分离讨论，获得了数据交付时延的封闭表达式.仿真结果表明，在基础设施稀疏部署的高速公路场景中，提出的策略能提高系统的网络吞吐量，降低交付时延.
