人类历史亦是和疾病的斗争史，在这一过程中医学的发展取得了长足进步，从神秘的巫医和草药医学发展成为包括基础医学、临床医学和公共卫生的现代医学.而医学发展到目前阶段，虽然有了比较精细的分科，但也面临新的挑战，其中包括如何将大量基础医学成果转化到临床医学和公共卫生的具体实践之中.为了解决这一问题，越来越多的科学家开始探索与临床医学专家进行更加紧密的合作，围绕具体临床问题，在深化有关机制研究的过程中帮助研发新仪器、新材料等新技术，在临床医学问题的解决过程中发挥重要作用，逐渐形成了医学领域中一个崭新的交叉学科方向——工程医学.本文简述了工程医学定义、目前发展基础及主要任务，并对未来的发展趋势与挑战进行讨论.
疏水相互作用是一种十分复杂的非线性多体等效相互作用，在蛋白质折叠中发挥着主导作用，对蛋白质溶剂可及表面积（SASA）的分析是刻画该作用的重要手段.为了解决SASA解析或数值方法难以平衡计算成本和精确度的问题，将机器学习方法应用于蛋白质SASA的预测中.与传统的典型方法进行比较，该方法得到的结果，误差小了一个数量级，计算速度比解析方法提升了近两个数量级.将该方法拓展到基于蛋白质粗粒化结构的SASA预测上，也取得了良好的结果.该方法为蛋白质物理的研究提供了新的高效计算工具.
高维小样本数据的特征维数远远高于样本数，因为其通常包含大量的冗余特征，ReliefF算法在处理这类数据时存在以下挑战：传统ReliefF算法无法剔除冗余特征，而现有的改进ReliefF算法大多通过启发式地计算特征与特征之间的互信息来剔除冗余特征，不适用于高维数据；通过截取与标记相关性最大的若干特征来进行分类，可能不是最优选择，因其没有考虑不同特征组合对分类性能的影响.为了解决以上问题，提出一种基于层次子空间的ReliefF特征选择算法，将原始特征集划分为具有层次结构的子空间，并利用邻域粗糙集理论来计算低层子空间的局部依赖度，能在高维小样本数据上高效率地批量剔除冗余特征.此外，为了考量不同特征组合对结果的影响，引入“局部领导力”的概念，保留部分子空间中“带队”能力较强的特征，从局部和全局的角度共同给予特征更加客观的评价.在六个微阵列基因数据集上的实验表明，与现有方法相比，提出的方法更高效，而且能保持良好的分类性能.
知识图谱可以给推荐系统提供丰富的、结构化的信息，从而提高推荐准确性.最近的技术趋势是基于传播的方法设计端到端的模型，但有的基于传播的方法无法捕获项目的高阶协作信号.一般图卷积网络中包含的最常见形式是特征转换、非线性激活和邻域聚合，然而，经验表明，特征转换和非线性激活对协同过滤推荐不一定有积极的影响，更糟糕的是，它们可能会降低推荐性能，使训练更加困难.针对以上问题，提出基于知识图谱的轻量级图卷积网络推荐模型.首先，从实体邻居中抽取样本作为感受野，将知识图谱中的实体通过多次迭代嵌入传播来获取高阶邻域信息.感受野结合邻域信息和可能存在的偏差来计算实体表示，还可以扩展到多跳以模拟高阶连通性并捕获用户潜在的远距离兴趣.其次，使用邻域聚合以预测用户和项目之间的评分，这不仅简化了模型设计，还提高了模型的有效性和准确度.最后，在电影、书籍和音乐推荐这三个数据集中应用提出的模型，实验结果表明，提出的方法优于其他推荐基线.
网络对齐是一项极具挑战性的任务，旨在识别不同网络中的等效节点，由于网络的复杂性和监督数据的缺乏，传统方法的计算复杂度高，精度低.近年来，图神经网络（Graph Neural Networks，GNN）在网络对齐算法中得到了越来越多的应用.已有研究表明，与传统方法相比，使用GNN进行网络对齐可以降低计算复杂度并提高对齐精度，然而，基于GNN的方法的性能受到训练数据质量和网络规模的限制.为此，提出一种快速鲁棒的无监督网络对齐方法FAROS，采用在粗图上训练的GNN模型进行网络对齐.使用粗图进行GNN训练的优点：（1）显著减少训练数据，最大限度地减少GNN反向传播过程中必须更新的权重参数，减少训练时间；（2）缓解数据噪声，能提取网络最重要的结构特征，便于GNN获得更鲁棒的嵌入向量.在训练过程中，FAROS通过引入基于伪锚节点对的自监督学习来提高对齐精度.在真实数据集上的实验结果验证了FAROS算法的有效性，其在保持较好精度的同时，比同类方法快几个数量级.
聚类集成已经成为数据挖掘和机器学习中的热门研究课题，尽管近年来取得了重大进展，但目前聚类集成的研究仍存在两个具有挑战性的问题.首先，大部分集成算法倾向于在对象的层面研究相似度，缺乏发掘簇层面信息的能力；其次，目前许多集成算法仅仅关注簇内对象的直接共现，忽略了簇与簇之间的关系.针对这两个问题，提出一种基于簇间连接的元聚类集成算法，首先根据Jaccard相似度构造一个簇相似度矩阵，然后利用连接三元组细化这个相似度矩阵，最后通过图划分和成员分配得到最后的结果.理论分析和实验测试表明，提出的算法不仅能产生较好的聚类结果，而且受聚类集成规模的影响较小.
数据匿名技术是目前应用最广泛的隐私保护技术，可以在保护数据私密性的同时最大限度地保证数据的可用性和计算的高效性.然而，现有的数据匿名模型采用的都是二分类的匿名模式，这种非此即彼的处理方式往往过度偏激，造成大量不必要的信息损失.针对这个问题，提出一种基于三支决策的新型分类匿名模型.首先，在
传统信息系统中每个属性只有一个尺度，但随着海量数据的涌现，实际应用中经常是在多个尺度上处理和分析问题.三支决策是解决分类问题的一种经典方法，序贯三支决策是在三支决策的基础上进行多步决策的一种方法.将多尺度决策信息系统与三支决策相结合，基于决策理论粗糙集提出分层多尺度决策信息系统的序贯三支决策模型，得到动态变化的正域、负域、边界域.对多尺度决策信息系统进行分层，依次在分层后得到的多个单尺度决策信息系统上进行讨论，构建尺度层面的序贯结构；在每个单尺度决策信息系统上，通过增加属性的方式得到属性子集序列，诱导出多级粒度结构，构建该尺度下粒度层面的序贯结构.为此，给出两种属性子集序列的选择方法；在序贯三支决策过程中，利用相对损失函数计算阈值，并讨论了阈值的性质；最后给出序贯三支决策过程中的分类规则，并用实例说明提出的模型能有效地处理分类问题.
三维目标检测中图像数据难以获得目标距离信息，点云数据难以获得目标类别信息，为此提出一种将图像转为俯视角特征的方法，将多尺度图像特征按水平维度展平，通过稠密变换层转变为多尺度图像俯视角特征，最终重塑为全局图像俯视角特征.在此基础上，提出一种基于俯视角融合的多模态三维目标检测网络，利用特征拼接或元素相加的方法融合图像俯视角特征与点云俯视角特征.在KITTI数据集上的实验表明，提出的基于俯视角融合的多模态三维目标检测网络对于车辆、行人目标的检测效果优于其他流行的三维目标检测方法.
针对不平衡数据中类重叠区域易造成分类错误的问题，提出一种引入合成因子改进边界分类的Borderline?SMOTE过采样方法（IBSM）.首先根据少数类样本近邻分布情况找出处于边界的少数类样本，然后计算边界样本对应的合成因子，并根据其取值更新该样本需生成的样本数，最后在近邻中根据合成因子挑选距离最近的top?Z少数类样本进行新样本生成.将提出的方法与八种采样方法在KNN和SVM两种分类器、10个KEEL不平衡数据集上进行对比实验，结果表明，提出的方法在大部分数据集上的F1，G?mean，AUC （Area under Curve）均获得最优值，且F1与AUC的Friedman排名最优，证明所提方法和其余采样方法相比，在处理不平衡数据中的边界样本分类问题时有更好的表现，通过合成因子设定一定的约束条件与分配策略，可以为同类研究提供思路.
文档级实体关系抽取的主要任务是提取文档中实体之间的关系.相较于句内实体关系提取，文档级实体关系抽取需要对文档中多个句子进行推理.为了解决文档中不同实体之间的复杂信息交互问题，提出一个混合提及级图MMLG （Mixed Mention?Level Graph）策略，用于拟合文档中不同实体之间的复杂信息交互，提高模型对于文档级实体关系的感知能力.此外，为了应对实体关系中存在的关系重叠问题，构建了实体关系图ERG （Entity Relation Graph）模块，该模块融合了路径推理机制，主要针对实体间的多个关系路径进行推理学习，更准确地识别提及级节点实体及关系.通过将MMLG策略与ERG模块聚合到实体关系抽取模型中，构建BoBGSAL?Net （Based on Bipartite Graph Structure Aggregate Logic Network）模型，并在公开数据集DocRED和作者实验室构建的数据集AlSiaRED上开展实验，结果证明BoBGSAL?Net在文档级实体关系抽取任务中性能得到提升，其中BoBGSAL?Net+BERT模型在AlSiaRED数据集上的关系抽取任务中F1指标达到66.04%，和其他模型相比，整体性能提升了4.4%，泛化能力突出，综合效果最优.
邻域搜索算法的关键是邻域结构的选择，但每次迭代搜索的时间较长，缺少在解空间内自主搜索的能力.利用深度强化学习（DRL）模型对邻域搜索算法进行改进，设计了一个新的深度混合型邻域搜索（DHNS）模型来求解带容量的车辆路径问题（CVRP）.首先，利用贪婪算法为DRL模型提供初始解；其次，采用指针网络以及Transformer混合编码，利用不同网络的优势，深层次地提取节点特征信息；最后，将修复算子的修复过程转至DHNS模型，自动完成邻域搜索修复解的过程，扩大解空间的自主搜索能力.同时，针对混合编码中复杂传输机制以及解码输出误导性信息的问题，进一步在编码和解码过程中添加AOA （Attention on Attention）机制.AOA负责筛选有价值的信息，过滤不相关或误导性信息，有效刻画了注意力结果和查询之间的相关性，并对节点间的关系进行建模.实验结果表明，DHNS模型在100规模CVRP的优化效果上，优于现有DRL模型和部分传统算法.采用CVRPlib数据集中的算例对该算法的效能进行验证，结果表明，采用DHNS模型能够极大地提升路径问题的优化效能.
由于现实世界中属性具有多层次多尺度，因此多尺度决策表的概念被提出.目前对多尺度决策表的研究大多集中在最优尺度组合上，但通过最优尺度组合得到的并不是一个真正的约简集，仍需再次进行属性约简，因此可能会导致求约简的时间较长.为此考虑利用边界域条件熵直接求最优尺度约简.首先，引入多尺度决策表中最优尺度约简的定义，给出多种最优尺度约简的定义，探讨在协调和不协调两种背景下几种最优尺度约简之间的关系.其次，给出多尺度决策表中边界域条件熵的定义，讨论边界域条件熵的若干性质以及与约简的关系.最后，给出基于边界域条件熵的最优尺度约简算法，并用实验验证该方法的有效性.
近年来，三支概念分析已经成为知识表示和数据分析的有效工具，然而，其尚不能处理“范围已知，内部未知”的灰色区间信息.为了解决灰色区间数据在三支概念分析理论中的建格问题，研究了基于灰色数据背景的三支概念分析.利用灰集合的上、下隶属度来表示对象和属性之间的关系，结合灰色数学的相关理论，提出灰色三支概念分析及灰色三支概念格，并研究其性质、定理.最后借助实例验证其有效性和可行性.为三支概念分析理论在解决复杂、不确定性信息方面提供了可行性方案，有效解决了三支概念分析中无法处理区间灰色信息的局限性.
平板扬声器使用激励器驱动薄板产生弯曲振动从而辐射声波，已在手机、电视机等设备中得到应用.模态控制法在平板扬声器的振动控制领域已有较为深入的研究，但尚未发现将其应用于平板扬声器指向性控制的研究先例.结合屏幕发声技术与空间声重放理论，创新性引入模态控制法实现平板扬声器指向性声场控制，首次推导出从动圈式激励器驱动电压到平板扬声器模态激励的频域传递函数公式.结合数值仿真，采用模态控制法对平板扬声器声辐射特性进行指向性控制.结果表明，使用模态控制法控制波束主瓣轴向和覆盖角的效果显著，指向性控制是实现定向发声的关键.
声学超材料在声音和振动的消除领域具有很好的应用前景.由于薄膜材料具有轻质且可以实现低频隔声的特点，薄膜型声学超材料受到广泛的关注.提出一种附加薄膜?质量块谐振器的Herschel?Quincke （HQ）管，通过理论分析及有限元仿真和实验的方法验证了该结构在HQ管道和薄膜?质量块谐振器耦合作用下可以实现低频多带的消声性能.此外，还设计了一种前、后附加薄膜?质量块谐振器的方形盒子单元结构，并基于该结构提出了一种隔声帘结构.隔声帘结构为多个单元组成的二维阵列结构，每个单元由前、后附加薄膜?质量块谐振器的长方体盒子构成.通过有限元模拟验证了该结构具有较好的低频宽带的自由场隔声性能.
研究了乙基纤维素（EC）电纺纤维调控PDMS/CNT柔性复合材料的力学和电学性能.结果表明，引入电纺EC纤维后，PDMS/CNT柔性复合材料的拉伸强度从1.73 MPa提高至3.97 MPa，断裂应变由86.56%提高到115.00%，韧性由0.61 MJ·m-3提高到1.58 MJ·m-3；有缺口PDMS/CNT柔性复合材料的拉伸强度从0.34 MPa提高至1.57 MPa，断裂应变由18.85%提高到27.54%，韧性由0.04 MJ·m-3提高到0.27 MJ·m-3；导电电阻由550 kΩ下降至228 kΩ，导电性上升.基于EC电纺纤维调控的PDMS/CNT复合材料组装的应力传感器灵敏度和循环稳定性获得了有效提升，引入1 wt% EC电纺纤维后，柔性应力传感器的灵敏度从0.341 kPa-1提高至4.922 kPa-1，提升了14倍，引入电纺EC纤维后的传感器循环电阻变化率曲线变得相对更加规整，异常波动更小.
系外行星大气光谱可以探测系外行星的大气成分，是研究行星宜居性的关键证据，也是回答是否存在第二个“地球”等科学问题的关键所在.因为系外行星的光谱探测对探测设备要求极高，需要大型望远镜和高精度的光谱设备，国内高校现有条件和环境无法满足学生在学习时的观测实践需求.考虑到天文观测实验教学是天文教学中必不可少的环节，为了提升教学效果，增强学生对天文观测和系外行星大气光谱探测的理解和认知，利用虚拟仿真技术，建设系外行星大气光谱探测虚拟仿真实验，将原理学习与观测实践紧密结合，实现“理论指导观测，观测反馈理论”的模式.该实验设计了三个环节：行星大气光谱特征、行星大气透射光谱观测和光谱数据分析.从理论学习到观测实践再到数据分析，涵盖了包括行星反射和透射光谱、行星大气吸收原理、观测窗口估计、信噪比估计等众多光谱及其数据处理的核心知识.
