交通流预测是智能交通系统中的一类重要问题。尽管当前交通流预测方法取得了较好的进展，但还面临2个关键挑战：(1) 交通流的变化模式不仅依赖于时间维度上的历史信息，还依赖于空间维度上相邻区域的信息，如何兼顾两个维度上的变化模式；(2) 时间本身具有小时、天及周等多粒度特性，如何实现多粒度下时序模式的捕捉。本文针对交通流预测的上述挑战，设计了一个多粒度时空深度回归模型(Spatial-temporal Deep Regression Model for Multi-granularity, MGSTDR)，其基本思想是在多粒度时空交通流信息的基础上，对典型的差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model, ARIMA)进行深度拓展，该模型在有效利用自身历史信息的同时，能兼顾相邻区域的信息，从而能够实现多粒度的时序交通流量预测。多个数据集上的实验结果表明，该模型在多粒度预测任务上优于现有的多个基准模型，尤其在小时这一粒度的预测结果上有5.66%的提升。

作为任务型对话系统中的关键一环，对话策略可以通过判别式深度Dyna-Q框架训练得到。然而，该框架在直接强化学习阶段采用原始的深度Q网络方法学习对话策略，在世界模型方面采用多层感知机作为模型的基本结构，导致对话策略的训练效率、性能和稳定性降低。本文提出了一种改进判别式深度Dyna-Q的任务对话策略学习方法。在改进后的直接强化学习阶段，利用噪声网络改进了智能体的探索方式，同时将竞争网络的双流架构、双Q网络与$ n $步自举法三者相结合，优化了$ Q $值的计算过程。在世界模型方面，设计了一种基于软注意力的模型替代多层感知机结构。实验结果表明，本文提出的方法在对话成功率、平均对话轮数以及平均奖励3个指标上均优于现有的最佳结果，最后本文通过消融分析和鲁棒性分析，进一步验证了方法的有效性。

本文在PointMLP方法的基础上，提出了基于通道分离机制的双分支网络模块(Channel-splited Based Dual-branch Block，CDBlock) 。CDBlock将输入特征在通道维度上切分成两组特征，并将它们输入到双分支网络模块中的不同网络分支上。具体地，双分支网络模块包括轻量网络分支和深层网络分支。轻量网络分支由残差多层感知机 (Multi-layer Perceptron, MLP) 结构组成，负责提取浅层特征信息。深层网络分支由瓶颈网络结构组成，负责提取深层语义信息。CDBlock的引入提升了网络的对点云数据的特征提取能力和学习能力，有效地提高了模型的鲁棒性。本文方法在点云分类数据集ScanObjectNN上进行了验证，总体精度和类别平均精度分别达到了86.2%和84.97%，优于PointMLP。此外，本文方法在点云分割数据集ShapeNetPart上也取得了具有竞争力的结果。相比于PointMLP，本文方法在使用更少的参数量和计算量情况下取得了更优异的结果。

由于样本特征缺乏类别判定性且设备资源不足以支持样本类别结构学习，现有的知识蒸馏方法往往忽略了样本的类别知识蒸馏。针对此问题，本文提出一种增量式类激活知识蒸馏方法(Incremental Class Activation Knowledge Distillation，ICAKD)。首先，利用类激活梯度图提取具备类别判定性的样本特征，并提出类激活图约束损失。然后，构建存储类别判定性特征的增量式记忆库，保存多个训练批次样本并迭代更新。最后，计算记忆库内每一类样本的类质中心,并构造类别结构关系，根据类激活图约束和类别结构关系实现类别知识蒸馏。在Cifar10、Cifar100、Tiny-ImageNet、ImageNet等数据集上进行对比实验，结果表明本文所提出的方法对比类别结构蒸馏方法(Category Structure Knowledge Distillation，CSKD)在准确率上有0.4%～1.21%的提升，说明了类别判定性特征和增量式方法对类别知识蒸馏起到促进作用。

在机器学习任务中很多时候是单任务学习，所以往往会忽略学习任务之间的相关性，并且在单任务学习中容易忽略样本的复杂度，为此，本文提出了一种新的基于自步学习策略的归纳式迁移学习模型，通过对当前多个相关的源任务共享参数学习构建一个预测模型，从而解决目标任务的分类问题。首先提出模型基于自步学习的策略，按照预先设定的自步学习模型参数对多个相关的源任务进行联合学习，利用源任务中样本的损失大小与难易程度对学习的样本赋予一个权重，在迭代的过程中更新自步学习的参数从而挑选出比较合适的样本(损失较小的样本)，然后使用在多个相关的源任务中学习到的知识帮助学习目标任务，构建多个相关迁移学习目标任务的模型，将多个源任务学习到的模型迁移到相关的目标任务中从而提高模型的泛化能力，最后通过拉格朗日函数进一步优化目标模型以提高分类器的性能。实验结果表明，提出的模型在相同的实验条件下优于现有的归纳式迁移学习模型。

针对现有音乐推荐在用户偏好建模时忽略用户长期偏好，或对用户记录统一建模时忽略历史信息与当前情境联系的问题，提出一种基于用户长短期偏好和音乐情感注意力的音乐推荐模型。首先将用户听歌记录切分为多个历史序列和当前序列，利用多个长短期记忆网络分别进行特征提取，得到用户长短期偏好：对于历史音乐序列，提出序列时段的概念，并进行序列时段加权计算，得到长期偏好；对于当前序列，利用平均池化提取当前情景音乐特征，得到短期偏好。其次，从音乐声学信号中学习音乐情感特征，应用注意力机制计算音乐情感因子。最后，将音乐情感因子融入用户长短期偏好，得到一个音乐推荐列表。在Last.fm真实数据集上的实验结果表明，模型的NDCG@10达到了0.5435，优于现有方法；消融实验和特征贡献分析进一步验证了模型的有效性。

图卷积网络(Graph Convolutional Networks, GCN) 对于基于骨架关节点信息的人体动作识别任务具有天然的优势，越来越受到重视。图卷积网络的关键在于如何获取更丰富的特征信息以及采用更合理的拓扑结构。本文改进了人体骨架关节点及其语义信息(关节点类型和帧间索引)的特征融合方式，集成为一个语义信息编码模块，从而更适用于复杂的多层网络。在语义信息编码模块的语义引导下，网络可以获取更丰富的关节点特征信息。其次，本文提出了一种拓扑结构推理网络，结合卷积神经网络(Convolutional Neural Networks，CNN) 高效的特征学习能力，自适应地根据不同动作样本的上下文特征信息学习不同的邻接矩阵，有助于网络摆脱固定拓扑结构的局限性。将上述方法应用于双流自适应图卷积网络，本文提出了一种语义引导下多流自适应拓扑推理的图卷积网络。实验结果证明，本文的方法使图卷积网络识别精度有了明显的提高，在基于骨架信息的人体动作识别大型数据集NTU RGB+D、NTU RGB+D 120上均达到了目前先进水平。

跌倒行为会给老人特别独居老人带来严重伤害，准确识别跌倒并及时报警可以有效降低这种危险。本文提出一种基于树结构骨架图像(Tree Structure Skeleton Image，TSSI) 和可学习时空块卷积神经网络 (Spatio-temporal Block Convolution Neural Network，STB-CNN) 的跌倒检测方法。首先使用三维姿态估计算法提取人体关节点，进而获得骨架序列；然后利用基于深度优先搜索(Depth First Search，DFS) 算法将骨架序列编码为TSSI；最后构建由时空差分模块、可学习时空框架和时空多分支卷积模块组成的可学习STB-CNN网络，实现跌倒检测。该方法在公开数据集和自建数据集上进行仿真实验分别取得98.6%和98.3%的准确率，优于其他相关算法。

为避免锂电池由于极片表面缺陷导致寿命缩短或出现安全事故等问题，需要研究高效准确的锂电池极片缺陷检测方法。本文使用结构简单的Unet语义分割网络对锂电池进行缺陷分割。为提高分割精度，首先用与Unet编码结构相似的VGG16替换原网络中的编码结构，以获取训练好的预训练权重；然后将简易的融合金字塔网络(Simply Fusion Pyramid Network，SFPN)的特征融合模块加入Unet网络的跳跃连接上，避免特征图之间出现较大的信息差异；最后运用标签平滑来优化损失函数，防止网络出现过拟合现象。通过实验验证，本文方法优化后的语义分割网络准确率提升至93.70%，误分割、分割不连续等现象出现概率明显降低，该优化流程具有一定实用价值。

针对现有安全帽佩戴检测算法在检测小目标和密集目标时出现漏检、检测准确度低下等问题，本文提出一种基于改进YOLOv5和迁移学习的安全帽佩戴检测新方法。使用K-means算法聚类出更适合检测任务的先验框尺寸以解决默认先验框不适应任务的问题；在特征提取网络后段引入空间通道混合注意力模块，使模型加强对目标权重的学习，抑制无关背景的权重；改进YOLOv5后处理阶段的非极大值抑制(Non-Maximum-Suppression，NMS) 算法的判断度量，减少预测框误删和缺失的现象；采用迁移学习的策略对网络进行训练，克服现有数据集不足的缺陷并提升模型泛化能力；最后提出一种适用于视觉传感网络的安全帽佩戴级联判断框架。实验结果表明改进模型的平均准确率(IOU=0.5)达到了93.6%，与原始模型相比提高了5%，性能优于其他同类算法，提高了施工场景下对安全帽佩戴检测的准确率。

无人机具有高度灵活和小巧轻便等优点，已被广泛应用于无线传感器网络的数据收集。本文考虑一个用户随机分布且处于移动状态的无线传感器网络，研究如何规划多个无人机的飞行路径以有效收集网络用户的数据。通过优化多架无人机的飞行路径，使无人机在用户位置无法预测的动态环境中实现数据收集平均吞吐量最大化，同时系统受限于无人机最短飞行时间与范围约束、无人机起点与终点约束、通信距离约束、用户通信约束和无人机防碰撞约束。使用已有优化决策方法求解该问题的计算复杂度较高，同时难以求得全局最优解。针对这一情况，本文提出一种基于Dueling Double Deep Q-network(Dueling-DDQN) 的深度强化学习算法。该算法采用Dueling架构，增强算法的学习能力，提高训练过程的鲁棒性和收敛速度，同时结合了Double DQN (DDQN) 算法的优势，能有效避免因过大估计$ Q $值而导致获取次优无人机轨迹策略。仿真结果表明，此算法可以高效优化无人机的飞行路径，与已有的基准算法相比，所提算法具有更佳的收敛性和鲁棒性。

随着移动通信技术的飞速发展，有限的频谱利用资源与大量频谱通信需求之间的矛盾也日益加剧，需要新的智能方法来提高频谱利用率。本文提出了一种基于分布式优先经验池结合双深度Q网络的多用户动态频谱接入方法。通过该方法，次用户可以在动态变化的认知无线网络环境下根据自己感知信息来不断地学习，选择空闲信道完成频谱接入任务来提高频谱利用率。该方法采用分布式强化学习框架，将每个次用户视为一个智能体，各个智能体采用标准单智能体强化学习方法进行学习以降低底层计算开销。另外，该方法在神经网络训练的基础上加入优先级采样，优化了神经网络的训练效率以帮助次用户选择出最优策略。仿真实验结果表明该方法能提高接入信道时的成功率、降低碰撞率和提升通信速率。

针对一类由不同节点组成的复杂动态网络，提出了一种分散控制策略以实现有限时间部分状态分量同步(只考虑网络中每个节点的部分状态分量在有限时间内达到同步) 。首先，为了方便理论分析及推导，引入了一个特殊对角矩阵来表述每个节点所需关注的状态分量。其次，基于此特殊对角矩阵，给出了有限时间部分状态分量同步的定义。与有限时间同步相比，有限时间部分状态分量同步更广泛。再次，结合控制理论以及有限时间稳定性定理，提出了分散控制策略使网络实现有限时间部分状态分量同步。最后，通过一个仿真例子，验证了控制方法的有效性与正确性。

针对故障诊断方法对系统要求过高的问题，研究模糊离散事件系统(Fuzzy Discrete Event Systems, FDES)的弱故障诊断，提出一种弱模糊诊断方法，将经典离散事件系统(Discrete Event Systems, DES)的弱故障诊断方法拓广至模糊系统。先对模糊离散事件系统的弱模糊故障可诊断性进行形式化；为验证模糊系统的弱模糊故障可诊断性，构造了一个验证器自动机，得到模糊离散事件系统弱模糊故障可诊断性的充分必要条件，实现了对模糊离散事件系统的弱模糊故障诊断。该方法既适用于模糊离散事件系统的弱模糊故障诊断，又适用于经典离散事件系统的弱故障诊断。

针对现有的大多数分类数据的度量方法效果不佳的问题，本文提出了一种基于有序属性和标称属性图结构的分类数据距离度量方法(New Distance Metric，NewDM) 。首先总结了分类数据距离定义的基本框架公式并分析度量该类型数据的挑战，然后利用不同属性的图结构定义了2个概率分布列距离，紧接着联立权重给出了分类数据的距离度量新方法，最后在6个公开数据集上进行实验，结果表明本文提出的NewDM度量性能优于其他度量方法。

为了实现第三代半导体材料的广泛应用并提高第三代半导体器件的性能，开发新型的、高性能的封装互连材料成为了关键举措。其中，微纳米铜材料由于其具有表面效应和小尺寸效应等特点，能够在低温条件下烧结成高导电性、高导热性、高稳定性和耐电迁移性的块体结构，成为开发新型封装互连材料的研究热点。但是微纳米铜材料极易氧化、团聚和产率低的问题，限制了其在第三代半导体器件上的应用，提高微纳米铜材料的抗氧化性成为解决其应用的关键问题。本文采用苯并咪唑对微纳米铜材料进行处理，通过扫描电子显微镜、红外光谱等表征手段，证实了苯并咪唑对微纳米铜颗粒的包覆。对铜膏进行X射线衍射和X射线光电子能谱表征，证明该铜膏能够在空气中放置120 d不被氧化。将铜膏应用于烧结键合，300 ℃条件下制备的互连接头的强度达到了62.3 MPa，烧结体电阻率低至6.18×10⁻⁸ Ω·m。研究结果表明，苯并咪唑处理微纳米铜材料的方法，可以实现微纳米铜材料的超强抗氧化和良好的互连性能，对第三代半导体封装互连材料的研究和发展具有深远意义。

为了保障草甘膦生产企业的安全生产，降低或避免其生产过程中火灾爆炸类安全事故的发生，拟采用改进的道化学火灾爆炸危险指数评价法 (DOW法) 对其进行安全评价。针对现行通用DOW法中安全措施系数计算不够准确的问题，增加人员安全补偿系数，并将安全补偿划分为预防事件发生型和缓解后果型，再对危险工艺单元进行定量分析和计算，从而提高DOW法安全评价结果的准确性。将改进的DOW法应用于某草甘膦生产企业的安全评价，结果发现，改进后的DOW法在火灾爆炸危险指数 (Fire and Explosion Risk Index，F&EI) 与暴露面积数值的测定上更灵敏，能更准确地反映草甘膦企业火灾爆炸的安全评价结果。