随着智能手机的普及,已研究出多种基于WiFi和移动智能终端的室内定位技术。与前期定位技术相比,基于智能手机和WiFi进行室内定位具有明显优势。从室内定位规模化应用的关键因素着手,分析总结了基于智能手机和WiFi的室内定位的基本方法,并对基于WiFi和移动智能终端定位中有待研究的难点和未来可能的研究方向进行展望。

多维时间序列（Multivariate Time Series，MTS）的各子序列包含不同时间跨度的多尺度特征，其中蕴含着发展过程、方向和趋势等信息，对预测具有不同的重要程度。然而现有的时间序列预测模型不能有效地捕获多尺度特征并评估其重要程度。针对上述问题，提出一种基于多尺度时序特征融合与双注意力机制的多维时间序列预测网络FFANet（multi-scale temporal Feature Fusion and dual Attention mechanism based time series forecasting Network），能够有效融合多尺度特征并关注其中重要部分，实现更精确的预测结果。首先，多尺度时序特征融合模块中并行的时序膨胀卷积层使模型具有多种感受域，从而提取时序数据在不同尺度上的特征，并根据重要性对其进行自适应融合。其次，双注意力模块对融合的时序特征进行重新标定，通过分配时序和通道注意力权重并加权至对应的时序特征，使FFANet聚焦对预测有重要贡献的特征。实验结果表明，本文提出的FFANet与AR、VARMLP、RNN-GRU、LSTNet-skip、TPA-LSTM、MTGNN和AttnAR时间序列预测模型相比，在Traffic、Solar Energy和Electricity数据集上的预测精度分别提升了30.78、31.76、22.81、11.25、7.51、3.80、1.88个百分点。

多路径传输控制协议(MPTCP)与并发多路径传输控制协议(CMT-SCTP)是下一代互联网多路径并发传输的2 种热点技术,但传统拥塞控制算法只适合于单路径传输,应用于多路径传输时会面临公平性的问题。为此,研究传统TCP 拥塞控制算法,针对多路径并发传输的不公平性问题,基于资源池思想,引入慢启动阈值比因子、增长因子和抢占因子,给出3 种新的拥塞控制算法,并通过仿真进行对比分析。

动态二进制翻译技术通常采用基本块作为翻译和执行的基本单元，动态翻译中的基本块在划分过程中存在重叠冗余的情况，即当前翻译的基本块可能是一个已经过翻译的基本块子集，或者包含一个已翻译的基本块，这增加了翻译开销。该文从优化动态二进制翻译角度出发，检测、消除由基本块重叠冗余带来的开销。实验表明，在动态二进制翻译过程中存在5%左右的基本块重叠率，通过消除这些冗余可以将翻译和执行的性能提高1%~4%。

提出一种基4的Montgomery模乘算法及优化的硬件结构，将传统基2模乘运算迭代次数减少近一半。在该模乘模块基础上设计高速RSA加密处理器，采用进位保留形式的全并行模幂运算流程，避免长进位链和中间结果转换的问题。结果表明，该设计同时适应FPGA和ASIC实现，完成一次标准1 024位RSA加密运算仅需9 836个周期，加密速率提高50%以上。

改进了传统的协同过滤算法，提出了基于概念层次树的用户模型，利用该模型进行协同运算，使系统在用户共同评分项极其稀疏时也能产生推荐。在相似性计算和产生推荐阶段引入了概念分层思想，分别在商品种类上产生推荐，避免了推荐的单一现象。MovieLens数据集实验表明，改进后的算法在推荐质量上有了明显的提高。

以LDA模型表示文本词汇的概率分布，通过香农信息抽取体现主题的关键词。采用背景词汇聚类及主题词联想的方式将主题词扩充到待分析文本之外，尝试挖掘文本的主题内涵。模型拟合基于快速Gibbs抽样算法进行。实验结果表明，快速Gibbs算法的速度约比传统Gibbs算法高5倍，准确率和抽取效率均较高。

为使室内移动机器人更好地从充满噪声的2D激光测距仪数据中构建精准地图,提出一种基于相似三角形去噪法则的改进算法。利用分裂算法从预处理数据中提取线段集合,通过改进相似三角形去噪法则对每两分裂点间的数据点进行去噪,将去噪后的数据重新进行分裂,并对每两相邻分裂点间的扫描点进行最小二乘直线拟合。实验结果表明,该算法有效降低部分有效点被剔除的数量,精确度和假阳性指标优于相似三角形去噪法和传统分裂合并算法,同时避免线段合并过程,提高环境建模的鲁棒性和精准性。

为克服传统关键词提取算法局限于字面匹配、缺乏语义理解的缺点，提出一种基于语义的中文文本关键词提取(SKE)算法。将词语语义特征融入关键词提取过程中，构建词语语义相似度网络并利用居间度密度度量词语语义关键度。实验结果表明，与基于统计特征的关键词提取算法相比，SKE算法提取的关键词能体现文档的主题，更符合人们的感知逻辑，且算法性能较优。

联邦学习作为新兴的分布式学习框架, 允许多个客户端在不共享原始数据的情况下共同进行全局模型的训练, 从而有效保护了数据隐私。然而, 传统联邦学习仍然存在潜在的安全隐患, 容易受到中毒攻击和推理攻击的威胁。因此, 为了提高联邦学习的安全性和模型性能, 需要准确地识别恶意客户端的行为, 同时采用梯度加噪的方法来避免攻击者通过监控梯度信息来获取客户端的数据。结合恶意客户端检测机制和本地差分隐私技术提出了一种鲁棒的联邦学习框架。该算法首先利用梯度相似性来判断和识别潜在的恶意客户端, 减小对模型训练任务产生的不良影响; 其次, 根据不同查询的敏感性以及用户的个体隐私需求, 设计一种基于动态隐私预算的本地差分隐私算法, 旨在平衡隐私保护和数据质量之间的权衡。在MNIST、CIFAR-10和MR文本分类数据集上的实验结果表明, 与3种基准算法相比, 该算法在准确性方面针对sP类客户端平均提高了3百分点, 实现了联邦学习中更高的安全性水平, 显著提升了模型性能。

针对现有视频内容文本表述模型存在生成的文本表述单一、准确率不高等问题，提出一种融合帧级图像及音频信息的视频内容文本表述模型。基于自注意力机制设计单模态嵌入层网络结构，并将其嵌入单模态特征中学习单模态特征参数。采用联合表示、协作表示两种方法对单模态嵌入层输出的高维特征向量进行双模态特征融合，使模型能关注视频中不同目标间的交互关系，从而生成更加丰富、准确的视频文本表述。使用大规模数据集对模型进行预训练，并提取视频帧、视频所携带的音频等表征信息，将其送入编解码器实现视频内容的文本表述。在MSR-VTT和LSMDC数据集上的实验结果表明，所提模型的BLEU4、METEOR、ROUGEL和CIDEr指标分别为0.386、0.250、0.609和0.463，相较于MSR-VTT挑战赛中IIT DeIhi发布的模型，分别提升了0.082、0.037、0.115和0.257，能有效提升视频内容文本表述的准确率。

为研究社会网络中信息自身特征对信息传播过程的影响,利用信息量属性和信息附着力属性刻画信息特征,提出一个结合信息特征和记忆效应的信息传播模型,并将该模型在规则网络、小世界网络、随机网络和BA无标度网络上分别进行仿真实验。结果表明,信息量属性对信息传播速度和范围的影响大于信息附着力属性,并且在一定的信息特征下,个体选择传播信息时所需接触的信息次数存在固定值,尤其在规则网络中大部分个体在第2次接触信息时选择传播信息的概率最大。

使用抽象状态机模型（ASM）对Verilog的语义进行研究，给出各类赋值语句和延迟/事件控制结构的形式定义。以此为基础与VHDL进行对比，说明各种赋值语句和延迟/事件控制结构向VHDL的转换方法以及二者在转换前后的差异。

针对高校排课过程中存在诸多资源约束因素的问题，提出一种将遗传算法与约束满足算法相结合的排课算法，由约束满足算法确定排课任务的优先次序，遗传算法解决单个排课任务时间片分配的优化问题。算法中单个排课任务的局部最优解具有全局最优性。实验结果表明，该算法能够改进算法性能，提高排课效率。

为研究内存故障对高可用服务器的影响，针对安腾架构的计算机提出一种多层次的内存故障注入方法，设计并实现一种新的故障注入器(HMFI)，通过在物理层、操作系统内核层和进程层注入内存故障，考察目标系统对内存故障的容错能力。实验结果表明，HMFI注入的内存故障能够有效验证与分析复杂计算机系统的容错性能。

综合4种支持向量机回归的参数选择方法的优点，提出一种对训练样本进行分析并直接确定参数的方法。在标准测试数据集上的试验证明，该方法与传统网格搜索法相比，在时间和预测精度方面取得了更好的结果，可以较好地解决支持向量机在实际应用中参数难以选择、消耗时间长的问题。

提出一种应用于NAND Flash控制器的并行BCH编/译码器，在译码阶段引入流水线操作和分组预取译码操作，提升BCH码的译码效率。实验结果表明，在NAND Flash的2 KB页读取操作中，该编/译码器纠正8 bit的随机错误只需要565个周期的译码时间，是采用按页预取译码方式所需时间的1/4。

DNS是目前大部分网络应用的基础，对它的攻击将影响整个Internet的正常运转。DNS欺骗攻击是攻击者常用的手法，它具有隐蔽性强、打击面广、攻击效果明显的特点，但是目前对这种攻击还没有好的防范策略。在分析DNS欺骗原理的基础上提出了3种攻击检测手段和3种识别攻击包的方法，对于提高DNS的安全性和抗攻击性具有积极的作用。

给出指代消解的基本概念，从指代消解的语料资源、评测系统和算法3个方面出发，介绍指代消解的国内外研究现状，分析制约指代消解的3个关键问题：结构化句法信息的自动获取和表示，深层次语义信息的自动获取和使用，跨文本指代消解，基于分析结果给出国际上指代消解的研究趋势。

针对现有的版面分析算法对参数的敏感性以及弱适用性等缺陷，提出基于SVM区域构造的复杂中文文档版面分析算法。该算法通过选取最能代表区域字符特征的连通区(种子连通区)作为测试的第一特征，利用具有强学习和泛化能力的支持向量机实现区域构造，在构造的区域中运用投影快速判断文档阅读顺序。实验结果表明，该方法具有更好的适应性，对复杂的中文版面有满意的分析结果。

提出一种求解约束优化问题的遗传算法。通过可行解与不可行解算术交叉的方法对问题的决策空间进行搜索，对可行种群和不可行种群分别按照适应度和约束违反度进行选择。传统变异操作使得解往往偏离了约束区域，因此引入对可行解的边界变异和对不可行解的非均匀变异，并通过维变异方法保持种群的多样性。数值实验结果说明该算法的有效性。

为提高双目立体视觉系统的测量精度，分析双目视觉系统的工作原理以及该系统各个环节的误差模型。通过提高标定模板的精度、增加标定图像，可以减小标定误差及图像校正行对齐误差。分析图像识别误差对视觉系统测量精度的影响，导入视觉系统的结构参数与测量误差之间的关系，从而确定结构参数对测量精度的作用。讨论物距对测量精度的影响，并给出合适的物距范围。

三维人脸重建算法需要多张照片实现重建且重建效率低下。针对上述问题，提出一种利用单幅正面照片重建三维人脸的方法。采用薄板样条函数对数据库中的三维人脸确立点对点的对应关系，建立平均三维人脸模型，利用LMA算法优化形状系数以恢复其三维形状，人脸颜色纹理信息可通过垂直投影得到。实验结果表明，利用该方法重建得到的三维人脸逼真且时间效率高。

研究足式机器人行走过程的稳定性优化控制策略,设计一种基于机器人上身平台振动加速度为反馈的小腿减振控制系统。通过虚拟仿真分析软件——机械系统动力学自动分析构建足式机器人小腿虚拟样机,并导入到Matlab中进行主动减振的自抗扰控制算法设计,根据主动和被动减振分别抑制低频和高频振动。仿真结果表明,主被动联合减振大幅衰减了机器人上身平台的振动,弥补被动减振对低频振动无法抑制的情况,有效提高了机器人行走的稳定性。

针对未知环境中移动机器人的导航问题,基于生物学的认知和发育机理构建自主导航的认知发育模型。通过自主插入神经元节点,设计结构可动态发育的神经网络,模拟生物的发育特性达到与应用需求相匹配的网络规模。通过热力学过程模拟动物的渐近学习特性,设计认知学习算法,并从理论上证明算法的收敛性。实验结果表明,该模型可使机器人模拟动物从环境中自动获取知识、积累经验,通过认知发育具备自主导航技能。

针对由几何参数不精确引起工业机器人绝对定位精度低的问题,提出一种基于位姿修正位置敏感探测器的几何参数标定方法。通过建立误差运动学模型,使用位置敏感探测器(PSD)装置进行数据采样,利用位姿修正原理对末端激光器位姿和关节转角进行修正,构建模型约束目标函数,运用LM算法计算得到几何参数误差,修正几何参数名义值。实验结果表明,该方法避免了PSD反馈控制,能够快速实现工业机器人几何参数标定,定位平均误差和标准差分别为78.28%、76.38%,有效提高了机器人的定位精度。

为提高室内定位系统中基于接收信号强度指示(RSSI)的定位精度，提出一种基于RSSI的贝叶斯室内定位算法。在对RSSI信号进行高斯滤波预处理后，利用三角形质心算法计算未知节点的初始坐标，对该初始坐标进行贝叶斯滤波处理，得到更加准确的坐标。实验结果表明，该算法能降低定位误差，定位精度可达98%。

传统的k-means算法对初始聚类中心敏感，聚类结果随不同的初始输入而波动。为消除这种敏感性，提出一种优化初始聚类中心的方法，此方法计算每个数据对象所在区域的密度，选择相互距离最远的k个处于高密度区域的点作为初始聚类中心。实验表明改进后的k-means算法能产生质量较高的聚类结果，并且消除了对初始输入的敏感性。

为了解决嵌入式软实时系统的节能问题，提出了一种DVS调度算法。它的特点是克服了任务执行时间不确定所带来的干扰，在运行时动态地寻找最优电压调节方案。实验表明：该调度算法可以很好地保证软实时系统的效率和稳定性，即使在处理器超载的情况下，也能自动调节，超过99%的作业可以在时间期限之前完成。对多种随机任务集的评测显示，该调度算法使得系统能耗平均减少15%以上。

分析汉字结构特征及其演变，在汉字字库及汉字识别目标变化的基础上，结合汉字识别过程，研究与比较贝叶斯决策、二次判别函数法、隐马尔科夫模型、神经网络分类器以及支持向量机这5种汉字识别方法的优缺点及适用范围。结果表明，汉字识别方法仍需要在识别目标及特征提取、训练字符集准备方面进行改进。

为在现场可编程门阵列(FPGA)中实现快速高精度除法，在传统的倒数除法的基础上，提出一种改进算法。对倒数求解采用泰勒级数展开结合优化搜索逼近，求出各个分区间内的拟合一次两项式，再通过一次牛顿迭代提高精度。时序仿真结果表明，以该算法构建的除法器易于在FPGA上实现，时延仅为6个时钟周期，能达到2-34的有效精度和86.95 MHz的工作频率。

随着基于MapReduce模型的应用程序越来越多，Hadoop性能取决于应用程序。针对上述特性，从应用着手剖析Hadoop存在的局限和不足，提出解决方案，利用作业和任务的多重并发平衡磁盘和网络带宽，减小瓶颈出现的可能性，提高系统性能。

采用双三次插值实现图像放大具有较高的图像质量，但运算量很大。在分析常用插值算法的基础上，提出一种基于区域的双三次插值算法。该算法避免进行图像分割，通过被插值点四邻域像素的均值来划分图像的平坦区域和纹理细节复杂区域，采用不同的插值算法进行计算。实验结果表明，与传统的双三次插值算法相比，该算法在保持放大后图像质量的同时，运算量降低10%以上，具有一定的实用价值。

TFIDF是文档特征权值表示常用方法。该方法简单易行，但低估了在一个类中频繁出现的词条，该词条是能够代表这个类的文本特征的，应该赋予其较高的权重。通过修改TFIDF中IDF的表达式，来增加那些在一个类中频繁出现的词条的权重，用改进的TFIDF选择特征词条、用遗传算法训练分类器来验证其有效性。该方法优于其它算法，实验表明了改进的策略是可行的。

本原元和本原多项式是有限域理论中的2个重要的概念。本原元的求解问题是解决实际密码序列问题的前提条件，而本原元的求解问题又可以归结为本原多项式的求解问题。该文结合求解最小多项式的方法给出一个在二元有限域上本原多项式的求解算法，在求解过程中同时给出了相应的最小多项式，并给出了算法相应的效能分析。

针对NVIDIA公司的CUDA技术用Geforce8800GT在Visual Studio2008环境下进行测试，从程序运行时间比较判断CUBLAS库、CUDA内核程序、CUDA驱动API、C循环程序与Intel MKL库以及FFTW库与CUFFT库运行响应的差异。测试结果表明，在大规模矩阵乘法和快速傅里叶变换的应用方面，相对于CPU，利用GPU运算性能可提高25倍以上。

直接将ElGamal签名方案移植到椭圆曲线密码系统上会出现未定义的两点相乘运算。为解决上述问题，改进签名生成及验证过程，使用代数运算代替椭圆曲线上的数乘运算，给出改进算法的可行性证明及安全性分析。对MV加密算法进行改进，降低其膨胀率，通过实验证明其执行速度快于RSA和ECC-E算法。执行效率及密钥长度方面的优势使2种改进算法能更有效地应用于智能卡计算中。

针对室内定位的个人航位推测(PDR)中漂移导致定位误差累积的问题，提出一种微机电系统传感器整合的PDR算法。根据典型计步器原理及步长估算获取位移信息，在计步算法中加入动态时间窗口及动态加速度阈值，以得到更精确的计步结果。利用捷联航向角校正磁航向角得到校正后的航向角，以修正定位中的累积误差。实验结果表明，室内定位精度距离误差可控制在5%以内，计步结果精度高，易于求得航向角，又能在一定程度上校正长时间漂移等因素带来的位置误差。

提出一种基于k-最近邻图的小样本KNN分类算法。通过划分k-最近邻图，形成多个相似度较高的簇，根据簇内已有标记的数据对象来标识同簇中未标记的数据对象，同时剔除原样本集中的噪声数据，从而扩展样本集，利用该新样本集对类标号未知数据对象进行类别标识。采用标准数据集进行测试，结果表明该算法在小样本情况下能够提高KNN的分类精度，减小最近邻阈值k对分类效果的影响。

基于单一节点的数据挖掘系统在挖掘Web海量数据源时存在计算瓶颈，针对该问题，利用云计算的分布式处理和虚拟化技术的优势，设计一种基于云计算的Hadoop集群框架的Web日志分析平台，提出一种能够在云计算环境中进行分布式处理的混合算法。为进一步验证该平台的高效性，在该平台上利用改进后的算法挖掘Web日志中用户的偏爱访问路径。实验结果表明，在集群中运用分布式算法处理大量的Web日志文件，可以明显提高Web数据挖掘的效率。

自组织映射(Self-organizing Maps，SOM)算法是一种无导师学习方法，具有良好的自组织、可视化等特性，已经得到了广泛的应用和研究。该文系统地介绍了SOM算法的产生背景、基本算法。同时对SOM算法的参数设置和其不足进行了分析。重点归纳了其发展过程中的各种改进算法，并对其研究热点及应用领域作了简要的综述，最后展望了该算法的发展方向。

分析网络流量的行为特性并建立模型进行预测，对于网络管理以及安全预警具有重要意义。基于此，针对网络异常处理滞后、网络服务质量差等问题，研究多种经典流量预测方法，从流量特性、建模复杂性、预测精度及应用场景等多角度进行分析比较。实验结果证明，预测模型与具体场景密切相关，实际操作时需根据流量特性及预测目标选择合适的模型。

姚氏百万富翁问题是安全多方计算的典型问题，但已有解决方案多数存在效率低的问题。通过采用０编码与１编码，将百万富翁问题转换为集合交集问题，提出一种基于可交换加密函数的百万富翁问题高效解决方案，并进行了安全性证明。该方案无需复杂的模指数运算，加解密运算为O(n)，通信轮数为4，整体性能优于其他方案。

潜在狄利克雷分配(LDA)主题模型可用于识别大规模文档集中潜藏的主题信息，但是对于微博短文本的应用效果并不理想。为此，提出一种基于LDA的微博用户模型，将微博基于用户进行划分，合并每个用户发布的微博以代表用户，标准的文档-主题-词的三层LDA模型变为用户-主题-词的用户模型，利用该模型进行用户推荐。在真实微博数据集上的实验结果表明，与传统的向量空间模型方法相比，采用该方法进行用户推荐具有更好的效果，在选择合适的主题数情况下，其准确率提高近10%。

以稀疏学习为主线，从多阶段、多步骤优化思想的角度出发，对当前流行的L1正则化求解算法进行分类，比较基于次梯度的多步骤方法、基于坐标优化的多阶段方法，以及软L1正则化方法的收敛性能、时空复杂度和解的稀疏程度。分析表明，基于机器学习问题特殊结构的学习算法可以获得较好的稀疏性和较快的收敛速度。

在图像分类与识别算法研究中，目标几何特征的提取通常需要计算目标图像的最小外接矩形以获取长、宽等属性。针对该特点，提出一种利用顶点链码与离散格林理论相结合的方式提取目标图像的最小外接矩形的算法。该算法只需根据顶点链中垂直或水平方向上的点坐标即可求出目标的面积、形心和主轴。基于顶点链码和离散格林的主轴法和旋转法可快速求出目标的最小外接矩形。实验结果表明，旋转法的运算速度是现有算法的2倍左右，主轴法的速度又比旋转法快速2倍左右。

研究基于支持向量机理论和单类分类思想的2种支持向量域数据描述模型，即单分类支持向量机和支持向量描述模型，分析2类模型之间的区别和联系以及参数的优化设置，总结支持向量域单分类方法存在的缺点以及目前对这2类支持向量描述模型研究的改进方向。

介绍了引入轻量级TCP/IP协议栈的背景，描述了标准TCP/IP协议栈，分析了嵌入式系统中TCP/IP协议栈的特点和设计的思路，总结了轻量级TCP/IP协议栈和标准TCP/IP协议栈的区别。

K最邻近(KNN)算法对不平衡数据集进行分类时分类判决总会倾向于多数类。为此，提出一种加权KNN算法GAK-KNN。定义新的权重分配模型，综合考虑类间分布不平衡及类内分布不均匀的不良影响，采用基于遗传算法的K-means算法对训练样本集进行聚类，按照权重分配模型计算各训练样本的权重，通过改进的KNN算法对测试样本进行分类。基于UCI数据集的大量实验结果表明，GAK-KNN算法的识别率和整体性能都优于传统KNN算法及其他改进算法。

根据消息传递接口(MPI)的特点，提出云计算在MPI领域的应用方法，包括MPI的云计算算法设计模型、云计算原理、核心计算模式、处理流程，并介绍云计算的分布式及并行化特性。理论分析结果表明，该算法是有效可行的，优于传统并行技术，能够为算法分布化及并行化提供新思路。