为了使房屋检测中建筑平面图测绘更加智能化，提出一种基于点云分割的建筑平面图智能生成技术．首先，使用多站点三维激光扫描仪获取点云数据，将所有站点数据进行点云配准拼接，获得完整的建筑模型，同时对点云进行降采样预处理；然后，采用随机抽样一致性(RANSAC)算法对建筑平面进行提取，通过调整点之间距离的阈值、拟合的平面数量和迭代的次数来分割出不同构件的平面；最后，选取合适的中间高度将分割后的点云模型切片，构建投影函数执行投影生成平面图．使用Python编程语言并结合Open3D点云数据处理库对所提算法进行验证，通过对教学楼某层扫描数据进行分析，实现了含有墙、门窗位置信息的建筑平面图的智能生成．研究结果表明：该技术可以准确地对三维激光扫描点云进行分析处理，且平均尺寸误差在4%以内，具有较高的分类精度．

为避免传统气体分布建图(GDM)方法对先验气体扩散模型和人工参数设定的依赖，将深度学习方法运用到气体分布建图研究中，借鉴单图像超分辨率神经网络，提出基于改进增强深度超分辨率(EDSR)网络的气体分布建图方法．基于气体扩散仿真平台模拟气体扩散过程，生成气体分布仿真数据集进行网络训练与调优，同时进行泛化测试，与传统气体分布建图方法进行对比．结果表明：基于改进EDSR网络的气体分布建图方法得到的建图误差较传统插值方法和高斯核外推法降低了一个数量级，且具有较好的泛化效果．

针对传统基于3D CNNs(三维卷积神经网络)的手语识别方法模型计算复杂度和内存占用较高，及基于RNNs(循环神经网络)的连续手语识别方法的长距离建模能力不足的问题，提出一种基于轻量3D CNNs和Transformer的手语识别方法．首先使用轻量3D CNNs进行孤立词手语识别的时空建模，然后提出RKD(随机知识蒸馏)，从多个教师模型中提取知识以提高轻量三维卷积的特征提取能力；针对连续手语，在特征提取后使用完全基于自注意力的Transformer进行全局建模．实验结果表明：所提方法在CSL-500和CSL-continuous数据集上可以获得95.10%的识别率和1.9的WER(词错误率)，证明了所提方法的有效性．

针对目前基于深度学习的非侵入式负荷辩识领域中存在的模型复杂度高、参数量大及获取长距离特征间依赖关系的能力弱等问题，提出一种基于注意力机制的轻量级负荷辨识模型．该模型以低时间维度的设备电流信息为输入，通过引入改进非局部注意力模块建模不同时间电流的特征关系，建立轻量级的时间残差卷积神经网络．在公开PLAID(即插设备标识数据集)和WHITED(全球家庭和工业瞬态能源数据集)上的实验表明：在设备识别率分别达到97.32%和99.32%的情况下，模型的计算量低至4×105，且模型的参数量小于5.2×104．

针对投资组合管理问题，提出一种基于值分布强化学习算法(VD-MEAC)的投资组合框架．首先，以投资组合收益最大化为目标建立强化学习框架，智能体的动作就是投资组合的权重变化；然后，选择股票因子做为智能体观察到的状态信息．在算法设计上通过新颖的技巧来平衡风险与收益：在控制风险方面，Critic网络学习未来收益的整个分布，并排除过度自信的决策信息从而避免过估计带来的风险；在提高收益方面，增加熵正则，鼓励投资者探索动作空间，避免过早陷入局部最优．在数值实验方面，选择真实的股票数据做为金融环境，多次进行测试以验证策略的稳定性．实验结果表明：VD-MEAC策略的收益均值为2.490，夏普比率均值为2.978，并且在收益率、最大回撤和夏普比率等指标上明显优于对照组(等权重，沪深300，DDPG，TD3，SAC)，证明了该策略的有效性．

针对开阔空间中移动目标的定位技术，如卫星定位技术，存在的易受环境影响、定位误差较大的问题，以及室内定位技术，如超声波、WiFi网络和无线传感器网络等，存在的灵活度较低、成本较高的问题，提出一种基于机器学习的精准定位系统(PPS-ML)．该系统包括实景GIS(地理信息系统)服务器、图像训练服务器、定位服务器和无线摄像机，其中：实景GIS服务器存储设定空间内的三维地理信息和与之对应的实景图像库；图像训练服务器通过改进后的VGG-Net进行区域机器学习，训练图像分类器，并生成位置识别模型，传入定位服务器；定位服务器通过卫星定位系统粗略定位目标所在区域，然后根据该区域的位置识别模型对无线摄像机采集的图像进行识别，实现精准定位．结果表明：该系统达到了室内1.5 m和室外3 m的定位精度，且能实现8个方向的识别．

针对井下监控装置采集的图像普遍存在照度低、颜色失真及细节特征损失严重等缺陷，提出一种基于改进CycleGAN网络的煤矿井下低照度图像增强算法．首先针对井下成对图像数据获取困难的问题，基于循环生成对抗网络搭建循环图像增强主体框架实现模型的无监督训练；然后基于CSDNet的全局图像分解架构，设计了一种融合空间-通道注意力模块CBAM的双分支估计网络以并行估计图像的光照分量和反射分量，并在两分支网络之间建立多尺度特征分解机制，从而在大幅提升亮度的同时避免颜色失真现象，保留大量细节信息；使用全局-局部判别器调节图像局部区域的亮度，改善亮度不均，避免过曝及阴影现象．实验结果表明：相较于对比算法RetinexNet，LLNet，MBLLEN，EnlightenGAN和CSDNet，本算法在客观质量指标PSNR(峰值信噪比)、SSIM(结构相似性)、IFC(信息保真度)和VIF(视觉信息保真度)上的表现分别提高了11.787%，8.256%，9.658%和8.654%，并在人类视觉主观分析上优于对比算法，证明本文算法能够有效改善井下低照度图像视觉效果．

针对固定时间稳定性存在收敛时间估计不准确且难以调整的问题，提出一种基于非负李雅普诺夫方程的全局预定时间稳定性定理．首先，改进传统固定时间稳定系统，在系统中加入一个常数项与一个指数项，以提高系统的收敛速度；然后，加入一个可调节的参数并建立其与系统收敛时间估计之间的直接关系，给出调节参数设计的显式条件，使得调节系统收敛时间更加方便、快捷．在此基础上，针对同一类非线性系统，在初始值已知的条件下，证明其也可以实现收敛时间可调节的有限时间稳定和更加准确的系统收敛时间估计．最后，对所提方法进行数值模拟验证，结果表明：所提的预定时间稳定方法可保证一类非线性系统的收敛时间是可控和可预设的．

为解决气动肌肉驱动的脚踝康复机器人实际控制中，无模型自适应迭代学习控制在系统噪声干扰下或初始拟伪偏导选择不当会导致算法收敛速度过慢、控制效果差的问题，提出一种基于高阶拟伪偏导整定的无模型迭代学习控制方法，并设计基于零化神经网络误差递归的迭代学习控制律．通过引入系统观测数据对初始拟伪偏导进行修正，减少拟伪偏导初始值的选取对于算法收敛速度的影响；通过设计抗噪声零化神经网络控制律，减小系统噪声对控制性能的影响，进而实现噪声环境下柔性康复机器人的高性能轨迹跟踪．仿真实验结果表明在噪声环境下能够利用较少的迭代轮次降低最大跟踪误差．机器人实际控制实验结果表明：该方法能够在7次迭代后使气动肌肉平均跟踪误差控制在2%以内，并且在不同初始拟伪偏导条件下均能获得较好的收敛性和轨迹跟踪性能．

为解决基于随机采样的算法在任务约束下运动规划存在计算量大、效率低且不考虑拟人的问题，提出一种任务约束下七自由度机械臂拟人运动规划方法．本方法在任务空间中采样，首先为机械臂末端规划出一条满足任务约束的无碰撞路径，采用高斯过程学习的方法得到机械臂末端路径点与拟人臂构型间的关系；然后完整描述机械臂自运动流形，为不满足关节限位或碰撞的拟人臂构型对应的末端路径点选取次拟人臂构型，得到任务空间与关节空间的映射关系；最后将此映射关系与任务空间下的无碰撞路径相结合用于机械臂拟人运动规划．实验结果表明：与改进快速扩展随机树(RRT*)和基于投影的方法相比，本方法规划的路径长度分别减少了55%与38%，速度分别增加了39%与68%，满足任务约束，且运动更加拟人．

针对内河航道上无人船识别目标时受背景复杂性和分布多样性影响而存在漏检的问题，提出一种基于YOLOv5(you only look once)的算法．首先，提出一种注意力模块MSAM(多尺度注意力模块)，可对带有大量空间信息的浅层特征图和带有丰富语义信息的深层特征图进行注意力融合，使得融合后的特征图具有更强的特征；然后，研究MSAM模块的不同位置的影响；最后，优化锚框参数，使得锚框形状更加符合内河船舶的形状．在船舶数据集上进行实验，结果表明：本算法的召回率提高了1.12%，三个mAP(平均精度均值)指标分别提高了0.87%，5.00%和2.07%，FPS(帧率)指标提高了3，漏检率降低，整体检测准确性和检测速度均得到提升．

针对欠驱动水面无人艇(USV)轨迹跟踪控制问题，提出一种基于近端策略优化(PPO)的深度强化学习轨迹跟踪控制算法．为引导控制器网络的正确收敛，构建基于长短时记忆(LSTM)网络层的深度强化学习控制器，设计了相应的状态空间和收益函数．为增强控制器的鲁棒性，生成轨迹任务数据集来模拟复杂的任务环境，以此作为深度强化学习控制器的训练样本输入．仿真结果表明：所提出的算法能有效收敛，具备扰动环境下的精确跟踪控制能力，有较大的实际应用潜力．

针对机场低空区域鸟类对飞行器起飞和降落带来的安全问题，提出一种轻量型高分辨率的鸟群场景识别网络，用于实现鸟群的计数和定位．该网络以高分辨率网络为基础框架，使用非对称卷积和Ghost模块对网络进行轻量化，并在网络的第四阶段引入联合金字塔上采样模块，提升模型对多尺度特征的融合能力．进一步提出联合使用负样本抑制损失函数，用于监督网络的训练过程，使网络更加关注于鸟类目标．将所提出的模型在鸟群数据集上进行实验，实验结果表明：本方法可以有效对鸟群进行计数和定位，并在模型性能和模型参数量上达到了平衡．为进一步验证所提出方法的有效性，在两个人群数据集(Shanghai Tech，UCF-QNRF)上进行训练与测试，证明其具有较高的准确性和鲁棒性．

针对传统的短时交通流预测方法只关注交通流的时间特征而未考虑空间特征的问题，提出一种引入注意力机制的卷积神经网络和双向门控循环单元的组合预测模型(ACBiGRU)．该组合模型利用引入注意力机制的卷积神经网络挖掘邻近道路交通流量的空间相关性，将注意力机制嵌入到卷积神经网络中，对卷积层的结果进行不同权重的关注，有效提取交通流的空间特征；然后通过BiGRU模型提取交通流的时间序列特征；最终将提取到的时间和空间特征融合，完成短时交通流预测．实验结果表明：在真实数据集上的ACBiGRU模型预测优于其他模型，预测结果的RMSE(均方根误差)比传统时间序列模型平均降低了8%，验证了结合时空特性的短时交通流预测的有效性和优越性．

为进一步基于无线传感器网络(WSNs)提升智能交通系统(ITS)中具有空间调制的协同多输入多输出自动重传请求(CMIMO-SM-ARQ)协议的系统性能，提出接收节点自适应CMIMO-SM-ARQ协议．该协议在信道质量差的情况下会激活接收端的节点以辅助接收数据，能够在降低信息传输中断概率的同时提高系统的能效性能．建立了离散时间马尔科夫链(DTMC)模型，求解其稳态分布，推导出自适应CMIMO-SM-ARQ协议的中断概率、吞吐量及能效解析表达式．数值模拟结果表明：所提协议性能优于非自适应CMIMO-SM-ARQ和单输入单输出自动重传请求(SISO-ARQ)协议．

针对带有扰动的时滞惯性忆阻神经网络可达集估计问题进行研究．所考虑的时滞惯性忆阻神经网络是一个二阶微分方程，通过坐标变换方法转化成一阶微分方程．在Filippov解的框架、微分包含理论和优化理论基础上，通过构造适当的李雅普诺夫函数，给出了时滞惯性忆阻神经网络的可达集估计判据．新判据以代数形式给出，并且时滞惯性忆阻神经网络的状态界定在一个多边形可达集中．通过数值仿真分析，验证了所提方法对时滞惯性忆阻神经网络可达集估计的有效性．

研究了具有时变时滞的多阶分数阶神经网络的集群同步．首先通过利用多阶时变时滞系统的向量李雅普诺夫函数的方法，给出了多阶分数阶神经网络在牵制控制下实现集群同步的充分判据；然后分析了在无时滞及相同阶次条件下分数阶神经网络实现集群同步的充分判据；最后通过数值仿真验证了结论的有效性．结果表明：本研究可以看作已有结论的一种推广，对实际应用具有一定的理论指导意义．

为减少无线传感器网络(WSN)中的数据冗余，延长网络生命周期，克服基于BP(反向传播)神经网络的数据融合算法收敛慢、数据精度低和易陷入局部最优的不足，提出一种基于烟花算法优化的无线传感器网络融合算法(IFWABP)．首先在烟花算法中使用Tent混沌图改进烟花种群的初始位置分布，使初始烟花分布更加均匀；然后利用改进的烟花算法优化BP神经网络的权重矩阵和阈值矩阵等参数进行数据融合；最后通过仿真对算法的性能进行测试和分析．仿真结果表明：对比其他算法，IFWABP算法提升了WSN数据融合的精度，降低了网络能耗，延长了网络生命周期．

针对已有负荷识别方法存在选取的负荷印记冗余度大及无法直接反映负荷功率信息的不足，提出一种多维数据图像化的非侵入式负荷识别方法．首先将负荷的电流波形、瞬时功率波形和电压-无功电流轨迹三个维度的负荷印记转换成灰度图像；然后将其分别加载到图像的红绿蓝通道上，得到带有功率信息的真彩色图像；最后通过简化的二维卷积神经网络进行负荷识别．实验结果表明：本方法能够提升图像的信息密度，使得所采用的人工智能网络在计算量和参数量都降低的情况下仍能在图像中找到最具有辨识力的区域进行高效的负荷识别；在PLAID(即插即用设备标识数据集)和WHITED(全球家庭和工业瞬态能量数据集)上分别达到了98.78%和99.50%的识别准确率．

针对可重入混合流水车间调度问题(RHFSP)，提出一种协作蛙跳算法(CSFLA)，以同时最小化最大完成时间和总延迟时间．给出了模因组的解质量和进化质量评价方法，根据进化质量确定最多两对模因组，在每对的两个模因组之间执行交换搜索次数和搜索能力的动态协作，并运用动态多邻域搜索(DMNS)和自学习过程改善算法性能．运用大量实例进行仿真实验，实验结果表明：CSFLA的新策略有效，且在多目标RHFSP优化方面具有较强的优势．

针对约束多目标优化问题(CMOPs)难以平衡约束条件和目标函数的不足，提出一种基于分层环境选择策略的约束多目标优化算法(CMOEA-HES)．CMOEA-HES首先采用模拟二项式交叉(SBX)和差分进化(DE)算子分别产生各自的子代种群；然后通过第一层环境选择策略从两个子代种群中选出收敛性和多样性较好的个体；接着采用第二层环境选择机制在父代种群和第一层环境选择策略选出的个体中进行选择，在多样性和收敛性的基础上选出可行性较好的个体；最后将选出的个体作为下一代进化的种群．为验证CMOEA-HES的性能，将其与5种先进的约束多目标优化算法在两组典型的测试集上进行仿真计算，实验结果表明：CMOEA-HES在求解约束多目标优化问题上更具有竞争力．

为改进Adam算法存在的全局收敛性较差的问题，提出一个带有角系数的AngleAdam算法．该算法利用两次连续梯度间的角度信息自适应控制步长，一定程度改进了Adam算法全局收敛性较差的问题，提升了优化能力．采用在线学习框架，对算法从遗憾界的角度进行收敛性分析，证明了AngleAdam具有次线性的遗憾．基于构造的三个非凸函数和深度神经网络模型，对AngleAdam算法的优化能力进行实验，实验结果表明该算法可得到较好的优化结果．

为控制计算机病毒在网络上的传播，考虑了刚联网的计算机可能携带潜伏状态的病毒及爆发状态的病毒可能转变成潜伏状态的病毒，提出一个计算机病毒传播模型．通过动力学分析得到，该模型在一定条件下存在一个有毒平衡点，且全局渐近稳定，随后的两个数值范例也验证了这一结论．讨论了清除网络病毒的问题，通过调整模型和深入分析可知，关键是防止携带潜伏状态病毒的计算机联网．综合分析与数值范例均表明：在一定条件下，只要能够防止外部病毒输入，网络上的病毒就能被清除．最后给出了控制计算机病毒在网络上传播的一些具体建议．