群决策在管理决策和经济领域有着重要作用。本文建立了两种关于犹豫模糊多准则群共识决策的方法，并使用犹豫模糊决策矩阵（hesitant fuzzy decision matrices, HFDMs）表示专家的偏好。本文建立了两个新颖的、可应用于不同群决策环境的共识模型，其中共识决策过程包括：共识检验过程，共识达成过程和选择过程。专家以犹豫模糊集的方式表达自己的选择，然后通过集成算子计算每个准则下的犹豫模糊集。此外，基于两个专家在决策之间的偏差计算出任意两个犹豫模糊集之间的距离。本文建立了两种达成共识的方法，并提出了两种犹豫模糊多准则群决策方法的具体计算步骤。最后通过具体案例分析了苹果公司以旧换新的决策过程。该案例旨在让所有专家在进行选择决策之前达成高度共识，避免一些专家的偏好值过高或过低。通过共识测量修正的偏好信息可令决策结果更加合理。

由于其双层规划结构本质上的非凸性，交通网络设计问题一直以来都是交通规划领域中最为困难的问题之一。尤其在考虑混合了连续变量与离散变量的决策变量时，得到的混合网络设计形式进一步增加了问题的难度。本文引入了一种代理模型优化算法，用以解决三种不同种类的网络设计问题，包括连续、离散与混合的情形。我们证明了提出的算法在解决连续网络设计问题时，能够确保“渐进完全收敛”的性质，即在给定足够长的计算时间时，算法能够以概率1收敛到全局最优解。为了展示本文提出的框架在实际问题中的表现，我们用大量的算例对比了代理模型算法与大量用于解决网络设计问题的经典算法、启发式算法的效果。结果表明，以效率与精确度而论，代理模型算法是其中最优秀之一，同时它还能够有效地解决超过20个变量的较大规模的问题。本文提出的代理模型优化框架也能够用于解决交通领域的其他优化问题。

标准苍狼优化算法（grey wolf optimizer, GWO）因其简单易用的特性受到广泛关注。由于存在搜索结构不完善、易陷入局部最优等问题，其应用范围受到了限制。本文提出了一种基于变异算子和淘汰重组机制的苍狼优化算法（eliminating-reconstructing GWO, MR-GWO）。对GWO的分析表明，GWO仅以三个领导层苍狼为核心进行搜索，且仅通过调整参数a来平衡算法的探索和开发性能，意味着苍狼群在一定程度上失去了多样性。因此，本文对优秀的搜索狼引入变异算子，对性能较差的搜索狼采用淘汰重组机制，不仅有效地扩展了算法的随机搜索面，同时加快了算法收敛速度。为了验证改进后算法的有效性，通过13个标准连续函数全局优化实验及RBF（radial basis function）网络逼近试验将MR-GWO算法与其它算法进行了比较，试验结果表明MR-GWO算法具有较强的竞争力。

随着用作通信终端或平台的移动设备越来越多，电信基础设施安全受到的威胁日益严重。作为一种移动核心网关的旁路设备，网络探测工具可以收集和分析所有经过网关的数据流量，并进行安全检测。但随着核心网链路带宽的不断提高，如何有效降低安全检测系统的处理压力是一项重要挑战。在本文中，我们设计并评估了一个由硬件加速器和多核处理器构成的报文实时预处理系统，能够快速恢复移动核心网链路中每个封装和压缩的数据包，并有效地将还原后的流量分配到多个后端安全检测系统。使用大量真实数据对系统进行测试，结果表明，我们的预处理系统可以处理所有类型的通信协议报文，并实现至少18 Gb/s的处理速率。

本文提出一种新型的高容量密文图像可逆信息隐藏方法。与直接在密文图像中嵌入数据不同，内容拥有者首先利用插值技术在加密前估算出嵌入的位置并生成地图；其次，数据隐藏者根据位置地图，通过翻转密文图像的最高有效位来嵌入额外的数据。在接收端口，接收者在提取嵌入数据和重构图像前先解密图像。实验结果表明该方法可实现完全可逆，即数据提取和图像恢复都无误。此外，与现有大多数密文图像可逆隐藏方案相比，本方案可实现更高的嵌入容量。

软件缺陷预测旨在通过历史数据和能反映软件模块特性的软件特征来发现潜在缺陷。然而，有的特征可能与类别（有缺陷或无缺陷）的相关性较高，有的特征可能是冗余的或无关的。针对软件缺陷预测中不同特征与类别的相关性差异，本文提出一种基于相似性度量（similarity measure, SM）的特征选择方法。首先，根据不同类样本间的相似性来更新特征权重；然后，按照特征权重值降序排列生成特征排序列表，并依次选取特征排序列表中的所有特征子集；最后，在KNN（k-nearest neighbor）模型上验证所有特征子集的分类性能，并采用AUC （area under curve）指标进行度量。在11个美国航空航天局（NASA）数据集上进行实验验证，结果表明，与其它四种特征选择方法相比，本文方法具有与之相当甚至更高的分类性能。

为了向大数据分析提供实时结果，在现今的生产环境中满足MapReduce作业的时限要求是非常关键的。许多研究致力于解决时限要求的问题，目前存在两种代表性的方法。第一种是分配适量资源以在时限前完成整个作业，在时限紧迫或资源受限时，该方法会错过时限；另一种是在时限约束下运行预数据量的样本，该方法能满足时限但无法使数据量最大化。在本文中，我们提出一个时限–导向的任务调度方法来解决上述问题，称为“Dart”。给定具体的时限和可用资源量时，Dart使用基于历史数据和作业运行状态的迭代估计法准确预测作业完成时间。基于时间预测，Dart法采用接近–修改算法做出动态调度决策，在满足时限的情况下将可处理数据量最大化并消除掉队任务。同时Dart法可有效地避免任务失败和数据倾斜，防止其性能受影响。在包含64个虚拟机的集群上使用OpenCloud和Facebook的工作负载对Dart法进行评估。结果表明Dart法在时限紧迫和资源受限情况下能有效满足时限并将处理数据量最大化。

UML（Unified Modeling Language）是业界建模与分析的事实标准。然而，由于UML的语义信息未被精确定义，我们无法对UML模型之间的精化关系进行验证。本文使用定理证明器Coq形式定义了UML状态图的语义和模型之间的精化关系，形成机械语义。基于机械语义，模型语义信息及精化关系可以被描述为谓词及定理，在定理证明器Coq中进行证明。此方法为可验证的、无错误的建模和精化提供了一个可行的方向。

本文提出了一种利用inverse butterfly网络的自路由特性完成循环移位、短字循环移位等操作的可重构控制信息生成算法。该算法具有高并行度和低成本，此外还支持循环移位、双向循环移位以及短字循环移位操作。据我们所知，这是首个将多种不同类型的循环移位操作统一在一个硬件架构中的算法。本文进一步设计了一种高效可重构循环移位单元，并在SMIC 65-nm工艺下实现了逻辑综合。结果表明：与以往具有相似功能的设计相比，该单元的效能至少提升了23%；当仅支持双向循环移位操作时，该单元具有更小的面积和更低的延迟。

稀疏表示作为数据表示的一种数学模型，是解决模式识别、机器学习、计算机视觉等领域问题的有力工具。字典学习是稀疏表示方法的重要组成部分，在对原始信号及其在字典学习空间中的重建误差的最小化上发挥着重要的作用。在稀疏表示模型中，直接利用训练样本作为字典可以取得良好的性能。但由于训练样本含有噪声，这样的字典很大且效率低下。为取得更小且表现更好的字典，本文提出一种基于流形学习及双稀疏理论的拉普拉斯稀疏字典学习方法（Laplacian sparse dictionary, LSD）。本文将拉普拉斯权重图加入稀疏表示的模型，并对字典加以 范数约束。LSD是一个稀疏的过完备字典，可保持数据的内在结构，并为每个类学习一个更小的字典。学习得到的字典可以嵌入基于稀疏表示的分类框架。将本文提出的方法和其它方法在三个基准的约束人脸数据（Extended Yale B、ORL、AR）和一个无约束的行人数据图像数据库i-LIDS-MA上进行对比实验。结果显示本文提出的LSD算法比当前基于分类的稀疏表示的方法更有优势。

为解决多功能相控阵雷达的任务调度难题，本文提出了一种融合粒子群算法、遗传算法和启发式交错算法的优化算法。通过混沌理论优化粒子群算法的飞行参数，设计动态惯性权重，并引入遗传算法中的交叉、变异操作，使该算法的计算效率和寻优能力均得到大幅度提高。在智能算法的框架下，提出启发式的交错调度算法可进一步利用任务等待期的时间资源。仿真结果表明，与现有方法相比，本文算法效率更高，鲁棒性更强。

隐式反馈是指用户通过行为间接表达用户的意见。由于其在现实世界中的易得性和丰富性，越来越受到推荐系统领域的关注。使用隐式反馈的常见做法是把隐式反馈当做正面或者负面的用户偏好，并附带不同的置信度。这类方法大多认为，与隐式反馈相关的数值（例如观看的时间）反映了置信度的大小，并且数值越大代表置信度越大。这种假设只适合只有一种隐式反馈的场景。然而在现实世界中，经常同时存在多种隐式反馈，称为异构隐式反馈。现有方法无法有效地从异构隐式反馈中推测出置信度。本文提出了一种新颖的利用异构隐式反馈预测置信度的方法，把预测的置信度应用到“基于点的”和“基于对的”矩阵分解模型中，并提出了一种更通用的方法来为“基于对的”方法选择有效的训练样本。在天猫提供的真实电商数据集上的实验表明，本文方法在多个指标上的效果均要优于现有的方法。

区分特征和噪声是网格去噪中最具挑战性的问题。本文基于鲁棒的引导法矢估计和交替顶点更新策略，研究了一种新的、保持特征的网格去噪方法。为了准确地捕捉特征周围的局部结构，我们提出了一种角点敏感的邻域（corner-aware neighborhood, CAN）方案。本文将CAN中所有面的总体法矢分布及其相应面的个体法矢影响相结合，提出了一种新的一致性度量方法，大大提高了引导法矢估计的可靠性。随着噪声水平的降低，我们用前次迭代的得到滤波法矢作为引导进行联合双边滤波，其思想与新出现的rolling guidance方法是一致的。在顶点更新过程中，我们在每次迭代时都根据滤波后的法线对顶点进行分类，并在各自的正则化约束下交替地对不同类型的顶点进行重新定位。对各种合成数据和实际数据的实验表明，该方法能适应高斯噪声和脉冲噪声等不同类型的噪声，且无论噪声沿法矢方向还是沿随机方向分布，都不会出现翻转的三角片。

本文提出了一种新的基于实时力反馈技术的中国书画三维交互绘制方法。本文通过分析毛笔受力与变形的关系，基于一种弹簧振子模型构建了三维毛笔模型。根据毛笔受力产生的变形计算得到毛笔在绘制平面上形成的2D笔触，并将其实时映射到3D物体表面形成3D笔触，沿着绘制方向叠加3D笔触形成3D笔道。本方法已成功应用于基于实时力反馈技术的虚拟三维交互绘制系统，用户可以通过Phantom Desktop力反馈设备实时绘制三维笔道，从而实现对三维交互绘制过程的有效仿真。

转网络功能虚拟化（etwork function virtualization, NFV）是近年提出一种用于动态和有效地构建和管理网络功能的新技术。如何为虚拟网络功能的转发图分配资源是NFV研究中的关键难题之一。本文将转发图映射（forwarding graph embedding, FGE）问题建模为0-1整数规划问题，旨在增加服务提供商的收益并降低开销，同时满足受限资源和虚拟功能需要的约束。接着，设计了量化每个底层节点嵌入潜力的新型区域资源聚类指标，，并提出基于拓扑感知的转发图映射算法，即基于区域资源聚类的转发图算法（regional resource cluster-FGE, RRC-FGE）。最后，通过C++语言实现了该算法，仿真结果表明：服务提供商的收益增加了50多个单位，接受率提高了15%以上，同时成本下降了60多个单位。

我们将实体嵌入问题看作同时完成两个不同但相关的嵌入任务（实体嵌入和关系嵌入）的联合优化问题，并在联合嵌入框架下求解该问题。在该嵌入框架下，我们设计了联合评分函数，用以对实体和关系间的相关性实例进行量化评价，并将评分函数融入最大间隔学习方法中，使用知识库中的上下文信息学习实体与关系的嵌入向量。通过求解联合优化问题，我们的设计有效地表达了嵌入空间的固有拓扑结构。实验结果证实了我们的嵌入框架在表达不同关系的语义相关性和进行知识推理中的关系预测时的有效性。

rgb2gray转换模型是目前最为经典和流行的彩色图像灰度化方法。最新的研究表明，对一阶线性模型的三个加权参数进行自适应离散搜索具有良好的潜力。在本文中，我们提出一种两步法方式，将参数搜索策略扩充到二阶多变量多项式模型。该模型划分为三个子空间的和，本文论证了第一个子空间是最为重要的，并且第二个子空间可以看作为对其进行加细的部分。在模型的第一步，将梯度相似性测度（gradient correlation similarity, Gcs）用于第一个子空间，得到一个初步的灰度化图像。然后，再次使用Gcs对初步灰度图像和第二子空间所引出形成的候选图像进行最优解搜索。通过数值实验，在定量评价、定性视觉评价和算法复杂度方面表明了本方法的有效性。

本文设计并分析了一种改进H形裂环谐振器（split ring resonator, SRR）的新型超材料。它具有负磁导率和负介电常数特性，且在X，Ku和Ka频带内具有多频共振特性。本文就超材料方向和位置的变化对不同配置下的贴片天线进行了分析。结果表明，新型超材料天线实现了性能优化，表现为9 dB的可观增益，77 GHz的带宽，100%的辐射效率，以及有源区65%的面积缩减。二阶分形超材料天线尺寸降至1/21，从而实现了高度小型化。该研究为急需小尺寸尖波束的通信领域提供了一种解决方案。

作为一项非常有前景的技术，正交频分复用（orthogonal frequency division multiplexing, OFDM）解决了频谱分配中的带宽不足问题，引领了无线移动通信领域的发展。然而，多普勒频移和本地振荡器频率同步误差的存在会导致载波间干扰（inter carrier interference, ICI），严重影响了正交频分复用。以往文献中提出了许多ICI消除技术，例如自消除法（self-cancellation, SC），最大似然估计法（maximum likelihood estimation, MLE）和加窗法，但需要在带宽冗余和系统复杂度之间权衡。本文基于接收端循环前缀（cyclic prefix, CP）再利用，提出了一种节能且具有有效带宽的新技术来消除ICI。自消除法和最大似然估计法在发送端发送整个OFDM符号数据时会产生冗余，而本文提出的技术仅使用循环前缀数据（仅占总符号带宽的20％）来估计信道，产生与前两者类似结果的同时节省了大量带宽。仿真结果表明，该技术在误差性能方面有显著的改进；并且在实现高带宽增益的同时，能效也得到了实质性的改善。因此，该技术优于传统ICI消除技术。

本文提出一种用于在干扰被视为加性高斯噪声的假设下在Z干扰信道（z-interference channel, Z-IC）上实现非正则高斯信号（IGS）的Pareto边界（可实现速率区域的边界）。具体来说，文章表明了帕累托边界可由某个用户的传输速率的两个区域表征，由传输信号的方差与伪协方差的两个变化路径决定。为每个用户发送的非正则信号的最优协方差和伪协方差设计推导出简明闭合的表达式。为此，我们通过仿真试验有力证明了所提出的最优信号设计策略的有效性，同时直观地展现出IGS较正则高斯信号（proper Gaussian signaling, PGS）的优越性。此外，我们提出的最优信号设计策略提供了实现所需速率区域的简单方法。利用该方法，我们得到了一个闭合形式的解决方案，用于快速确定最大和速率的信号设计方案。最后，我们深入讨论了帕累托边界的特征，定性分析了信道系数以及两个用户发送的信号的协方差和伪协方差与其的关系。