稀疏学习由于其简约特性和计算优势而获得了越来越多的关注，在具有稀疏性的条件下，许多计算问题可以在实践中得到有效的处理。而结构化稀疏学习则进一步将结构信息进行编码，在多个研究领域取得成功。随着各类型结构的发现，人们相继提出了各种结构化正则函数。这些正则函数通过利用特定的结构信息极大提高了稀疏学习算法的性能。在本文中，我们从想法、形式化、算法和应用等方面系统的回顾了结构化稀疏学习。我们将这些算法置于最小化损失函数和惩罚函数的统一框架中，总结了算法的开源软件实现，并比较了典型优化算法解决结构化稀疏学习问题时的计算复杂度。在实验中，我们给出了无监督学习在结构化信号恢复和层次化图像重建中的应用，以及具有图结构引导的逻辑回归的在监督学习中的应用。

本文提出了一种启发式神经网络计算平台，用于解决基于不同阶数泛函微分方程的非线性受电弓系统（Pantograph systems based on functional differential equations, P-FDEs）中的初值问题（Initial value problems, IVPs）。该方案利用了前馈人工神经网络（Artificial neural networks, ANNs）、基于遗传算法（Genetic algorithms, GAs）的进化计算技术，以及内点技术（Interior-point technique, IPT）。通过设定一个无监督学习误差，针对完全和不完全满足初始条件两种情况，利用ANNs创建了系统的两种数学模型。采用GA–IPT混合算法，对ANN模型的设计参数进行了优化。在GA–IPT中，GA是有效的全局搜索工具，IPT则用于快速的局部收敛。针对三种不同类型的1–3阶P-FDEs的IVPs对该方案进行了测试。通过对比现有的精确解，确认了该方案的正确性。通过采用不同数量神经元的ANN模型进行了大量的数值实验，进一步验证了该方案的准确性和收敛性。

越来越多的水下滑翔机正在被应用到湖水监测中。由于湖水具有有限的竖直空间，为了让水下滑翔机能够扩大不同监测点的间距，水下滑翔机应具有空间高效的转向能力。本文提出一种使用小俯仰角的转向方法，以便让外形固定的水下滑翔机能够具有空间高效的转向能力。使用小俯仰角转向可以提高水下滑翔机在单位竖直空间下的转向角度。本文提出了一种同时适用于大小攻角的水下滑翔机水动力模型，对小俯仰角转向过程中最优的净浮力与横滚角度展开了研究。为了验证水动力模型和转向方法的适用性，研制了小型水下滑翔机原型机并进行了湖水试验。试验表明，水下滑翔机使用小俯仰角进行转向比使用大俯仰角转向更能节省竖直方向消耗的空间。仿真结果与湖水试验结果一致。另外，多监测点连续监测试验表明，与比不使用小俯仰角转向相比，水下滑翔机使用小俯仰角进行转向能够覆盖更大的监测区域。

任务调度优化是多处理器环境（如并行和分布式系统）取得良好性能所面临的最重要挑战之一。目前大多数任务调度算法基于列表调度法，该方法的基本思路是，以列表的形式准备一系列待调度的节点，赋予这些节点不同优先级，然后不断去除列表中优先级最高的节点，并将其分配给具有最早开始时间（Earliest start time, EST）的处理器。由此可见，该算法的完成时间主要由两大因素决定：（1）任务分配顺序的选择（次序子问题）；（2）选定顺序的任务如何分配给处理器（分配子问题）。已有文献提出了许多解决次序子问题的好办法，但分配子问题少有人涉及。本文研究结果显示：传统的按照最早开始时间分配任务的方法并非最优；基于蚁群优化算法，得到一种新的方法，可以获得高效得多的调度方案。

尽管加密算法已得到改进，加密系统的安全性仍然是密码系统设计者关注的重点。边信道攻击可利用加密系统的物理漏洞来获取秘密信息。目前提出的多种边信道信息分析方法中，机器学习被认为是一种有前景的方法。基于神经网络的机器学习可获得指令标志（功耗与电磁辐射），并自动识别。本文对椭圆曲线加密（Elliptic curve cryptography, ECC）的现场可编程门阵列（field-programmable gate array, FPGA）实现展开了新的实验研究，探讨了基于学习向量量化（Learning vector quantization, LVQ）神经网络的边信道信息表征的效率。LVQ作为多类分类器的主要特点是它具有学习复杂非线性输入-输出关系、使用顺序训练程序和适应数据的能力。实验结果表明基于LVQ的多类分类是边信道数据表征的强大且有前景的方法。

工业控制系统广泛应用于关键基础设施的建设中，关系到国计民生，因此，攻击者越来越多地将其作为攻击目标，并造成严重的破坏。可编程逻辑控制器（Programmable logic controller, PLC）作为工业控制系统中的核心组件，能够直接控制现场设备，一旦PLC中运行了恶意程序，则可能直接造成重大财产损失甚至是人员伤亡。近些年来，针对PLC的攻击事件显著增加，这表明PLC存在很大的脆弱性，同时也提醒人们保护PLC安全的重要性。不幸的是，传统的入侵检测系统和杀毒软件并不能很好地保护PLC的安全，因此，针对PLC的有效的安全防护方案有待被研究。基于上述背景，本文提出了一种非侵入式的基于功耗的PLC异常检测方案。该方案通过分析PLC运行时的功耗变化来检测PLC中是否运行异常程序，分为功耗信息获取与功耗分析两部分。采集功耗信息是通过在PLC的供电线上串入一个电阻实现的，当PLC运行时，测量电阻两端的电压即可获取CPU的功耗信息。为了更好的分析功耗信息，本文首先从原始功耗数据中提取有效的特征值组合，然后利用正常样本来训练一个基于长短记忆（long short-term memory, LSTM）单元的神经网络模型，利用该模型对后续正常样本进行预测，通过比较测量到的功耗信息与预测的功耗信息，可以确定当前PLC中运行的程序是否为正常程序。该方案的优点是无需对原工控系统的封装部分进行软硬件的修改，且无需负样本即可实现对未知攻击的检测。我们在实验室测试平台上对该方法进行了评估，实验表明，对于原程序，只需改动0.63%即可达到99.83%的准确率。

问答技术的重要挑战之一就是解决问题与答案之间的语义空白。机器翻译模型已经被证明能有效的提升解决问题与答案之间的语义空白的效果。本文提出了一种基于注意机制的深度神经网络模型来解决问答系统中的答案选择任务。该模型采用了基于双向LSTM的编码解码模型，编码解码模型是一个被证明再机器翻译领域取得了突出的成绩。我们还在模型中应用了注意力机制来提升模型的效果。本文在一个公开数据集上验证我们实验的有效性，同时通过结合该模型显著提高了我们的问答系统的性能在TREC liveQA 2015的任务中。

视觉跟踪是近年来计算视觉最活跃的研究课题之一，已被广泛应用于许多视觉领域。然而，视觉跟踪技术仍然存在挑战，如目标发生光照变化、遮挡、外观形变等。为克服这些技术困难，本文提出基于小波变换的可靠特征点分配（Reliable point assignment, RPA）算法。通过搜索局部最大小波系数（Local maximal wavelet coefficients, LMWC）的位置，获得可靠特征点。在图像中，具有局部最大小波系数之处，表明该处图像信号发生了较大变化，因此，可靠特征点对图像噪声、光照变化和外观形变等情况都具有鲁棒性。此外，在检测中应用卡尔曼滤波器，以提高处理速度并减少误检率。最后，将所提出的RPA与卡尔曼滤波器集成到跟踪–学习–检测（Tracking–learning–detection, TLD）算法框架中，提高了跟踪精度，且降低了误检率。实验结果表明，新框架在精度、f值（f-measure）和平均重叠率（%）等方面均优于TLD和核化相关滤波器（KCF）这两个跟踪算法。

移动对等网络的特征，如有限带宽、动态拓扑、对等节点的异质性、有限资源等，给其带来了额外挑战。为促进移动对等网中节点之间的交易，信任管理成为一个重要研究内容。然而，在移动对等网络中，节点频繁地加入和离开网络，网络拓扑经常发生变化，节点之间很难建立长期有效的信任关系。为解决这个问题，我们首次提出基于动态分组的信任管理模型（Dynamic grouping based trust model, DGTM），该模型通过节点的兴趣对节点进行分类，具有相同或者相似兴趣的节点被分在同一组内，保持稳定的信任关系且彼此分享资源。模拟实验验证表明，我们提出的基于动态分组的信任管理模型能够获得较高的成功交易率和较好的通信开销。

本研究进行了微带贴片天线线性阵列的优化设计。通过猫群算法（Cat swarm optimization, CSO）优化天线阵列辐射方向图的各控制参数。通过优化每个单元的激励电流权重和阵元间隙获得各向同性天线单元阵列的最佳辐射方向图。以12、16和20单元的天线阵列为例，运用MATLAB进行阵列优化设计，采用CST-MWS对设计结果进行仿真验证。由仿真结果可见，CSO能给出微带贴片天线线性阵列的最优设计。

在物理层中，本文研究了存在信道估计误差的最大比合并/选择合并的保密容量性能。在一个单输入多输出窃密信道中，信源向一个装备M根接收天线并采用最大比合并/选择合并技术处理多径信号的信宿发送保密信息。与此同时，一个窃密者装备N根接收天线并采用最大比合并/选择合并技术来提高窃密的成功率。我们分别推导了两种情况下遍历保密容量的精确和近似闭式表达式：（1）最大比合并带有信道估计误差；（2）选择合并带有信道延迟。此外，本文得到了高信噪比斜率和高信噪比功率补偿两个重要的参数，它们在高信噪比条件下决定了遍历保密容量。最后，本文通过仿真分析验证了所得到的闭式表达式的准确性。