动态网络是指其节点和/或链接随时间动态变化的图结构。现有可视化和分析技术主要集中在总结和揭示网络结构的主要演化模式。很少有工作专注于检测动态网络中的异常变化模式，这种情况很少发生，一旦发生，则可能破坏整个结构的发展。本文介绍了第一个可视分析系统RCAnalyzer，用于检测动态网络中子结构的罕见变化。所提系统采用稀有类别检测算法识别异常变化的结构，并在上下文中将其可视化，以帮助专家检查分析结果并标记数据。特别地，引入新的可视化形式，用一系列连接的三角矩阵表达动态网络快照。在每个矩阵上进行层次聚类和最佳树切割，以展示在其周围结构的上下文中检测到的节点和链接的罕见变化。通过案例和用户调研评估该技术。评估结果验证了该系统的有效性。

在过去十年中，以比特币为代表的加密货币充分展示其在支付和货币系统中的巨大优势与潜力。矿池被认为是比特币的来源，也是市场稳定的基石。对矿池的监管可帮助监管机构有效评估比特币的整体健康状况。但是，矿池匿名性和分析海量交易的难度限制了更深入的分析。此外，对多源异构数据直观和全面的监管也是一个挑战。本文设计并实现一个交互式可视分析系统SuPoolVisor，它可对矿池进行可视化监管，并支持使用可视推理对矿池去匿名化。SuPoolVisor支持矿池和地址两个级别的分析。在矿池级别，使用排序的河流图呈现矿池算力随时间演变情况，并在其他两个视图中设计特殊图形以说明矿池的影响范围和矿池成员迁移。在地址级别，使用力导向图和大规模序列视图呈现矿池中的动态地址网络。特别地，这两个视图与Radviz视图的组合，可用于矿池成员去匿名化的迭代可视推理过程，这些视图都提供了用于跨视图分析和标识的交互功能。我们与该领域专家紧密合作完成3个真实案例，并在案例中证明SuPoolVisor的有效性和可用性。

监督式机器学习方法可自动分类新数据，且对数据分析非常有帮助。监督式机器学习的质量不仅依赖于使用的算法类型，也依赖于用于训练分类器的标注数据集的质量。训练数据集中的标注实例通常依赖于专业分析人员的手工选择与注释，且通常是一个单调与耗时的过程。标签可以在学习过程中为主动学习算法提供有用的输入，以自动确定数据实例的子集。交互式可视化标注技术是有前景的选择，它提供有效的视觉概览，分析人员可从中同时查看数据记录与选择项目标签。将分析人员置于循环中，生成的分类器可得到更高准确率。虽然交互式可视化标注技术的初步结果在某种意义上有前景的，考虑到用户标注可改善监督式学习，但是该技术的许多方面仍有待探索。本文使用mVis工具标注一个多元数据集以比较3种交互式可视化技术（相似图、散点矩阵与平行坐标图）以及主动学习。结果表明3种交互式可视化标注技术的分类准确率均高于主动学习算法，相对于散点矩阵与平行坐标图，用户主观上更偏爱使用相似图标注。用户也可以根据使用的可视化技术采用不同标注策略。

旅游目的地形象研究在旅游学科中具有重要意义。旅游用户生成内容（UGC），即旅游网站中的用户反馈，为构建目的地形象提供了丰富信息。然而，由于UGC中目的地形象展示不够直观，且旅行出发时间、文本长度和目的地形象类别差异较大，旅游研究者难以获得较为完整、直观的目的地形象。我们设计一个可视分析系统TDIVis，旨在获得一个相对全面的目的地形象。具体而言，提出一种基于关键字的情感可视化方法，关联认知形象与情感形象，同时兼顾时序演变分析和分类对比分析；提出一种多属性关联双序列可视化方法，关联两种不同类型的文本序列，并为序列的多属性特征提供一种动态可视化编码交互方式。最后，通过4个案例和1个用户研究，验证TDIVis的有效性和可用性。

概述了一个深度双向智能框架。由底向上方向有两个行为，一是获取信息形成适当的模式表示，二是抽象—自组织认知，简记为“A-S认知”，将输入模式抽象为概念，由一个标签表示，并通过自组织学习以理解模式构成的层次表示。而顶层内域中的行为统称为“A-I思维”，包含积累、融合、归纳、和灵感等。由顶向下方向也有两个行为，一个简称“I-S推理”，进行推理和综合，执行各种形象思维和问题求解任务，另一个是与环境交互，执行控制、通讯和检验的任务。在这个双向智能框架基础上，探讨了进行综合推理的可能性。

物联网已发展十多年，技术进步使其应用更加广泛，但随着连接设备增多，引发的担忧及带来的风险也在显著增加。2013年，一种新的基于加密技术的基础设施——区块链——应运而生，通过去中心化，基于区块链的物联网有可能取代现有基于云的物联网。本文对当前物联网基础设施面临的挑战进行分类，并对采用区块链作为基础设施后物联网可能遇到的问题作文献调查，比较了两种体系结构的优缺点。简要介绍了正在进行的有关区块链的关键研究，这些研究将对克服区块链在物联网应用中遇到的挑战产生显著影响。最后，考虑到这两种体系各自面临的挑战和问题以及最新研究进展，提出一种高水平的混合方案，该方案综合利用云、边缘/雾计算和区块链，以避免这两种体系的局限性。

支持向量机（SVM）被视为线性分类的有力工具。与可以产生稀疏效果的非凸惩罚项组合时，SVM能同时执行分类和变量选择。然而，由于其不可微、非凸和非平滑特性，非凸正则化SVM通常难以有效求得全局最优解。已有针对非凸正则化SVM的求解方案通常以串行方式求解，因而无法充分利用现代多核机器的并行处理能力。另一方面，现实世界中数据多以分布式方式存储，迫切需要一种并行与分布式方法求解非凸正则化SVM问题。为应对这一挑战，本文提出一种基于交替方向乘子法（ADMM）的并行算法高效求解非凸正则化SVM问题。采用有效技术降低并行算法的计算与同步开销。时间复杂度分析证明所提并行算法具有低复杂度。此外，该并行算法能保证收敛性。在LIBSVM数据集上的实验证明了所提并行算法的有效性。

在过去，非理想恒流电源对恒流海洋观测系统的影响是一个被忽视的问题。事实上，恒流电源的动态特性对整个系统，特别是对负载变化时的动态响应有很大影响。因此，在实际工程应用中有必要对非理想恒流电源进行校核。本文介绍一种校核非理想恒流电源是否满足水下恒流缆系统动态特性的方法，并提出一种描述非理想恒流电源的等效模型。通过该模型，可规范恒流电源动态特性的技术指标。首先，构造恒流海洋观测网络系统中单节点的最小系统，并推导其数学模型。其次，针对系统可能存在的掉电问题，分析对系统的输出电压响应，并验证所提模型。最后，采用所提模型校核实际应用中的恒流电源动态特性。

自物联网（IoT）诞生以来，数据与系统安全一直是开发者关注的重点。由于大多数物联网设备在8位控制器上运行，其容量和计算力有限，因此需要使用轻量级密码在发送端和接收端分别进行加密和解密。提出用于ANU密码硬件实现的新架构，并给出每一架构的相关结果。在相同实施条件下，在4种不同现场可编程门阵列（FPGA）上分别以4位、8位、16位和32位的数据路径尺寸实现ANU密码，并比较每一性能指标。与以往ANU密码架构不同，新架构具有用于高吞吐量和硬件优化的并行替换盒（S盒）。通过不同数据路径设计，在资源极其有限的系统中，ANU密码被证明是实现安全性的最佳选择。

在自由度为4、张量有逆变（右上标）和协变（右下标）形式的耗散陀螺系统中，使用二阶线性微分方程建立拉格朗日耗散模型，即{L, D}模型。通过系统的{L, D}模型确定广义元素。满足勒让德变换先决条件时，可得哈密顿量。剩余能量函数（REF）由哈密顿量及损耗或耗散能量（为负）之和组成，将其作为李雅普诺夫函数，可通过李雅普诺夫第二方法作稳定性分析，并从数学上推导出稳定性条件。

本文试图对权力结构主导力的变化进行测度。权力结构用有向网络表示。设计类似测度不平等性劳伦茨曲线的曲线测度权力结构主导力，并研究网络动态变化引起这种曲线的变化情况。网络结构的动态变化通过增加链接和节点表示；这类变化在商业管理、政治和社会互动等很多领域都有潜在应用，因而有必要研究。提供有向无环网络权力结构的几个例子，并计算在既有简单网络加上节点后，测度权力结构主导力指标（D-measure）的变化情况。