本文介绍采用改进的分数阶最速下降法（FSDM）训练分数阶全局最优反向传播机。该反向传播机是一种分数阶反向传播神经网络（FBPNN）。分数阶反向传播神经网络是反向传播神经网络（BPNNs）大家族中一个先进的分数阶分支，它不同于绝大多数传统一阶最速下降法训练的经典一阶BPNNs。本文提出的FBPNN反向增量搜索在其均方误差近似分数阶偏导数的负方向进行。首先，从数学上描述用改进FSDM训练的FBPNN理论概念。然后，详细给出FBPNN分数阶全局最优收敛性的数学证明，分析神经网络结构构建以及分数阶多尺度全局寻优问题。最后，通过实验比较FBPNN和经典一阶BPNN的性能：包括函数逼近、分数阶多尺度全局寻优以及基于实际数据的全局搜索和误差拟合能力比对。相比经典一阶BPNN，FBPNN最主要优点是具有更高效的全局寻优能力，能够判定全局最优解。

多聚焦图像融合在图像融合中日益重要，在图像处理中扮演着关键角色。本文提出一种基于分数阶导数和直觉模糊集的多聚焦图像融合方法。其将原始图像分解为基础层和细节层，建立一个新的分数阶空间频率来反映图像清晰度。采用分数阶空间频率作为细节层融合准则，并引入直觉模糊集对基础层进行融合。实验结果表明，该方法在多聚焦图像融合方面优于已有先进方法。

本文研究线性与非线性分数阶阻尼系统的可控性。该系统具有多重时变时滞，且时滞位于控制函数中。对于线性系统，基于Mittag-Leffler函数，定义一个可控性Gramian矩阵，该矩阵对于判定线性系统是否可控具有重要作用。此外，对于两种特殊线性系统，给出易于判别的若干等价可控性条件。对于非线性系统，在相应线性系统可控前提下，给出充分条件确保系统可控性。最后，给出两个数值示例验证结论有效性。

本文主要讨论图像去噪和纹理保持问题。时间分数阶导数通常具有可调的分数阶控制扩散过程，应用于图像去噪时，其记忆效果能很好保留图像纹理。因此，在经典Rudin-Osher-Fatemi（ROF）模型基础上，设计一个新的时间分数阶导数ROF模型，空间上的离散化基于整数阶差分格式，时间上的离散化是Caputo导数的近似（即，用类Caputo差分法离散Caputo导数）。详细分析这种显式格式的稳定性和收敛性，证明该模型的数值解以阶数O({\tau }^{\text{2}-\alpha }+h^{\text{2}})收敛于精确解，其中τ，α和h 分别为时间步长、分数阶和空间步长。最后，采用信噪比、特征相似度、直方图恢复度评价指标综合评价新模型性能。数值试验结果表明，改进的模型比现有模型具有更强去噪和纹理保持能力。

提出一种基于动态DNA编码和混沌的新型彩色图像加密算法。将一个三神经元分数阶离散Hopfield神经网络作为伪随机混沌序列发生器。其初值由外部输入的五位密钥以及明文图像的哈希值计算得来。外部密钥包含分数阶离散Hopfield神经网络的离散步长和阶次。哈希值由SHA-2函数计算得到。在保证较大密钥空间的同时，提高了算法对明文图像的敏感性。在此基础上，提出一种新型三维投影置乱方法，置乱图像红、绿、蓝信号通道中像素位置。DNA编码以及扩散被用于扩散图像信息。使用离散分数阶Hopfield神经网络生成的伪随机数序列确定每个像素的编码规则，用以保证编码方式的多样性。最后，运用置乱II和XOR提升算法的安全性。实验结果和安全性分析表明，该算法具有较好安全性，能够抵御多种典型攻击。

分数阶logistic映射具有丰富的动力学行为，用于产生混沌序列。基于分数阶logistic映射进行图像加密，嵌入原始图像，获得水印图像。在图像加密中，分数阶阶数介于0、1之间，被用作加密密码，提升了图像加密时的密码空间，加大了黑客攻击难度。离散分数阶水印技术提供了一种有效保护硬件、图像及其他电子文件的方法。

基底微结构制作的薄膜衍射光学元件具备超轻质量（面密度小于0.1 kg/m²）和宽松表面形状公差（厘米级表面精度需求）两个重要特性，将其作为大口径望远镜的主镜可实现超大口径，超轻量化，同时降低发射成本。本文对国内外基于衍射光学的空间大口径望远系统的研究进展进行归纳和总结。首先阐述衍射望远系统的成像理论与组成结构，然后介绍衍射望远系统研究进展，最后总结衍射技术作为未来高分辨率空间侦查系统的发展趋势，提出我国应着重开展的相关工作。

深度学习模型在命名实体识别（NER）中实现了最先进的性能；然而，其良好性能很大程度上依赖于大量标记数据。在某些特定领域，例如医学、金融和军事领域，标记数据非常稀缺，而未标记数据则很容易获得。过往研究使用未标记数据丰富词的表示，却忽略了未标记数据中对NER任务很可能有帮助的大量实体信息。本文提出一种用于NER任务的半监督方法，其通过学习一个判别模块筛除错误伪标签，以创建高质量标注数据。伪标签是为未标记数据自动生成的标签，并被当作真实标签用来训练模型。该半监督框架包括3个步骤：为特定NER任务构建最佳单神经网络模型，学习一个评价伪标签的模块，以及迭代创建新的标记数据和改进NER模型。两个英语NER任务和一个中文医疗命名实体识别任务的实验结果表明，该方法进一步提高了最佳单神经模型的性能。当仅使用预训练的静态词嵌入且不依赖任何外部知识时，该方法可获得与CoNLL-2003和OntoNotes 5.0英语NER任务上最先进模型相当的性能。

随着智能设备存储容量快速增长，价格不断降低，以及算力、存储和通信技术的提升，APP应用程序得到快速发展，在全球网络基础设施上耗费的流量亦越来越多。智能设备引领着新兴技术发展，并在其快速演进中发挥至关重要的作用，已成为信息技术时代全天候的基本需求。智能设备运行着广泛的处理密集型APP，APP在智能设备上的大量使用导致其复杂性不断增加，资源大量消耗，包括智能设备的电池电量、处理器、RAM等，阻碍了智能设备正常运行。资源的限制极大增加了用户处理任务的难度，因此合理的资源利用和能效是智能设备的基本考虑因素。本文提出一种基于云计算的移动端能效增强模型(MEACC)，致力于解决智能设备中功耗大、资源利用率低等关键问题。MEACC能有效筛选出需在智能设备上运行或卸载至云端处理的APP。此外，可有效计算出移动端以及云端所需的运行开销，包括通信成本。在作出卸载决定前，MEACC持续监测资源情况。MEACC既能实现负载均衡又能降低功耗，是新兴移动计算领域十分具有前景的应用架构。

本文研究一类具有受控初始状态递归树的一致性问题。由拉普拉斯谱定义的网络一致性用于刻画含有噪声线性系统的一致性动力学。基于这类递归树的规则结构，得到拉普拉斯特征值连续两次迭代的递归关系，并由此得到一阶和二阶一致性的精确解。它们由所有非零拉普拉斯特征值的倒数和与平方和来定义。一阶和二阶一致性的幂律关于网络规模N分别为ln N 和N。研究表明递归树初始节点数目越少，其一致性表现越好。最后，用数值例子研究一致性和拉普拉斯能量之间的关系，结果表明一阶和二阶一致性分别随拉普拉斯能量以指数和线性速率增长。

随着应用程序规模和超级计算机体系结构复杂性的迅速增加，拓扑映射的重要性愈加凸显。高通信成本已成为超级计算机上运行的应用程序性能的主要限制因素。为避免不合适的映射策略可能带来的较差通信性能，提出一种启发式优化拓扑感知映射算法（OHTMA）。该算法旨在最小化用于测量映射结果的字节跳跃度量。OHTMA结合贪婪启发式算法和基于对交换的优化方法，减少了远程通信数量，有效增强了通信局部性。在天河三号E级原型机的实验结果表明，OHTMA算法可显著降低通信成本。

通过改进著名的三维自主Liu & Chen系统，建立偏置增强的自主五维系统。找到该自主五维系统平衡点，并分析其稳定性。该系统包含霍普夫分岔、周期吸引子、准周期吸引子、单涡旋混沌吸引子、双涡旋混沌吸引子、共存吸引子、双稳现象、部分幅度控制偏置增强、逆周期倍增和间歇性混沌路径。利用现场可编程门阵列（FPGA）实现该自主五维系统，并给出相图验证数值仿真结果。由FPGA实现的混沌吸引子及共存吸引子与数值仿真的混沌吸引子性质吻合较好。最后，设计一个基于该自主五维混沌系统的声音数据加密和通信系统，通过数值示例展示其性能。