符号执行是一种系统地探索程序路径空间的有效方式，常用于自动软件测试与错误查找。通常待分析的程序会被编译成二进制或中间表示，在此基础上进行符号执行。在此过程中，编译器的优化选项往往会影响符号执行的有效性和效率。修订条件/判定覆盖（MC/DC）是一种广泛应用于任务关键型软件的重要测试覆盖准则；据我们所知，目前尚未开展面向MC/DC的符号执行编译优化推荐工作。本文采用先进的符号执行工具开展了大量实验，研究编译器优化对使用符号执行以满足程序MC/DC的影响。结果表明，指令组合（IC）优化是符号执行面向MC/DC的关键和主导优化选项。在此基础上，设计并实现了一个基于支持向量机的编译优化推荐方法，在Coreutils和NECLA两个测试集上开展实验。结果表明，所提方法在67.47%的Coreutils程序和78.26%的NECLA程序上取得了最佳MC/DC结果。

通用图形处理器（GPGPU）可大大提升规则应用的计算性能。然而，很多应用中存在非规则内存访问模式，大大限制了GPU的性能优势。近年来，一些研究提出解决方案来移除静态非规则内存访问。然而，利用软件消除动态非规则内存访问仍然面临严峻挑战。本文提出一种纯软件解决方案用于消除动态非规则内存访问，尤其是间接内存访问，无需硬件扩展和离线分析。提出数据重组和索引重定向以减少内存访问次数，从而提高GPU内核性能。为提高数据重组效率，卸载重组数据操作至GPU以降低开销并传输数据。通过并发执行数据重组和数据处理内核的统一计算设备架构（CUDA）流，可降低数据重组开销。完成这些优化后，相比于CUSPARSE基准测试，使用该方法GPU内核的内存数据传输减少了16.7%–50%；同时，NVIDIA Tesla P4 GPU上的内核性能提高了9.64%–34.9%。

在低信噪比及信号相关情况下，加权子空间拟合（WSF）算法的性能优于多信号分类（MUSIC）算法。本文使用随机矩阵理论（RMT）改善加权子空间拟合。随机矩阵理论研究随机矩阵维数以同速率增加时，矩阵特征值和特征向量的渐近规律。加权子空间拟合中，运用近似一阶扰动计算样本协方差矩阵特征向量的统计特性。利用随机矩阵理论中关于样本协方差矩阵信号子空间向真实信号投影的范数的渐进结果，获得加权子空间拟合计算方法。仿真结果表明，在低快拍数及低信噪比情况下，本文所提方法具有优越性。

在流量密集的无人机ad-hoc网络中，流量拥塞会增加网络时延和丢包，大大限制网络性能。因此，需要一个流量平衡策略控制流量。本文提出TQNGPSR，一个基于GPSR和Q网络的流量感知无人机ad-hoc网络路由协议。该协议利用邻居节点的拥塞信息实现流量平衡，并用一种强化学习算法—Q网络算法—评价当前节点每条无线链接的质量。基于对这些链接的评估，该协议可在多个选择中做出合理决定，降低网络时延和丢包率。在仿真环境中测试TQNGPSR、AODV、OLSR、GPSR和QNGPSR。结果表明，相比于GPSR和QNGPSR，TQNGPSR有更高包到达率和更低端到端时延。在高节点密度场景中，TQNGPSR在包到达率、端到端时延和吞吐量上优于AODV和OLSR。

大规模数据集推动了基于深度卷积神经网络情感分析的快速发展。但是，注释大规模数据集既昂贵又耗时。相反，从网络中很容易获得弱标注的Web图像。当直接使用Web图像训练深度学习模型时，嘈杂标签会导致性能急剧下降。针对这种情况，提出一种端到端的弱监督学习结构，该结构对于弱标签的Web图像具有鲁棒性。具体地说，该注意力模块通过降低训练过程中注意力得分，自动抑制带有错误标签样本的负面影响。另外，在弱监督学习方法中，类激活图模块通过关注正确标签样本的情感区域促进网络学习。除特征学习过程外，将正则化应用于分类器，以最小化同一类别样本的距离，并最大化不同类别样本质心之间的距离。对标记正确和错误的网页图像数据集进行定量和定性评估，结果表明该算法优于现有方法。

相似度度量方法在许多领域（如模式识别与机器感知）扮演着重要角色，引起国内外学者重点关注。当前，为图像构建二维稳健的相似度度量方法仍是重要研究课题。本文针对稳健人脸识别问题，基于子空间性质，提出一种有效且稳健的二维图像相似度度量方法。该方法通过线性变换与奇异值分解，度量两幅对齐人脸图像的相似度，同时消弱人脸识别过程中的干扰。展示了该方法的数学特征及度量特性，进而揭示所提方法的可行性与稳健机制。结合最近邻分类器，评估了所提方法在不同挑战下的人脸识别性能。实验结果表明所提方法在准确性和稳健性方面具有一定优势。

观点型问题机器阅读理解指计算机通过分析相应段落回答问题。相比于传统机器阅读理解任务的答案是在相关段落中的某一段文本，观点型问题因其答案可能不出现在相关段落中而需由多个句子推理得出，其对应的机器阅读理解任务更具挑战性。针对这个任务，提出一种新颖的基于神经网络的解决方案，其中使用了一种结合文本特征的混合词向量训练方法。此外，引入额外的注意力网络和输出层，产生多个辅助损失函数用于联合训练层叠循环神经网络。针对数据集样本分布不平衡的问题，引入问题和段落的不相关性实现数据增强。实验结果验证了所提方法的有效性。该方案获得了AIC2018观点型问题机器阅读理解赛道的双周赛冠军。

为解决双层背包问题中的不确定性，提出一种不确定双层背包问题（uncertain bilevel knapsack problem, UBKP）模型。通过定义期望值纳什均衡（ Nash equilibrium）和期望值斯塔克尔伯格-纳什均衡（ Stackelberg-Nash equilibrium），给出UBKP问题的不确定解。为提高不确定解的计算效率，构造一种改进的二进制狼群算法。该算法由一个规则（头狼规则）、两个算子（反向算子和移动算子）和三种智能行为（游走、智能猎杀和种群更新行为）组成。以某装备运输问题为实例，验证了UBKP模型及 不确定解的有效性。

基于对一类具有不匹配的不确定性和扰动的分数阶Colpitts（fractional-order Colpitts，FOC）系统的无源同步，设计一种鲁棒的多项式观测器，以最小化未知的有界干扰对误差估计的影响。利用自适应多项式状态观测器，提出一种更实用的输出反馈无源控制器，采用FOC连续频率分布式方法分析观测器的稳定性。基于分数阶Lyapunov稳定性理论，结合Finsler引理，构造鲁棒无源同步的严格条件。所提方法保证了控制器的渐近稳定性，且所导出的自适应律能够消除非线性对象动力学的不确定性。使用PSpice对整个系统作仿真，以证实所提控制方案的可行性。对分数阶混沌Colpitts系统中控制问题的仿真分析表明，该方法为一大类非线性分数阶导数系统构建了高效且系统的控制过程。

生物神经元可感知多种外界刺激信号，这些信号可被转化为等效的电流来驱动神经元。因此，神经元的膜电位可通过外刺激调控呈现各类放电模式。实际上，可靠的神经元模型应考虑内在的生物物理效应以及功能性编码。一个重要且有趣的问题是弄清外界信号转录过程的物理机制。外界信号通常被转化为等效的跨膜电流或信号源以诱发动作电位。提出一个光电神经元模型以表达其非线性编码过程和外界光信号驱动神经元的电活动响应。在该模型中，使用一个光电管激活一个简单的FitzHugh-Nagumo（FHN）神经元电路，并施加外界光信号（光照）于光电管产生时变电流源或电压源以驱动神经元电路。这种光电管耦合的神经元电路能探测和感知外界光信号，其作用类似于人工电子眼。通过分岔详细分析神经元模态迁移和放电斑图特征。通过调制神经元电路的光电流，神经元膜电位序列可呈现静息态、尖峰放电、簇放电和混沌特征。这些结果可为进一步研究神经动力学和神经电路提供参考。

在可见光通信系统中，游程长度受限码可用于促进可靠的数据传输并提供无闪烁照明。本文提出新颖的高码率游程长度受限码，以改善传输系统的误码率性能以及减少光信号闪烁。基于有限状态机设计原理，通过优化最小汉明距离和利用状态分裂法获取较小状态数，提出两种游程长度受限码编码方案以获得高编码增益。在游程长度受限码的编码设计方案中，码字集的构造至关重要；在码字集的设计中引入集合划分算法准则。详细描述各种游程长度受限码的闪烁特性和最小汉明距离，并基于直方图比较不同码字的闪烁性能。最后，基于开关键控调制的可见光通信系统对所提游程长度受限码作仿真验证及性能分析。仿真结果表明，与现有游程长度受限码相比，在闪烁控制约束下，所提游程长度受限码的误码性能更优。