人类可以熟练的对真实世界中物体按照形状或者功能进行分类，并在思维中建立每类物体的视觉概念和周围真实世界的视觉知识（Pan，2019）。Pan（2021）指出建立这些视觉概念和视觉知识的计算表达是发展下一代人工智能的一个关键步骤。学习同一视觉概念下所有物体的三维形状空间是实现视觉概念计算表达的一个关键步骤。本文提出三维形状空间学习中面临的关键技术挑战，并围绕这些技术挑战回顾了这一领域的研究进展，最后讨论了三维形状空间学习领域的研究趋势和未来发展方向。

深度学习重振人工智能十年后的今天，我们提出一个理论框架来帮助理解深度神经网络在整个智能系统里面扮演的角色。我们引入两个基本原则：简约与自洽；分别解释智能系统要学习什么以及如何学习。我们认为这两个原则是人工智能和自然智能之所以产生和发展的基石。虽然这两个原则的雏形早已出现在前人的经典工作里，但是我们对这些原则的重新表述使得它们变得可以精准度量与计算。确切地说，简约与自洽这两个原则能自然地演绎出一个高效计算框架：压缩闭环转录。这个框架统一并解释了现代深度神经网络以及众多人工智能实践的演变和进化。尽管本文主要用视觉数据建模作为例子，我们相信这两个原则将会有助于统一对各种自动智能系统的理解，并且提供一个帮助理解大脑工作机理的框架。

心脏图像的视觉识别对于心脏病理诊断和治疗具有重要意义。由于可用标注数据集有限，传统方法通常基于三维心脏图像的二维切片对病理分类特征进行提取，难以确保心脏解剖结构的整体一致性。为此，本文提出一种基于三维参数模型重建的心脏病理分类方法。首先，基于收缩末期和舒张末期时相心脏图像的多个三维心脏成像数据重建三维心脏模型。其次，基于重建的三维心脏模型，通过统计形状模型方法构建三维参数模型。然后，基于三维统计形状模型及其视觉知识约束对心脏数据进行增强。最后，提取不同时相的三维心脏模型的形状和运动特征，对心脏病理进行分类。在STACOM公开挑战赛的ACDC数据集上的实验验证了所提方法的优越性和有效性。

第五代无线通信系统（5G）的发展使元启发算法与电磁设备的设计过程结合得更为紧密。本文提出一种自适应灰狼优化器（SAGWO），并将其与一种基于单元节点的5G频率选择面（FSS）优化模型相结合。SAGWO包含3种改进策略：改进初始头狼的分配，增加随机探索能力和增强局部搜索能力，以加快收敛速度，有效避免局部最优。在基准函数测试中，SAGWO优于其他5种优化算法：原始灰狼优化器（GWO）、遗传算法（GA）、粒子群优化器（PSO）、改进灰狼优化算法（IGWO）和基于选择性对抗的灰狼优化算法（SOGWO）。因为SAGWO具有良好全局寻优能力，所以SAGWO适用于解决具有较大设计空间的5G FSS优化问题。将SAGWO与新的FSS优化模型相结合，能自动生成在中心工作频率处具有电磁屏蔽能力的FSS结构。为验证所提方法，本文设计了在28 GHz处具有电磁屏蔽能力的双层环形FSS。结果表明，优化后的FSS在中心频率处具有较好电磁干扰屏蔽能力和较高角稳定性。最后，制作并测试了优化后的FSS样品。

电力物联网（PIoT）中智能电表产生了大量电力数据。然而，这些数据在计算、存储和传输过程中的保密性是一个亟待解决的问题。因此，本文提出一种具有隐私保护功能的电力资源调度框架（PRDF），该框架采用基于云雾协同的无证书聚合签密方案。通过使用假名和聚合用户的电力数据，PRDF不仅保护用户隐私，还降低传统云计算的计算成本和通信开销。此外，如果控制中心（CC）发现用户提交了异常数据，它可以向用户管理中心（UMC）发送请求，以追踪用户真实身份。本文方案满足随机预言机模型的私密性和不可伪造性。此外，通过仿真将该方案和其他聚合签密方案进行比较。仿真结果表明，该方案在计算开销方面优于传统方法。

比起具有转储功能的传统路由技术，网络编码能节省网络资源且速度快。但在实际应用场景中，网络编码容易受到污染攻击和伪造攻击。本文针对这些问题提出面向网络编码的无证书广播多重签名（NC-CLBMS）方法，每个源节点用户生成对消息向量的多重签名，中间节点将接收到的数据线性组合。NC-CLBMS是一种多源的多重签名方法，具有抗污染和防止伪造攻击的功能；此外，它还具有固定的签名长度和较高的计算效率。本文设计的NC-CLBMS在无人机通信网络、5G无线网络、无线传感器网络、移动无线网络和车联网等方面具有广泛应用前景。

视距（line-of-sight，LoS）概率预测对于无线通信系统的性能优化至关重要。然而，由于无人机等飞行器飞行高度从十几米到数千米不等，空地（air-to-ground，A2G）通信的LoS概率预测具有挑战性。本文针对A2G场景，提出一种高度相关的经验性LoS概率模型。在模型参数估计之前，设计了一种基于K近邻（K-nearest neighbors，KNN）的策略对LoS和非视距（none-line-of-sight，NLoS）路径进行分类。然后，开发了一种基于双层反向传播神经网络（back propagation neural network，BPNN）的参数估计方法来建立每个模型参数与无人机高度之间的关系。仿真表明该模型获得的结果与射线追踪（ray trancing，RT）数据、实测数据和标准模型结果具有良好一致性。该模型还可提供比其他LoS概率模型更广泛的适用高度，能够应用于各种A2G场景下的不同通信高度。

为降低传统多目标天线拓扑优化问题的计算量，本文提出一种基于竞争的二进制多目标灰狼优化算法（CBMOGWO）。该方法引入种群竞争机制，以减轻电磁（EM）仿真的负担并获取适当的适应度值。此外，我们引入余弦振荡函数来改进原始二进制多目标灰狼优化算法（BMOGWO）的线性收敛因子，以在探索和开发之间达到良好平衡。然后，通过与原始BMOGWO和传统二进制多目标粒子群优化（BMOPSO）在12个多目标优化测试问题（MOTPs）和4个多目标背包问题（MOKPs）上比较，验证了CBMOGWO的性能。最后，通过具有高维混合设计变量和多个目标的紧凑型高隔离双频多输入多输出（MIMO）天线的示例，验证了我们的方法在降低计算成本方面的有效性。实验结果表明，与传统方法相比，CBMOGWO节省近一半的计算成本，这表明我们的方法对于复杂天线拓扑优化问题是高效的。它为基于多目标进化算法（MOEA）以灵活高效的方式探索新的和意想不到的天线结构提供了新思路。

在一类简单的神经元电路不同支路嵌入光电管和热敏电阻来设计一种功能性神经元。通过光电管的光电流和流经热敏电阻的通道电流可以控制神经元电路的场能量。神经元的放电模态同时依赖于外界光照和温度。在不同的光照和温度刺激下，两个功能神经元存在能量差。因此，在场能量传递和交换过程中神经元之间开始建立突触连接并相互耦合。我们提出两种规则来讨论神经元之间突触耦合增强问题，神经元之间的能量差控制着神经元之间突触耦合强度的增长和突触电流变化，且神经元之间的同步有利于维持神经元之间的能量平衡。第一类规则类似于饱和增益法，即神经元在达到完全同步之前其突触耦合强度以恒定的增益周期性增长。第二类规则指出神经元突触耦合强度以恰当的增益呈现指数型增长，直到神经元之间达到能量平衡。两个不同的神经元在突触耦合增强的过程中可以实现相位同步。两个完全相同的神经元即使在噪声环境下，神经元耦合突触按照第二类规则增长强度依旧可以有效实现完全同步和能量平衡。此结果表明神经元突触更倾向于以指数型方式来增长其耦合强度。这些研究结果有助于揭示外界刺激如何唤醒和激活神经元之间的突触连接，进一步理解突触耦合电流时变的特性。潜在的生物物理机制在于外界差异性的刺激打破了神经元之间的能量平衡，因此突触耦合不断被增强来实现神经元之间能量动态平衡。这些研究结果为设计和训练智能神经元电路提供了思路，即通过设置梯度性能量分布来调控耦合通道。