卫星物联网是一种有潜力的技术，为分布在全球各地的大规模设备提供无缝覆盖，特别是在没有蜂窝网络覆盖的偏远地区，例如森林、海洋、山区和沙漠。一般而言，卫星物联网采用近地轨道卫星作为无线接入点，可以解决广覆盖问题，但也带来许多挑战。本文首先概述了卫星物联网的基本情况，重点介绍物联网的业务特点。然后，详细分析卫星物联网面临的海量连接、广覆盖、高移动、低功耗和小时延等挑战。进而对这些挑战给出可行的解决方案。具体而言，针对卫星物联网的特点和需求，设计了新的大规模接入协议和技术。最后，本文探讨了卫星物联网的发展趋势，以鼓励广大学者对这一领域开展进一步研究。

由于城市化和工业化的快速建设所带来的气体污染，气体传感器受到广泛关注。基于半导体金属氧化物（SMO）的气体传感器具有响应高、重复性好、稳定性好、性价比高等优点，已成为气体传感器领域极其重要的元器件。通常，具有规则结构和可控形态的材料表现出更稳定且可重复的性能。然而，由于微观世界的不可控性，在材料合成过程中纳米材料往往表现出不规则、不均匀等缺点。因此，具有规整结构的一维（1D）结构、二维（2D）结构和三维（3D）结构的气敏材料的合成受到广泛关注。为了定向获得具有理想形貌和尺寸的结构规整的纳米材料，低成本且操作简洁可控的模板辅助合成法是一种非常有效的策略。本文介绍了一维、二维和三维结构的SMO传感器的形貌和性能，讨论了各种形貌对气体传感器性能（响应和稳定性）的影响，为结构稳定、性能优异的气敏材料的合成提供了新的思路。

磁盘故障预测方法在单一问题上的解决方案十分成熟，例如磁盘异构问题、模型老化问题和小样本问题。然而，由于这些问题经常同时存在，只能处理其中一个问题的模型在实际预测中存在偏差。目前针对不同问题的解决方案经常相互冲突，然而现有磁盘故障预测方法通常简单地融合各种模型，缺乏在面对多个问题时对训练数据准备和学习模式的讨论。为此，提出一种多属性数据划分方法（MDP），来探索针对多个问题的训练数据准备。引入与模型无关的元学习算法（MAML），对被划分的多个数据子集进行多任务学习。基于这些改进，提出一种名为MDP-MAML的磁盘故障预测模型。MDP解决了数据不均匀划分和按时间划分的挑战，而MAML解决了针对多个问题小样本学习的问题。此外，MDP-MAML能够适应新出现的问题并进行学习和预测。在两个实际数据中心的数据集上，与最先进方法相比，MDP-MAML将曲线下面积（AUC）从0.85提升至0.89，将误检率（FDR）从0.85提升至0.91，将误报率（FAR）从4.88%降低至2.85%。

基于日志结构合并（LSM）树的键值（KV）存储系统可优化随机写入性能，并提高读取性能，因此被广泛应用于电子商务、在线分析和实时通信等现代数据存储系统。日志结构合并树将变更的KV数据存在内存中，批量刷新至内存，优化了随机写入效率，但是在系统意外崩溃时会有数据丢失。为了避免内存中的数据丢失，RocksDB在更新内存之前，会将数据写入写前日志（WAL）中。但是开启同步WAL后系统的写入性能会受到较大的影响。在本文中，我们分析了利用本地文件系统保存WAL的一些缺陷，在此基础上提出了一种新的WAL机制，该机制根据WAL文件的特性直接管理原始设备（或分区），避免了无用的元数据更新，同时保证了数据顺序写入磁盘。实验结果表明，对于固态硬盘（SSD）SSD上的小KV数据，MyWAL可以将RocksDB的数据写入性能提高5到8倍。在NVMe SSD和非易失性存储器（NVM）上，MyWAL可以将数据写入性能提高10%–30%。此外，YCSB的结果表明，与SpanDB相比，写入延迟降低了50%。

当多个处理器（CPU）核心和集成图形处理器（GPU）共享片外主存时，CPU和GPU应用程序会竞争关键内存资源，导致严重的资源竞争，并对系统整体性能产生负面影响。本文描述了CPU-GPU异构多核架构下共享内存资源的竞争情况，提出一种基于感知和预测的批处理共享内存请求调度策略。该策略通过感知请求缓冲区中CPU和GPU内存请求情况，估计GPU延迟容忍度，并通过批量处理CPU或GPU内存请求减少CPU和GPU之间的相互干扰。实验结果表明，CPU性能提升8.53%，相互干扰降低10.38%，该调度策略具有较低硬件复杂度。

自动可视化技术能够为不熟悉可视化设计的用户生成有意义的可视化，以支持他们的数据分析和模式发现需求。当前，主流的自动可视化方法采用聚合与过滤从原始数据抽取模式信息。然而，这些有限的数据变换并不能捕获聚类、关联等复杂的模式。尽管特征工程领域的最新进展为更加广泛的自动数据变换提供了可能，其结果却缺少可解释性，导致变换后的模式无法与原始数据特征建立联系。为应对上述挑战，我们面向自动可视化中广泛的数据变换类型，提出一种创新的可解释推荐方法。我们通过回顾既往文献总结可行的数据变换空间，通过开展预实验总结变换可解释性的度量。我们的推荐算法能够计算最优的数据变换，这种变换能够在维持可解释性的同时揭示数据的模式信息。真实场景下的使用案例与用户实验验证了我们方法的有效性。

在低光环境下拍摄的图像质量不佳，影响其进一步应用。为提升低光图像可视性，提出一种基于过滤—群聚注意力（FCA）的递归网络，其中主体由3个单元组成：差异关注、门控递归以及迭代残差。该网络对低光图像进行多阶段递归学习，进而提取更深层次特征信息。为算得更加精确的相关性，设计了一种关注特征通道突出性的FCA。FCA与自注意力被用以突出特征的低光区域与重要通道。此外，设计了密集连接金字塔（DenCP）来提取低光反转图的色彩特征，使图像的色彩信息损失得以补偿。在6种公开数据集上的实验结果表明，本文方法在视觉和指标上有着突出表现。

四元数代数已被应用于分数阶傅里叶变换（FrFT），形成了一种彩色图像处理的常用方法。然而，具有充分基本随机性的离散分数阶随机变换（DFRNT）仍有待研究。本文提出一种基于离散四元数分数阶傅里叶变换（DQFrFT）水印和三维混沌逻辑映射（3D-CLM）加密的彩色医学图像多级隐私系统。首先，描述了四元数DFRNT（QDFRNT），其将DFRNT推广用于四元数信号的有效处理，然后将QDFRNT应用于彩色医学图像自适应水印。为有效评估QDFRNT，本文推导了QDFRNT四元数信号与DFRNT信号4个分量之间的关系。利用人眼视觉系统（HVS）对彩色宿主图像边缘、纹理和色调的即时掩蔽性，以及QDFRNT彩色医学图像自适应水印和支持向量机（SVM）技术，自适应调整每个块的水印强度。此外，讨论了水印嵌入的约束条件，保持水印能量。其次，采用3D-CLM加密提高系统安全性和效率，使其可以作为多级隐私系统。仿真结果表明，所提出的安全系统能有效抵御多种类型的信道噪声攻击。

本文研究了共享出行背景下一类受限车辆路径问题，该问题以用户订单为核心，每个订单具有预约时间限制以及起始点、目的地两个位置点转换，是典型的具有时间、空间双重约束的扩展车辆路径问题。根据该问题特征，我们建立了以运营成本最低和用户体验度最高为目标的路径规划模型。为更精确地求解模型，根据用户的时间和空间属性定义了时空距离表示函数，进而提出一种嵌入时空距离的混合蚁群算法。该算法可分为两个阶段，首先通过时空聚类，以用户之间时空距离为主要衡量指标对用户进行分类，为问题求解提供启发式信息；其次结合劳动分工策略和时空距离函数，提出一种改进蚁群算法进行优化求解，以得到最终调度路线。基于现有数据集和实际城市环境的仿真案例进行数值实验。与其他启发式算法相比，该算法将基准实例中求得的最短路径长度降低2%–14%；与其他现存路径规划算法相比，该算法在测试实例上求得的综合成本更有竞争力。最后，利用两个实际的城市环境仿真案例进一步验证了所提算法的有效性。

本文展现了一种基于洛伦兹力驱动器和柔顺导向的精密厘米级定位器。通过使用一个额外的数模转换器（DAC）和运算放大器（op amp）电路，以及合适的控制器将定位精度提高到纳米级。首先，基于柔顺导向模型的刚度为驱动器设计了恰当的线圈。然后通过有限元分析（FEA）验证了柔顺机构和驱动器的性能。基于此，提出一种通过电子方式提升定位性能的方法及控制方案。最后，构建了原理样机并对其性能进行评估。该定位器的特色在于其在10 mm行程内实现10 nm分辨率。所提出的方案可以拓展适用于其他同类型系统。