随着互联网技术飞速发展和大数据时代到来，越来越多网络空间安全文本出现在互联网上。这些文本不仅包括安全概念、事件、工具、指南和政策，还包括风险管理方法、最佳实践、保证和技术等。整合大规模、异构和非结构化的网络空间安全信息，对网络空间安全实体进行识别和分类，有助于处理和解决网络空间安全问题。由于网络空间安全领域文本的复杂性和多样性，使用传统的命名实体识别（NER）方法难以识别该领域中的安全实体。本文介绍该领域NER的各种方法和技术，包括基于规则的方法、基于字典的方法和基于机器学习的方法，并讨论该领域NER研究面临的问题，如实体词组的结合与分离、非标准化的命名约定、缩写和大量嵌套等。最后，提出NER在网络空间安全方面的3个研究方向：（1）应用无监督或半监督技术；（2）开发更全面的网络空间安全本体；（3）应用更加有效的深度学习模型。

在评估驾驶风格时，对驾驶行为的标准化至关重要。本文对车辆的纵向控制进行了研究。通过归一化任务将不同环境中的驾驶行为映射到统一条件下。前人工作采用必要的驾驶员模型进行驾驶循环测试；与这种基于模型的方法不同，我们提出的方法在遵循标准速度曲线时使用自动编码器直接对驾驶行为进行标准化。为确保车速和驾驶行为之间满足正相关约束条件，在编码器和解码器之间设计了门控函数。所提方法无需模型且高效。测试结果验证了该方法与已有方法的一致性。同时，测试了其在驾驶行为和燃料消耗分析的定量评估中的应用。仿真结果验证了所提方法的有效性。

对于与流场相关的设计优化问题，例如飞机和汽车空气动力学设计，计算流体力学（CFD）模拟通常用于预测流场并分析性能。虽然CFD模拟十分重要，但它的迭代计算非常需要计算资源且极其耗时。昂贵的模拟开销限制了大范围设计空间的探索，并阻碍了实时的交互式设计。在本文中，我们提出FlowDNN模型，它是一种新颖的深度神经网络，可从CFD结果中高效地学习流场表示。FlowDNN根据给定的流动条件和几何形状可以直接预测预期的流场结果，从而极大地节省计算时间。FlowDNN首次结合了流体力学的基本守恒定律和注意力机制进行定常流场预测。这样做不仅可以提高预测准确性，而且可以维持预测流场的物理一致性，这对于CFD模拟至关重要。本文设计了多种指标以评估FlowDNN预测的整体流场和关键区域的结果（如流场快速变化的边界层）。实验结果表明，FlowDNN明显优于其他方法且具有更短的推理时间和更准确的结果。它与最新的GPU并行求解器相比，生成流场的速度提升14 000倍以上，同时保持预测误差在5%以内。

近年来，多智能体系统在解决复杂环境中各种决策问题方面取得显著进步，并已实现与人类相似甚至更好的决策性能。本文从任务挑战、技术方向和应用领域3个角度简要回顾多智能体协作和博弈相关技术。首先回顾近期多智能体系统工作中的典型研究问题和挑战，然后进一步讨论关于多智能体协作和游戏任务的前沿研究方向，最后对多智能体协作与博弈的应用领域进行重点展望。

多智能体强化学习长期以来一直是机器学习和控制领域的重要研究课题。最近在（单智能体）深度强化学习领域的进展重新唤醒了对多智能体强化学习的研究兴趣，尤其在理论分析方面。本文回顾这个大课题中的一个子领域：带有网络智能体的去中心化多智能体强化学习。在这一场景中，多个智能体在一个共同的环境中进行序贯决策，无需中心控制器的协调，且智能体被允许和它们在通信网络上的邻居交换信息。这样的一个模型在很多方向都有相关应用，包括机器人控制、无人车控制、移动传感器网络控制、智能电网，等等。本综述旨在覆盖和整理我们和其他科研人员在这一方向的相关工作。我们希望该综述能够激发更多研究热情，投入到这个激动人心却又充满挑战的领域。

网络空间安全急需解决的3个技术问题是：网络攻击检测的及时性和准确性、安全态势的可信评估和预测以及安全防御策略优化的有效性。人工智能算法已成为网络安全应用增加安全机会和提高对抗能力的核心手段。近年来，人工智能技术的突破和应用为提高网络防御能力提供了先进的技术支持。本综述对2017至2022年间人工智能技术在网络空间安全领域的最新应用进行了全面回顾。参考文献来源于各种期刊和会议，其中52.68%的论文来自Elsevier、Springer和IEEE期刊，25%来自国际学术会议。本综述重点介绍了机器学习、深度学习和一些流行的优化算法在该领域的最新应用进展，对算法模型的特点、性能结果、数据集、以及潜在的优点和局限性进行了分析，强调了现存的挑战。本工作旨在为想进一步挖掘人工智能技术在网络空间安全领域应用的潜力、解决特定网络空间安全问题的研究人员提供技术指导，掌握当前技术和应用的发展趋势以及网络安全领域的热点问题。同时，本综述对当前面临的挑战提供了有效应对策略和方向。

在多用户系统中，系统资源应分配给不同用户。在传统通信系统中，系统资源通常包括时间、频率、空间和功率，因此广泛使用诸如时分多址（TDMA）、频分多址（FDMA）、空分多址（SDMA）、码分多址（CDMA）、非正交多址（NOMA）之类多址技术。在被认为是下一代通信系统新范式的语义通信中，我们从语义角度，以基于模型的人工智能方法，从信源中提取高维语义域特征，并针对信源和信道特征联合构建模型信息空间。从模型信息空间中挖掘语义信息的共性化和个性化信息，提出一种新的基于语义域资源的多址技术，称为模分多址（MDMA）。从信息论角度，证明模分多址比传统多址技术获得更多性能提升。仿真结果表明，模分多址比传统多址技术节省更多带宽资源，并且在低信噪比条件下，在加性高斯白噪声（AWGN）信道中，相比非正交多址具有至少5 dB的性能优势。

私有（或半私有）协议广泛应用于工业控制系统（ICS）。通过逆向工程推断协议格式对于许多网络安全应用（例如程序测试和入侵检测）具有重要意义。传统协议逆向工程方法耗时，繁琐、易出错。最近提出的自动化逆向协议方法既不能有效处理基于网络流量分析的二进制ICS协议，也不能从协议程序实现中准确提取协议字段。本文提出一个工业控制系统协议逆向工程框架（ICSPRF），旨在以更高准确度提取ICS协议字段。ICSPRF基于以下关键见解架构：消息中单个字段通常在同一执行上下文中处理，例如基本块（BBL）组。通过监视程序的执行，ICSPRF可以在执行跟踪中收集每个BBL组中处理的污染数据信息，并将它们聚类以得出协议格式。用6个开源ICS协议实现评估所提方法。结果表明，ICSPRF可以高精度地识别各个协议字段（平均匹配率为94.3％）。ICSPRF还具有较低粗粒度匹配率和过细粒度匹配率。对于同一指标，ICSPRF比Autoformat更准确（后者对于所有评估协议匹配率为88.5％，对二进制协议匹配率为80.0％）。

本文研究了多智能体系统如何通过实施异步脉冲控制输入实现分布式二分领导跟随一致性。所提出的异步脉冲控制方法不要求所有多智能体的脉冲信号同时发生。多智能体系统相邻节点之间的通信链路存在合作或竞争关系。在领导者控制输入非零的情况下，得到了在闭环多智能体系统中实现二分异步脉冲跟踪一致性的充分条件。本文讨论了更广泛的异步脉冲效应范围。所设计的控制器反馈部分可有效对抗脉冲扰动。给出了估计脉冲增益边界和异步脉冲区间的简单代数条件。最后，通过数值仿真验证了理论结果的合理性。

对于人工系统中涌现出的复杂功能，理解自然界中生物群体行为的内在机制至关重要。本文对生物集群中的一个关键问题—追逃围捕问题进行了全面的综述。首先，从博弈论、控制论与人工智能、生物启发3个不同视角对追逃围捕问题进行了回顾。然后，概述了生物系统和人工系统中追逃围捕问题研究进展，其中捕食者的追捕行为和猎物的逃避行为被概括为捕食者—猎物行为。之后，分别从强追捕者组vs.弱逃避者组、弱追捕者组vs.强逃避者组、相同能力组3个角度分析追逃围捕问题在人工系统中的应用。最后，讨论了未来追逃围捕问题面临的挑战和发展展望。本文为多智能体系统和多机器人系统在不确定动态场景下完成复杂狩猎任务的设计提供了新的见解。

机器人需要更强的智能以胜任家居环境中的认知任务。本文提出一种新的云辅助家居服务机器人认知适应机制，它可以从其他机器人处学习新知识。在该机制中，在机器人处部署一种变化检测方法以检测用户家居环境变化，并触发认知适应过程，实现经云端从其他机器人处学习新知识。而认知适应是通过模型融合方法将知识从云端全局模型迁移至机器人本地模型得以实现。首先，提出3种不同模型融合方法执行认知适应过程，并给出影响模型融合方法的两个关键因素。其次，确定最适合云端至机器人知识转移的模型融合方法及其设置。再次，在一个变化的用户家居环境中进行案例研究，实验结果验证了所提方案的效率和有效性。基于实验结果，提出一种云端至机器人知识转移模型融合的经验准则。

本文旨在阐述复杂系统认知、管理和控制中人机互信的混合增强智能和知识自动化机制与应用。本文从复杂系统研究的发展历程出发，通过对复杂系统的特性、人工智能科技、人机混合增强智能科技及其在复杂系统管控中的必要性阐述，分析了人类智能、机器智能在复杂系统管控中的优势与局限性，并提出“人机互信知识自动化”的概念。以电力系统大电网调控为背景，阐述了未来人机混合智能在大电网调度中可能的技术路径和应用基础，并以潮流校正控制为例，说明人机知识自动化任务流程的完成过程。通过本文内容的阐述，希望对基于人机混合增强智能的复杂系统管理和控制的理论方法提供一种新的机制和应用路径，并对社会典型复杂系统管控的数字化、智能化建设起到积极作用。

盲签密能够保证签密消息的盲性和不可追踪性，可以同时实现盲签名和公钥加密。大多数盲签密都是基于传统数论问题。随着量子计算技术的发展，传统盲签密面临着严峻的安全威胁。作为有前途的抗量子计算候选密码系统，格密码系统在学术领域引起越来越多关注。本文通过将盲签密应用于格密码系统，提出一种后量子安全的格盲签密方案（PQ-LBSCS）。PQ-LBSCS具有格密码体制和盲签密技术的优点。在标准模型中PQ-LBSCS基于带错误学习问题和小整数解问题被证明是安全的。Matlab仿真结果表明PQ-LBSCS比已有方案更高效。PQ-LBSCS安全性强、计算效率高，使其在电子商务、移动通信、智能卡等领域具有广泛应用前景。

视频摘要已成为生成浓缩简洁视频的一种基础技术，该技术有利于管理和浏览大规模视频数据。已有方法并未充分考虑各视频帧之间的局部和全局关系，导致摘要性能下降。提出一种基于图卷积注意力网络（graph convolutional attention network, GCAN）的视频摘要方法。GCAN由嵌入学习和上下文融合两部分组成，其中嵌入学习包括时序分支和图分支。具体而言，GCAN使用空洞时序卷积对局部线索和时序自注意力建模，能有效利用各视频帧的全局线索；同时利用多层图卷积网络学习图嵌入，反映视频帧样本的本征结构。上下文融合部分将时序分支和图分支的输出信息流合并形成视频帧的上下文表示，然后计算其重要性得分，据此选择具有代表性的帧，生成视频摘要。在两个基准数据集SumMe和TVSum上的实验结果表明，相比其他多种先进方法，GCAN方法在3种不同评测环境下取得更优越的性能

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。

提出一种多重知识表示框架，探讨了其对推动大数据人工智能技术在各个领域中发展的重要意义及深远影响。传统知识表达和现代基于深度学习的知识表达通常着眼于利用特定变换方式，将输入转换为符号编码或者向量。例如，知识图谱关注于描述各个概念之间的语义联系，而深度神经网络更像是感知原始信号输入的工具。多重知识表达是一种更为先进的人工智能表征框架，具备更完整的智能功能，比如原始信号感知、特征提取及向量化、知识符号化和逻辑推断。多重知识表达有如下两点优势：（1）与现有以深度学习为主导的人工智能技术相比，具有更强的解释性以及更好的泛化能力；（2）将多重知识表达集成于现有人工智能技术，有利于各种表征（例如原始信号感知以及符号化编码）发挥互补优势。我们希望多重知识表达相关研究以及应用能够驱动新一代人工智能蓬勃发展。

电力调度是智能电网运行的一大核心问题，其目的是在满足时空变化的电力负荷条件下提供电网的最优运行点。这一功能需要在一天内每隔几分钟运行一次，因此快速、准确的调度决策方法至关重要。但是，由于问题的复杂性，可靠且高效的决策方法仍在不断探索的过程中。随着可再生能源的大规模并网以及灾害性气候的不断恶化，智能电网对调度决策方法提出了更为严苛的要求。近年来，以深度学习为代表的人工智能方法在不少领域取得巨大成功，因此深度学习也被电气工程领域寄予厚望，国内外研究者开始重新思考智能电网的调度决策问题。本文即从深度学习这一角度对智能电网调度决策相关研究进行综述，旨在促进智能电网领域发展的同时促进人工智能生态的发展。

近年来，云网络已成为支撑人们正常生产生活的重要基础产业。然而，随着云网络日益复杂化，网络故障越来越容易出现，并且造成巨大经济损失。因此，为保障云网络性能，防止故障造成恶劣影响，云网络故障诊断已成为云服务提供商的重点研究技术之一。由于云网络的特性（例如虚拟化和多租户），将传统网络诊断工具移植到云网络面临不少困难。此外，许多现有工具无法解决云网络的独有问题。本文总结了近年提出的可用于云网络生产环境的最先进的云网络故障诊断系统及工具，并根据其特点分类。此外，根据云网络特点，分析了云网络故障诊断与传统网络故障诊断的区别。考虑到云网络的实际生产需求，提出设计云网络故障诊断工具时应注意的要点。此外，讨论了云网络故障诊断在未来发展中面临的机遇与挑战。

光致旋转技术兴起于20世纪90年代。光镊为研究激光角动量提供了一个理想平台。近几十年来，光致旋转技术被广泛运用在光学微操控实验和生物与微流控领域。近年来，其在经典和量子物理领域的应用潜力引起人们广泛关注。本文回顾了光致旋转技术实验与应用进展。首先介绍了角动量的基本研究。其次，介绍了由轨道角动量引起的光致旋转技术的发展和应用，并给出自旋角动量的概念。最后，介绍了光致旋转技术在高真空光阱中的应用与前景。随着液体介质中精密光学操作技术的成熟，高真空光镊技术为高速微纳转子开辟了一条新道路。

在标准灰狼优化算法（GWO）中，搜索狼必须等到其他搜索狼与3个领导狼之间的比较完成后才能更新其当前位置矢量。正因为有此等待时间，标准GWO被视为静态GWO。为消除这种等待时间，提出两种动态GWO算法：第一种动态灰狼优化算法（DGWO1）和第二种动态灰狼优化算法（DGWO2）。在动态GWO算法中，当前搜索狼不需要等待所有其他搜索狼与领导狼的比较，在完成自身或前一匹搜索狼与领导狼的比较后，即可更新其位置矢量。动态GWO算法及时更新搜索狼的位置，提高了算法迭代收敛速度。以动态GWO算法结构为基础，对其他改进GWO算法也进行了一定的性能测验。实验证明，对同一改进GWO算法，以动态GWO结构为基础时的性能总体上优于以静态GWO结构为基础时的性能。

为获得最佳结果，从微阵列数据集中检索相关特征已成为特征选择（FS）技术的研究热点。本综述旨在全面阐述各种最新特征选择技术，同时介绍了基于微阵列数据集的处理多类分类问题的技术以及提高学习算法性能的不同方法。我们试图理解和解决数据集不平衡问题，以证实研究人员在微阵列数据集上的工作。对文献的分析为理解和强调在通过各种特征选择技术寻找最佳特征子集时存在的众多挑战和问题铺平了道路。同时提供了一个案例说明该方法的实施过程，该方法使用3个微阵列癌症数据集评估一些包装方法和混合方法的分类精度和收敛能力，以确认最优特征子集。

三元空间大数据一般定义为由其定义领域（包括数据、对象、任务、应用场景、主体等）所有元素组成的集合。可视分析是一种新兴的人在回路大数据分析范式，可利用人类感知提高人类认知效率。本文探讨三元空间大数据跨域可视化分析，强调三元空间大数据跨域性带来的新挑战——数据、主题和任务域，并提出一个新的可视分析模型和一套方法来应对这些挑战。

本文解决具有复杂形状的单扩展目标联合跟踪与分类（joint tracking and classification, JTC）问题。为描述复杂形状，首先利用随机超曲面模型（random hypersurface model, RHM）将空间扩展状态建模为星凸形状，并将其作为目标分类的特征信息。利用两个向量对目标状态建模，以减轻高维状态空间和严重非线性观测模型对目标状态估计的影响，并利用归一化傅立叶描述子的欧氏距离度量获得类别概率更新的解析解。因此，该方法被称为“JTC-RHM方法”。此外，为解决检测不确定和杂波情况下的单扩展目标JTC问题，将所提JTC-RHM方法整合到Bernoulli滤波框架中，提出JTC-RHM-Ber滤波算法。特别地，推导了该滤波算法的递推表达式。仿真结果表明：（1）与基于随机矩阵模型的JTC算法相比，所提JTC-RHM方法能更准确地对不同形状、相似大小的目标进行分类；（2）与基于星凸RHM的扩展目标跟踪算法相比，所提算法对目标状态性能估计更优；（3）所提JTC-RHM-Ber滤波算法在状态检测和估计方面具有良好性能，能够正确地实现目标分类。

提出一种启发式方法，通过随机有限集理论优化数据关联跟踪算法的后验密度。具体而言，提出一种改进的联合概率数据关联滤波方法，即最近邻集合联合概率数据关联方法（NNSJPDA）。为提高边缘化的准确性，利用一种基于Kullback-Leibler散度的最近邻方法，对所有可能的数据关联事件中的目标标签进行转换。此外，进一步考虑目标标签向量的分布。后验密度转换后，可得到目标标签向量的转移矩阵。该转移矩阵随时间变化，使得目标标签向量分布的传播遵循非齐次马尔可夫链。证明了该链本质上是双随机的，并推导了相应定理。通过举例和仿真，验证了所提方法的有效性。本文结果可推广到相同随机有限集框架下的其他数据关联方法。

光场成像因其解决计算机视觉问题的能力而备受关注。本文首先简要回顾了近年来计算机视觉的研究进展。对于影响计算机视觉发展的大多数因素来说，视觉信息获取的丰富性和准确性起着决定性作用。光场成像技术利用照相机或微透镜阵列记录光线位置和方向信息，获取完整三维场景信息，为计算机视觉研究做出巨大贡献。光场成像提高了深度估计以及图像分割、融合和三维重建的精度。光场成像还被创新地应用于虹膜和人脸识别、材料和虚假行人识别、极平面图像采集和形状恢复以及光场显微镜。我们进一步总结了光场成像技术在计算机视觉研究中存在的问题和发展趋势，如光场数据集的建立和评估、在高动态范围条件下的应用、光场增强和虚拟现实。光场成像在各种研究中取得巨大成功。在过去25年，超过180篇文献报道了光场成像在解决计算机视觉问题上的能力。我们梳理了这些文献，使研究人员更容易搜索有关解决方案的详细方法。

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。

本文研究了主动物品检测(AOD)问题。AOD是服务机器人在家庭环境中完成服务任务的重要组成部分，通过适当的移动动作引导机器人接近目标物品。目前基于强化学习的AOD模型存在训练效率低和测试精度差的问题。因此，本文提出一种基于深度Q学习网络的AOD模型，并设计了一种新的模型训练算法。该模型旨在拟合各种动作Q值，包括状态空间、特征提取和多层感知机。与现有研究不同，本文针对所提AOD模型设计了一种基于记忆的训练算法，以提高模型训练效率和测试精度。此外，提出一种最终状态生成方法判断训练过程中AOD任务何时停止。本文所提方法在AOD数据集上进行了充分的对比实验和消融实验。实验结果表明所提方法优于其他同类方法，所设计的训练算法比原始训练算法更高效。

随着日益增长的个人隐私和安全需求，基于生理信号的生物识别技术近年受到越来越多关注。心电信号（electrocardiogram, ECG）的活体采集性和信息隐蔽性使其具有极强抗攻击性。本文针对现有深度学习算法在心电身份识别领域应用中面临的3个主要瓶颈——超参数寻优费时、识别过程缓慢且计算量大、心电采集环境复杂且不稳定，提出一种新的深度神经网络框架，集双向长短期记忆网络（BLSTM）和自适应粒子群优化算法（APSO）于一体，直接从时序信号中学习待识别个体的关键特征表示。该方法避免了超参数选择寻优效率低下且依赖于经验设定的不足，充分利用时序信号的空间信息特征和识别算法对关键特征的记忆特性。为评估算法性能，设计了两种方案模拟个体ECG采集过程中的电极放置位置和采集时间连续性。经4种LSTM网络模型和机器学习算法的实验对比分析，证实所提算法在抑制过拟合和特征自学习方面存在一定优势，训练集、验证集和测试集的平均识别率分别为97.71%、99.41%和98.89%。实验结果表明，本文所提算法具有计算量小、泛化性能高的优势，可有效应用于个体身份识别。