传统、新型岩土工程问题诸如压缩空气含水层储能、充气截排水技术、二氧化碳地质封存、油气地下储备工程等均涉及气水两相流与应力耦合. 针对这一工程实际，根据非饱和土气水两相渗流-应力弱耦合理论，开发了基于TOUGH2与FLAC3D的气水两相渗流-应力耦合计算搭接程序. 该计算程序能够较为真实地模拟气水两相渗流问题，能够探讨流动过程中气水的相互作用及其对过程的影响. 程序考虑了气水两相渗流与土体骨架变形直接的相互作用，反映了这一过程中孔隙度、渗透率、毛管压力和土体物理力学参数的变化，实现了更为完善的气水两相渗流与应力弱耦合分析. 通过与经典的排水试验和模型试验对比，验证了该程序可以较为准确地模拟气水两相流-应力之间的相互作用.

大多复合故障诊断方法视复合故障为一种新的单一故障类型，忽视了内部单一故障的相互作用、故障分析粒度含糊和解释性差. 为了解决复合故障难解耦的问题，针对工业环境中复合故障数据极少的情况，提出一种基于改进Transformer的复合故障解耦诊断方法. 诊断流程分为预处理、特征提取和故障解耦3个步骤. 故障解耦引入Transformer的解码器，利用交叉注意力机制使得每个单一故障标签可以在提取的特征层中，自适应地关注到与故障特征相对应的判别特征区域，进一步预测每个单一故障标签的输出概率以实现复合故障解耦. 设计多组复合故障试验与业界先进算法进行对比，以验证方法的有效性. 结果表明，所提方法在少量单一故障训练样本和极少量复合故障训练样本情况下，有较高的诊断准确度. 当训练集中复合故障样本数仅为5时，复合故障诊断准确度达到88.29%，与其他方法比较更具有显著优势.

目标检测模型在电子元件生产环境中的实时检测能力不佳，为此采用GhostNet替换YOLOv5的主干网络. 针对电子元件表面缺陷存在小目标及尺度变化较大的目标的情况，在YOLOv5主干网络中加入坐标注意力机制，在避免大量计算资源消耗的前提下增强感受野，将坐标信息嵌入通道注意力中以提升模型对目标的定位. 使用加权双向特征金字塔网络结构替换YOLOv5特征融合模块中的特征金字塔网络(FPN)结构，提升多尺度加权特征的融合能力. 在自制缺陷电子元件数据集上的实验结果表明，改进的GCB-YOLOv5模型平均精度达到93%，平均检测时间为33.2 ms，相比于原始YOLOv5模型，平均精度提高了15.0%，平均时间提升了7 ms，可以同时满足电子元件表面缺陷检测精度与速度的需求.

为了增加新闻推荐的辅助信息并提高预测精度，提出基于Transformer和知识图谱的新闻推荐方法. 为了结合新闻语义信息和实体信息，利用自注意力机制获取新闻单词之间和新闻实体之间的联系，采用加法注意力机制捕捉单词和实体对新闻表示的影响. 考虑到用户对新闻的偏好具有时序性特点，引入Transformer以捕捉用户点击新闻间的关联信息及用户兴趣随时间的变化情况. 利用知识图谱中的高阶结构信息，融合候选新闻邻接实体，提升候选新闻嵌入向量所含信息的完整性. 在2个版本的MIND新闻数据集上与5个典型推荐方法的对比实验表明，注意力机制、Transformer和知识图谱的引入提高了算法在新闻推荐方面的表现.

针对多智能体追逃问题，提出基于优先经验回放和解耦奖励函数的多智能体强化学习算法. 将多智能体深度确定性策略梯度算法（MADDPG）和双延迟-确定策略梯度算法（TD3）相结合，提出多智能体双延迟-确定策略梯度算法（MATD3）. 针对多智能体追逃问题中奖励函数存在大量稀疏奖励的问题，提出利用优先经验回放方法确定经验优先度以及采样高价值经验. 设计解耦奖励函数，将奖励函数分为个体奖励和联合奖励以最大化全局奖励和局部奖励，提出DEPER-MATD3算法. 基于此算法设计仿真实验，并与其他算法对比，实验结果表明，该算法有效解决了过估计问题，且耗时相比MATD3算法有所减少. 在解耦奖励函数环境下该算法训练的追击者的全局平均奖励升高，追击者有更大的概率追击到逃逸者.

保证焚烧烟气在大于850 ℃区域内停留2 s以上是保证垃圾稳定燃烧和避免二次污染的重要途径，但目前只采用炉膛出口热电偶测温对其定性评估，难以定量计算和预测烟气在高温区域停留时间. 本研究基于热力学计算方法、运行参数关联性分析和多种机器学习算法（反向传播神经网络、循环神经网络、随机森林算法），对我国某典型生活垃圾循环流化床焚烧锅炉开展了烟气高温段（>850 ℃）停留时间计算、关键运行参数关联计算和停留时间预测模型构建等研究. 结果表明，炉膛温度、一二次风温度和压力等10个关键运行参数与高温烟气停留时间具有强关联性和预测性. 循环神经网络预测模型相对最优，其拟合度及准确性较反向神经网络、随机森林算法更高，均方根误差(MSE)为0.11626，预测值与真实值的平均绝对误差为1.174%. 本研究可以用于预测炉内高温区域烟气温度变化，为炉内焚烧工况优化和污染物减排超前调控提供支撑.

针对现有的结构化图像超分辨重建算法大多只能解决特定单一种类的结构化图像超分辨问题，提出一种基于改进Transformer的结构化图像超分辨率网络（TransSRNet）. 该网络利用Transformer的自注意力机制在空间序列中挖掘大范围的全局信息. 采用沙漏块结构搭建空间注意力单元，关注低分辨率空间和高分辨率空间在局部区域的映射关系，提取图像映射过程中的结构化信息，使用高效通道注意力模块对自注意力模块和空间注意力模块做特征融合. 在高度结构化CelebA、Helen、TCGA-ESCA 和TCGA-COAD数据集上的模型评估结果表明，相较于主流超分辨算法，TransSRNet整体性能表现更好. 在放大因子为8时，人脸数据集和医学峰值信噪比（PRNR）可以分别达到28.726、26.392 dB, 结构相似性（SSIM）可以分别达到0.844、0.881.

为了提高软件的开发效率，目前已出现应用人工智能技术进行智能化开发的趋势，如何理解程序语义是智能化开发中需要重点解决的问题. 针对该问题，出现了一系列程序表示学习的研究，程序表示学习可以自动地从程序中学习有用的特征，将特征表示为低维稠密向量，高效地提取程序语义并使用于相应的下游任务. 对程序表示学习的研究工作进行综述，介绍了主流的程序表示学习模型，包括基于图结构和基于token序列的程序表示学习框架. 展示了程序表示学习技术在缺陷检测、缺陷定位、代码补全等任务上的应用，总结了程序表示学习的常用工具集和测试集. 分析了程序表示学习未来需要应对的挑战.

针对当前区块链Kademlia网络研究中通常以牺牲安全性为代价提升可扩展性的问题，提出基于小世界理论的区块链Kademlia网络改进方法. 该方法遵循小世界理论的思想，提出置换扩容节点的概率公式，概率与节点间距离呈反比，节点置换次数和额外增加的节点数量可以根据实际情况灵活调整. 通过理论分析和实验验证，证明了采用该方法改造的网络能够达到最终的稳定状态. 实验结果显示，利用该方法将全网广播交易消息时须经历的传输层级减少了15.0%~30.8%，加快了定位节点的速率. 与其他改变网络结构的优化算法相比，该方法降低了网络的结构化程度，增强了网络的安全性.

针对现有基于深度学习的印刷电路板（PCB）缺陷检测算法无法同时满足精度和效率要求的问题，提出基于YOLOv3改进的AT-YOLO算法来检测PCB缺陷. 将主干网络替换为ResNeSt50，提高特征提取能力，减少参数量. 引入SPP模块，融合不同感受野的特征，丰富了特征的表达能力. 改进PANet结构替换FPN，插入SE模块提升有效特征图的表达能力，增加1组高分辨率特征图的输入输出，提升对小目标物体的敏感程度，检测尺度由3个增加到4个. 使用K-means算法重新聚类生成锚框尺寸，提高了模型的目标检测精度. 实验证明，AT-YOLO算法在PCB缺陷检测数据集上的精度均值AP_0.5达到98.42%，参数量为3.523×10⁷，平均检测速度为36帧/s，满足精度和效率的要求.

针对内河港口背景复杂、类间尺度差异大和小目标实例多的特点，提出基于多头自注意力机制(MHSA)和YOLO网络的船舶目标检测算法(MHSA-YOLO). 在特征提取过程中，基于MHSA设计并行的自注意力残差模块(PARM)，以弱化复杂背景信息干扰并强化船舶目标特征信息；在特征融合过程中，开发简化的双向特征金字塔结构，以强化特征信息的融合与表征能力. 在Seaships数据集上的实验结果表明，与其他先进的目标检测方法相比，MHSA-YOLO拥有较好的学习能力，在检测精度方面取得97.59%的平均均值精度，MHSA-YOLO对复杂背景船舶目标和小尺寸目标的检测更有效. 基于自制数据集的实验结果表明，MHSA-YOLO的泛化能力强.

针对以往剩余使用寿命（RUL）预测方法对轴承退化信息挖掘不充分、忽视不同特征贡献度差异，影响预测准确性的问题，提出基于多尺度特征与注意力机制的轴承RUL预测方法. 在多个尺度下计算轴承原始振动信号的若干时域和频域特征，作为输入特征集. 将多尺度特征集输入到网络中，以注意力模块为不同特征自适应地分配最佳权重，以卷积神经网络（CNN）模块进行深层特征提取与多尺度特征融合，通过前馈神经网络（FNN）模块映射得到RUL预测值. 通过公开的轴承数据集进行实验验证，与其他RUL预测方法相比，所提方法的预测性能更优越.

针对现有疲劳状态检测方法无法适用于疫情防控下的驾驶员，利用改进后的YOLOv5目标检测算法，对驾驶员的面部区域进行检测，建立多特征融合的疲劳状态检测方法. 针对公交驾驶特性，建立包含佩戴口罩和未佩戴口罩情况的图像标签数据. 通过增加YOLOv5模型的特征采样次数，提高眼、嘴、面部区域的检测精度. 利用BiFPN网络结构保留多尺度的特征信息，使得预测网络对不同大小的目标更敏感，提升整体模型的检测能力. 结合人脸关键点算法提出参数补偿机制，提高眨眼、打哈欠帧数的准确率. 将多种疲劳参数融合归一化处理，开展疲劳等级划分. 公开数据集NTHU和自制数据集的验证结果表明，该方法对佩戴口罩和未佩戴口罩情况均可以进行眨眼、打哈欠识别，可以准确地判断驾驶员的疲劳状态.

针对现有火灾检测算法检测精度不佳和算法模型复杂度过高的问题，提出基于改进GhostNet-FCOS的火灾检测算法. 该算法以目标检测网络FCOS为基础，降低通道维数并选用GhostNet作为特征提取网络，以实现轻量化火灾检测算法. 引入动态卷积，在不增加网络宽度和深度的情况下优化主干网络的基础模块，提高对形态多变的火焰图像的特征提取能力. 增加空间注意力模块，优化网络空间特征的表达. 改进正负样本定义和回归损失函数，优化训练过程中算法模型对标注框内不同区域的关注程度. 在自建火灾数据集和公开数据集中的实验结果表明，该算法在检测精度和模型复杂度方面具有优势. 该算法在自建火灾数据集中的检测精度为90.9%，参数量为4.58×10⁶，浮点计算量为31.45×10⁹.

针对考虑运输时间的柔性作业车间调度问题，以最小化最大完工时间为优化目标，提出自适应樽海鞘群算法. 设计基于随机密钥方法的3层编码方案，将编码的离散解空间连续化. 引入惯性权重评价跟随者之间的相互影响程度，增强算法的全局探索与局部搜索能力. 提出自适应更新领导者-跟随者种群数量策略，根据种群迭代状态对领导者和跟随者的数量进行自适应调整. 在邻域搜索中引入禁忌搜索策略，防止算法陷入局部最优. 通过基准算例测试，验证了算法的有效性和优越性，发现AGV数量对完工时间的影响符合边际效应递减的规律.

研究金融领域基于自然语言查询的结构化查询语言(SQL)生成问题(Text-to-SQL), 构建一个金融领域Text-to-SQL数据集，称为SOFT数据集. 该数据集覆盖了金融领域的常见查询，具有鲜明的特点，并对Text-to-SQL提出了挑战. 提出金融领域Text-to-SQL模型FinSQL，该模型优化了对金融领域复杂查询的支持. 通过分析一类复杂计算查询（行计算查询）的特点，提出一种基于分治的方法，即先将一个行计算查询分解为若干个子查询，分别针对每个子查询生成SQL语句，再将子查询的SQL语句组合在一起得到原始查询的SQL语句. 在SOFT数据集上进行验证，结果显示，本研究所提的方法在复杂查询上效果优于已有方法. 特别地，所提出的模型FinSQL能够较好地支持行计算查询.

为了提高一体式刀座系统的承载性能，采用数值模拟与试验研究相结合的方法，对一体式刀座系统受载状态进行分析. 结合滚刀的自动拆装过程，研究一体式刀座系统各结构参数间的联动关系及不同结构参数对其承载性能的影响. 基于正交试验权矩阵分析法，对显著影响一体式刀座系统承载性能的结构参数进行优化. 结果表明，正交试验各因素对一体式刀座系统承载性能的影响程度从大到小依次为：转动块颈部圆角半径、转动块宽度、刀轴与转动块转轴竖直距离. 得到一体式刀座系统综合性能最优方案为：转动块宽度107.5 mm，转动块颈部圆角半径60.0 mm，刀轴与转动块转轴竖直距离97.5 mm. 优化方案较原始方案整体最大变形降低了11.31%，端盖最大应力降低了34.07%，转动块最大应力降低了41.01%.

为了解决传统车联网空间众包中集中式空间众包服务器不可信和易遭受攻击给用户隐私带来极大威胁的问题，提出区块链架构下具有隐私保护的车联网空间众包任务分配方法. 基于区块链技术，设计分布式可信的车联网空间众包系统. 采用多密钥全同态加密算法实现任务分配，支持对不同车辆用户 (密钥) 的密文数据进行任务分配，降低隐私泄露的可能性. 实验分析表明，采用该方法能够有效地保护用户隐私信息，任务分配的计算时间开销与现有研究方法相比下降了34.3%，提高了任务分配的效率.

为了提高数控加工中的机床效能和加工效率，探究深度强化学习在加工参数优化问题中的适用性，提出一种基于深度强化学习的数控铣削加工参数优化方法. 选取切削力合力和材料除去率作为效能和效率的优化目标，利用遗传算法优化反向传播神经网络（GA-BPNN）构建切削力合力和铣削参数的优化函数，并采用经验公式建立材料除去率的优化函数. 应用竞争网络架构（Dueling DQN）算法获得切削力合力和材料除去率多目标优化的Pareto前沿，并结合优劣解距离法和熵值法从Pareto前沿中选择决策解. 基于45钢的铣削试验，验证了Dueling DQN算法用于加工参数优化的有效性，相比经验选取加工参数，通过Dueling DQN优化得到的加工方案使切削力合力降低了8.29%，加工效率提高了4.95%，为加工参数的多目标优化方法和加工参数的选择提供了指导.

为了在多模态图像检索任务中建立文本特征与图像特征的相关性，提出基于语义增强特征融合的多模态图像检索模型（SEFM）. 该模型通过文本语义增强模块、图像语义增强模块2部分在特征融合时对组合特征进行语义增强. 在文本语义增强模块建立多模态双重注意力机制，利用双重注意力建立文本与图像之间的关联以增强文本语义；在图像语义增强模块引入保留强度和更新强度，控制组合特征中查询图像特征的保留和更新程度. 基于以上2个模块可以优化组合特征使其更接近目标图像特征. 在MIT-States和Fashion IQ这2个数据集上对该模型进行评估，实验结果表明在多模态图像检索任务上该模型与现有方法相比在召回率和准确率上都有所提升.