针对受限通信条件下机器人群集协同控制问题，提出基于图卷积模仿学习的分布式群集控制策略. 该策略旨在实现群集内避障、速度一致性的基础上，提高群集鲁棒性，提升避免群集分裂的成功率. 提出基于熵评价的群集鲁棒性量化评价指标，建立节点和链路重要性的均衡分布与群集鲁棒性的联系. 提出重要度相关图卷积网络，用于实现受限通信条件下非欧氏数据的特征提取和加权聚合. 采用图卷积模仿学习方法，根据提升群集鲁棒性的要求设计集中式专家策略，通过对集中式专家策略的模仿，得到分布式群集协同控制策略. 设计仿真实验，证明所得的分布式策略基于受限通信条件实现了接近集中式的专家策略的控制效果.

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.

基于交通波模型，提出利用车牌识别数据估计城市道路自由流行程时间. 无需额外架设检测器或现场测算，所提方法具备准确性、科学性、实用性的特点. 基于车辆均匀到达的假设，将行程时间分为自由流行程时间和延误，建立信号影响下的路段行程时间分布函数. 针对现实环境中车流非均匀到达的特点，提出数据重采样方法生成符合均匀流假设的行程时间数据；拟合行程时间分布函数以获得路段自由流行程时间. 在杭州市多个路段的数据验证结果表明，重采样后的行程时间数据较好地拟合了行程时间分布模型，估得的自由流行程时间准确且具备理论支撑.

为了提高同时定位与建图（SLAM）系统在动态场景下的定位精度和鲁棒性，提出新的RGB-D SLAM算法. 建立基于重投影深度差值的累积模型，分割图像的动静态区域；为了避免动态区域过分割，先剔除与匹配地图点欧氏距离过大的动态区域特征点，再根据t分布估计其余特征点的静态概率；将静态区域特征点和动态区域的疑似静态点以不同权重加入位姿优化，得到提纯后的位姿. 在公开数据集上的实验结果表明，所提算法在动态场景下较改进前的RGB-D ORB-SLAM2算法的定位精度提升96.1%，较其他动态SLAM算法提升31.2%，有效提高了视觉SLAM系统在动态环境下的定位精度和鲁棒性.

针对传统故障诊断方法过于依赖人为经验的缺陷，提出小波变换和二维密集连接扩张卷积神经网络(WT-ICNN)的风电齿轮箱智能故障诊断方法. 所提方法将一维振动信号通过连续小波变换(WT)转换成二维故障图像；再将二维故障图像输入ICNN中进行训练和测试. 通过齿轮箱开源数据和风场实测数据验证结果表明，与传统故障诊断方法相比，所提方法采用密集连接的结构自适应特征提取时频图，有效加强了故障特征的利用效率；在对风电齿轮箱的故障诊断中，所提方法具有更好的特征复用能力和更高的诊断精度.

针对现有的垃圾图像分类模型实时性能差和分类精度低的问题，提出基于改进MobileNet v2的垃圾图像分类方法，构建以MobileNet v2为核心的轻量级特征提取网络. 通过调整宽度因子降低模型的参数量；在模型中嵌入通道和空间注意力模块，增强网络对特征的细化能力；设计多尺度特征融合结构，增强网络对尺度的适应性；利用迁移学习的方式优化模型参数，进一步提高模型精度. 实验结果表明，算法在自建数据集上的平均准确率为94.6%，分别高于MobileNet v2、VGG16、GoogleNet、ResNet50、ResNet101模型2.0%、3.4%、3.2%、2.3%、1.2%；所提算法在2种公共图像分类数据集CIFAR-100和tiny-ImageNet中均取得不错表现；模型参数量仅为0.83 M，体积约为基础模型的2/5，在边缘设备JETSON TX2上的单次推理耗时68 ms，实现了推理速度和预测准确率的提升.

为了研究区块链中用户私钥安全性的问题，以门限密钥共享技术作为研究基础，提出可公开验证密钥共享技术. 参与节点在收到密钥片段后对其进行验证，能有效防止分割密钥时主分割节点作恶; 在密钥恢复阶段，对参与密钥拼接的节点的密钥片段进行公开验证，防止密钥恢复阶段参与节点作恶; 在分发密钥阶段给参与节点添加身份IDs，从而可以对恶意节点进行追踪并实时更新节点状态; 设计动态门限机制，在持有密钥片段的节点离线后，密钥碎片的拥有者和主节点一起重新分配密钥碎片给新的参与节点，保证私钥碎片的完整性. 实验结果表明，该方案的私钥恢复率为80%，且具有门限特性、可追溯性、不可伪造性和可恢复性.

针对机器人使用固定传感器容易丢失跟随目标的问题，提出基于自适应随动机构的行人跟随方法.基于任务需求设计随动式感知机构视野评价指标；在传统规划策略的基础上，提出结合底盘方向的改进策略和基于视野深度加权的自适应角度规划策略，改进随动机构的运动目标跟随效果. 为了提高随动RGB-D传感器的行人位置跟踪效果，使用YOLOv3算法进行目标检测，结合三维坐标解算与位置度量匹配，实现多目标位置的实时跟踪. 基于Gazebo仿真环境与RoboMaster机器人，实现机器人行人跟随功能. 所提规划策略能够取得综合最优的评分指标，并实现机器人对运动行人目标稳定的轨迹跟随. 实验结果证明了所提目标跟随方法的有效性.

定义风载荷系数表达式，完成塔机在均匀风场和B类风场下12个风向角的计算流体力学（CFD）数值计算，得到塔身和起重臂的体型系数、角度风系数和风压高度变化系数，并与国内外规范进行对比.结果表明：不同风向角下，塔身横风向风载荷可以忽略，而起重臂的横向风载荷必须考虑；塔身角度风系数计算方法与欧洲钢结构设计规范一致，但与我国起重机设计规范相差较大，建议以欧洲规范定义塔身角度风系数；塔身和起重臂角度风系数对风场特征不敏感；塔机气动外形的影响使得风压高度变化系数在不同风向角下不一致并表现出放大效应.塔机抗风设计可参考风载荷系数参数特征.

为了提高第II类机器人混流装配线系统能效，界定工业机器人5种工作状态，量化不同状态下的机器人能源消耗值，引入关停策略和考虑产品切换，以最小化最大工作时间和能源消耗为目标，构建平衡与排序联合决策双目标优化模型. 设计改进的非支配排序遗传算法II，通过同类算法对比分析，验证改进算法的有效性. 结合算例，揭示关停策略和产品切换准备作业对机器人混流装配线系统的技术影响。关停策略能够减少能耗，在装配线平衡性下降时的效果愈加明显，最大能耗节约率达到16.68%；考虑产品切换准备作业的影响，有利于机器人混流装配线作业效率和能源消耗的整体优化.

为了提升自动驾驶汽车对周边环境的感知能力，提出优化DeepSort的前方多车辆目标跟踪算法. 采用Gaussian YOLO v3作为前端目标检测器，基于DarkNet-53骨干网络训练，获得专门针对车辆的检测器Gaussian YOLO v3-vehicle，使车辆检测准确率提升3%. 为了克服传统预训练模型没有针对车辆类别的缺点，提出采用扩增后的VeRi数据集进行重识别预训练. 提出结合中心损失函数与交叉熵损失函数的新损失函数，使网络提取的目标特征有更好的类内聚合以及类间分辨能力. 试验部分采集不同环境的实际道路视频，采用CLEAR MOT评价指标进行性能评估. 结果表明，与基准DeepSort YOLO v3相比，跟踪准确度提升1%，身份切换次数减少4%.

为了解决卷积神经网络(CNN)在语义分割特征提取阶段容易丢失空间信息以及边界信息不明确的问题，基于U-Net基线网络提出空间全局上下文信息网络(NC-Net). 增加再编码阶段(ReEncoder)，以增强空间信息识别能力. 在Decoder阶段输出多尺度特征，与ReEncoder阶段结合获取全局上下文信息. 保留边界损失函数，设计多尺度损失函数级联方法，优化整体网络. 在GID以及WHDLD数据集上的实验结果表明，该方法的总体准确度达到最好成绩，明显优于其他基线模型.

为了提升建筑能耗预测的精度、鲁棒性和泛化能力，提出树种算法（TSA）优化的径向基函数（RBF）神经网络与长短时记忆（LSTM）神经网络结合的混合预测模型. 采用基于自适应噪声的完全集成经验模态分解算法，将建筑能耗数据分解为1组本征模态函数（IMF）分量和1个残余分量，利用样本熵算法将各分量划分为高频分量和低频分量. 采用最小绝对收缩与选择算子（LASSO）方法进行特征选择. 分别利用TSA算法优化后的RBF模型与LSTM模型对低频分量和高频分量进行预测，并叠加重构得到最终预测结果. 模型评估结果表明，混合预测模型的精度为98. 72%. 相比于RBF、TSA-RBF、LSTM模型，所提模型的预测效果更好，且具有较强的鲁棒性和泛化能力，能够更为有效地用于建筑逐时电力能耗预测.

为了削弱由齿谐波引起的电磁力谐波从而有效抑制电机的电磁噪声，推导转子分段斜极的径向电磁力波的解析式，分析分段斜极对永磁同步电机电磁噪声的抑制机理，讨论不同斜极分段数与削弱的齿谐波阶次之间的关系. 基于MANATEE仿真平台，对48槽8极永磁同步电机进行不同斜极分段数下的径向电磁力波和电磁噪声仿真分析，得到斜极分段前后主要阶次的径向电磁力谐波在不同斜极分段数下的变化规律，分析分段斜极对电磁噪声的影响. 研究结果表明：当齿谐波阶次为分段数的整数倍时，转子斜极无法削弱该阶齿谐波；当为非整数倍时，该阶次的齿谐波可以得到有效抑制，电磁噪声明显下降. 样机的实测噪声与仿真结果基本吻合，验证了转子分段斜极降低电机噪声的机理及仿真分析的正确性.

为了适用于长期心电监护和ICU等实时性、数据密集型应用场合，提出可在8 Hz采样频率的1 min心电图（ECG）片段上提前45 min预测阵发性房颤（PAF）发作的实时预测模型. 采用概率符号化模式识别方法，在降采样后的ECG序列上提取出1 min窗口内的模式转移特征，降低模型的计算量和对存储空间的需求，确保实时预测的效果. 提出卷积神经网络（CNN）和长短-期记忆网络（LSTM）的混合模型（CNN-LSTM），用于提取模式转移特征内隐含的局部空间特征和时间依赖特征. 为了提升模型泛化能力，构建基于CNN-LSTM的集成分类器. 采用Spark Streaming技术完成对ECG流式数据的读、写和计算，实现数据和模型之间的低延迟通信. 所提模型在公开数据集上的准确率、灵敏度和特异度分别为91.26%、82.21%、95.79%. 模型处理总延迟平均为2 s，满足实时PAF预测需求.

针对数字孪生在可重构制造系统（RMS）的应用问题，提出面向RMS的数字孪生与制造仿真一体化平台（DTMSIP）架构. DTMSIP架构充分适配RMS动态重构特性，可以在RMS构型设计中实现仿真分析. 对面向RMS的数字孪生映射进行建模，通过引入孪生实体（TE），实现RMS车间的多源异构数据集成，并分别建立机床与构型的数字孪生映射. 建立数字孪生方法在RMS重构中的应用流程，通过信息物理融合迭代与构型仿真优化迭代，DTMSIP可以服务于RMS的系统重构. 为了验证所提出方法的可行性，使用虚幻引擎四（UE4）为一套实际的模块化RMS构建数字孪生平台，并将当前构型以及4种规划构型作为仿真输入. 通过分析重构成本、生产周期与系统平衡率3项指标，实现对构型的量化综合分析，实现了重构设计流程加速.

针对基于深度强化学习的交通信号控制方法存在难以及时更新交叉口信号控制策略的问题，提出基于改进深度强化学习的单交叉口交通信号控制方法. 构建新的基于相邻采样时间步实时车辆数变化量的奖励函数，以及时跟踪并利用交叉口交通状态动态的变化过程. 采用双网络结构提高算法学习效率，利用经验回放改善算法收敛性. 基于SUMO的仿真测试结果表明，相比传统控制方法和深度强化学习方法，所提方法能明显缩短交叉口车辆平均等待时间和平均排队长度，提高交叉口通行效率.

综合考虑公共充电设施与私人充电设施特性，根据行程时间、排队时间、等待时间、充电费用等计算车辆充电成本. 采用Logit模型刻画用户的充电设施选择行为，得到各交通小区到各公共充电站、私人充电桩的出行分布量. 以充电总成本最小化为目标，建立城市区域充电设施网络配置优化模型，设计充电设施的布局位置和容量；所得模型为非线性优化模型，可采用现有的求解器（如：Matlab优化工具箱中的相关函数）直接进行求解. 基于杭州市区内的局部路网构建2套算例，来验证提出的充电设施配置优化方法的可行性，并讨论研究区域内外公共充电设施与私人充电设施之间的交互影响. 算例结果显示：所建立的模型可为城市电动汽车充电设施的选址布局和容量设计提供定量决策参考.