随着物联网技术的发展，其设备安全问题凸显，特别是物联网环境中隐身和多态性入侵问题面临巨大的挑战。针对此挑战，提出基于DCNN-EQLv2的物联网入侵检测模型用于检测物联网中的隐身和多态性入侵。该模型融合深度神经网络(DCNN)与均衡损失函数(EQLv2),用EQLv2损失函数替代传统交叉熵损失函数，结合SMOTE缓解类别不平衡问题，从而提高检测模型的鲁棒性和准确性。最后在基于IoT的NIDS数据集上对模型进行训练和测试，实验结果表明，与其他检测模型相比，本文模型性能优异，在NF-UNSW-NB15-v2数据集分类精度达到了99.67%。
复杂环境下电源设计繁琐，难以满足直流电源应用需求，设计了一种镜像直流可调稳压电源电路，对电源基本五大模块(变压器降压、单相桥式整流、大电容滤波、LM317稳压以及基准源电路)使用Multisim对电源进行设计与仿真。通过基准源电路解决了LM317无法从0 V开始调节的问题，再根据LM317的特性选择合适的芯片进行镜像电路设计。与传统电源设计相比，本设计通过双通道滑动变阻器协同调节，可独立控制正、负极性输出电压，从而满足实验室内对小幅度电压的需求，为各类小功率电路的电源设计提供了有效的解决方案。
会话推荐旨在通过匿名用户的短期交互行为实时预测其偏好。针对现有会话推荐方法在捕捉复杂的物品依赖关系以及融合多粒度特征方面存在不足的问题，提出一种基于双图协同学习与Transformer的残差会话推荐模型(DGTR-SR)。该模型通过门控图神经网络对会话内的动态转移图进行建模，从而捕捉局部点击模式；同时利用图注意力网络对全局共现图建模，挖掘会话中潜在的物品关联关系。接着将二者输出特征直接相加实现异构信息互补。在此基础上，模型进一步引入可学习的CLS标记作为会话代理，并借助单层单头Transformer编码器提取会话级全局语义，从而增强对用户整体意图的感知能力。最后将局部兴趣(最后点击项)与全局会话表示(CLS标记输出)经线性变换后，再通过残差连接优化特征融合过程，从而提升训练稳定性与表达能力。实验结果表明，所提出的DGTR-SR模型在Diginetica、Yoochoose1/64和Yoochoose1/4数据集上的表现优于其他的推荐模型。
大多数晶圆缺陷分类模型都依赖于卷积神经网络，利用局部归纳偏置以最少的参数量学习图像的特征。但仅用局部信息使得模型无法更深层次的理解图像特征的整体关系。为了改善上述问题，本研究提出了一种基于MobileVIT网络改进的SwinLite-ViT(Swin-based Lightweight Vision Transformer),并对晶圆缺陷进行了分类。首先，在Transformer结构的基础上，引入卷积分支，通过自适应参数动态的建模全局信息与局部信息。此外，将传统的Transformer结构替换成Swin-Transformer结构以进一步将空间归纳偏置引入Transformer结构，以提升模型的收敛效果。通过构建改进的MobileVIT网络，实现晶圆缺陷的分类。在MIR-WM811K数据集上仅以2.57M的参数量取得了94.1%的平均准确率，平均准确率相较于基准模型MobileVIT提升约2%。
本文提出一种求解稀疏优化问题的非精确牛顿追踪算法。新算法能利用硬阈值算法去识别非零元素，为加速收敛，在包含非零元素的子空间上使用非精确牛顿法。证明了算法的每个稳定点都是α稳定点。在标准假设下，证明了使用非单调线搜索技术的算法具有二次收敛性。通过数值实验与现有的先进算法作比较，说明新算法具有优秀收敛性。
超级电容器(Supercapacitors, SCs)因其高功率密度、长循环寿命及快速充放电特性，被视为一种极具潜力的储能器件。本研究通过原位聚合法和水热法相结合，成功制备了具有一维纳米结构的聚吡咯/聚苯胺/硫化铜(Polypyrrole/Polyaniline/Copper Sulfide, PPCS)三元复合材料。探究了投料比对材料微观形貌及电化学性能的影响，并采用循环伏安法、恒电流充放电法及电化学阻抗谱对材料进行了三电极体系下的电化学表征。实验结果表明：PPCS-2电极片在1 A g-1电流密度的比电容达329.4 F g-1,10 A g-1时显示出62.5%的倍率性能；在200 mV s-1扫描频率下经6 000次循环后，电容保持率为85.8%,PPCS-2电极还表现出良好的循环稳定性。进一步将PPCS-2组装成对称型超级电容器后，器件在1 A g-1时的比电容为152.0 F g-1,在10 A g-1时倍率性能达76.8%,经循环8 000次后拥有105.1%的电容保持率，具有优异的电化学性能。该超级电容器用电极材料的研究为未来高循环稳定性储能器件的开发提供了新策略。
精确的节点边际电价预测(Locational Marginal Price Forecasting, LMPF)对电力市场参与者的经济效益、电力系统的稳定运行和资源的有效配置至关重要。然而，由于节点边际电价(Locational Marginal Price, LMP)的非平稳性和突变性，许多现有的基于长短期记忆(Long Short Term Memory, LSTM)神经网络的预测模型仍不足以达到实际应用所需的精度。本文采用基于双量子激发的灰狼优化算法(Quantum-inspired Grey Wolf Optimization, QGWO)改进的LSTM神经网络模型的分层方法(HD-QGWO-LSTM)进行节点边际价格预测。该分层方法包括三层：顶层完成节点边际价格的数据处理，包括缺失值输入、离群值检测和校正；中间层是QGWO优化的支持向量机(Support Vector Machine, SVM),用于对节点边际电价进行模式分类；底层是一个双重QGWO改进的LSTM模型(QGWO-LSTM),用于预测实际节点的尖峰电价和正常电价。所提预测方法基于新英格兰电力市场数据进行了测试，测试结果表明，所提方法具有较好的预测精度。
为解决多元时间序列数据中的缺失值填补问题，提出了一种基于深度神经网络生成模型的缺失值填补方法。该方法设计了VAE-LSTM框架模型，将LSTM网络嵌入到VAE的编码器和解码器中，以捕捉多元时间序列数据的潜在结构和时间依赖关系。通过概率性建模，模型在潜在空间中生成数据分布，并利用解码器采样重建数据，从而实现缺失值的生成式填补。在模型训练过程中，采用了KL退火策略、双向LSTM网络和批归一化等技术，以加速训练并提升填补精度。在三个实际数据集上的实验结果表明，VAE-LSTM在填补准确性上显著优于对比模型。具体而言，模型在三个数据集上的MAE指标分别较基线模型提升了10.48%、6.49%和14.19%,RMSE指标分别提升了17.06%、9.1%和13.25%。
在基于知识增强的交通预测方面，现有知识增强方法难以表征交通知识时间动态性。因此，本文提出关系-属性时序知识表示(RAT-KR),据此构建时序交通知识图谱(RAT-KG)。在此基础上，设计时间感知图注意力知识嵌入模块(TGA-KE),在注意力计算中显式引入时间信息以学习关系权重的动态变化，并将该模块以特征融合方式接入GWNet与STAEFormer,形成TGA-GWNet与TGA-STAEFormer两种知识增强模型。实验结果显示，所提方法在提升预测精度的同时，加快了模型收敛，并为预测结果提供了更直观的解释。
空气质量指数(AQI)是评价区域环境空气质量状况的重要指标，可为大气污染防控与治理提供科学依据。以惠州市2013年12月～2019年12月的空气质量监测数据为基础，采用Stata软件建立基于气象因素的多元线性回归模型，研究各项污染物指标(PM2.5、PM10、SO2、CO、NO2和O3)及气象因素(平均风速、平均温度、相对湿度和降雨量)对惠州市空气质量指数的影响。通过模型拟合、统计检验和修正，确定影响惠州市空气质量的主要污染物为PM2.5、NO2和O3,并据此提出改善惠州市空气质量的针对性建议。