已建成的Bayesian网与领域环境间可能存在较大偏差，加之领域本身固有的动态变化特性，因此在观察到新数据时，改善Bayesian网的性能和优化网络结构是十分必要的.提出了一种基于遗传算法的Bayesian网(包含结构和参数)求精算法.该算法基于上次的求精结果把已有的不完备数据转化成完备数据，以期望充分统计因子作为已有数据的主要存储形式，基于本次求精过程中的当前最佳个体对新数据进行完备化，并由遗传操作综合利用新数据和已有数据进行求精.模拟实验结果表明，该增量学习算法能较有效地从不完备数据中求精Bayesian网.

贯序最小优化(SMO)算法是解决大数据集支持向量机学习问题的一种有效方法，但SMO选择工作集的策略是选择数据集中最违背KKT条件的两个样本，而且还使用了随机函数，使得优化过程具有很大的随机性，影响了学习效率.在多拉格朗日乘子协同优化的通用公式基础上，吸收了Keerthi所提出的SMO修改算法中双阈值的优点，给出了乘子数为4时的一个算法MLSVM4，由于能更加精确地确定待优化样本的拉格朗日乘子值，使得学习收敛速度大大提高，特别是在使用线性核的场合下效果更加明显，在Adult、Web、手写体数字数据集上的实验结果表明，MLSVM4算法速度超过了SMO算法3到42倍.

P2P流媒体是一种性价比良好的流媒体服务体系.由于Peer节点的服务能力有限，在大规模的系统应用中，源服务器的带宽等资源仍可能成为系统的瓶颈.基于P2P分层流媒体，研究如何在Peer节点之间对数据层进行优化分配，以减少对源服务器带宽的占用，该优化问题属NP难问题.提出了两种算法：一种是基于多目标优化的近似算法，分析了该算法的近似比；另一种是基于分枝定界的精确算法，它利用计算二分图中的最大流值来确定分枝上界及被裁剪的分枝.仿真实验表明两种算法都有较大的性能改进，且精确算法中的分枝定界策略有较高的效率.

UML活动图可以表示不同抽象级的控制流,很适合用于对系统的行为建模.但是缺乏精确的语义使得难以对它所表示的系统行为进行分析.XYZ/E是一可执行线性时序逻辑语言,既可描述系统的动态行为又可表示程序性质,用它对活动图形式化后,就可在统一的逻辑框架下分析活动图的性质.定义了一个有向图结构用以表示UML活动图,再给出其XYZ/E语义,并用一个例子说明活动图到XYZ/E的语义转换，为进一步的分析提供形式化基础.

一个好的数据库逻辑设计目标是消除数据冗余以及插入、删除和更新异常.对于时态数据库也是如此.提出了时态初等函数依赖、时态初等关键字、时态简单关键字等概念,在此基础上利用具有多时间粒度的时态函数依赖(TFD)约束对时态数据库进行了规范化研究,提出了规范程度高于时态三范式低于时态Boyce-Code范式的时态初等关键字范式(TEKNF)及时态简单范式(TSNF),并研究了时态初等关键字范式和时态简单范式的分解问题,给出了相关分解算法,并对算法的可终止性、正确性进行了证明,对时间复杂度进行了分析.

聚类分析是数据挖掘领域的一项重要研究课题.随着数据量的急剧增加，针对大数据集的聚类分析成为一个难点.虽然k均值算法具有易实现、复杂度与数据集大小成线性关系的优点，将其应用于大数据集时仍然存在效率低的问题.分布式聚类是解决这一问题的有效方法.在已有分布式聚类算法k-DMeans基础上，结合向量内积不等式关系对算法加以优化，提出分布式聚类算法k-DCBIP. 理论分析和实验结果表明，算法k-DCBIP优于k-DMeans，可以有效地解决大数据集聚类问题，算法是有效可行的.

基于数据流数据的挖掘算法研究受到了越来越多的重视.针对分布式数据流环境,提出基于核密度估计的分布数据流离群点检测算法.算法将各分布节点上的数据流作为全局数据流的子集,通过分布节点与中心节点的通信,维护基于全局数据流的分布密度估计.各分布节点基于该估计对其上的分布数据流进行离群点检测,从而得到基于全局数据流的离群点集合.对节点之间的交互以及离群点检测算法的细节进行了讨论.通过实验验证了算法的适用性和有效性.

这是一个新的基于网格的聚类算法.通过逐级二分每个网格成为等体积的两部分，算法使用新的标准度量所有格之间的不相似性，并借此找到数据集中聚类原型的候选，能够克服目前基于网格聚类算法的聚类结果对输入参数敏感的缺点，并且以线性的计算时间耗费，在包含任意形状和密度分布不均匀类的数据集中运行得很好.通过两个实验验证了所提出算法的有效性.

利用生物质谱技术进行肽/蛋白质鉴定是蛋白质组学研究中的关键问题. 提出了一种基于支持向量机(SVM)的肽鉴定算法pepReap.算法由粗细两层打分体系构成，粗打分利用匹配谱峰总强度和数目及肽长度等信息得到候选肽序列的列表，细打分通过SVM算法综合利用多项匹配指标如离子相关性、离子匹配误差、肽序列信息等对粗打分结果进行评价，得到更为可靠的肽鉴定结果.在SVM的参数选择过程中，采用马修斯相关系数来评价分类性能以适应不平衡数据集的情况.在公开发表的数据集上的实验表明，该算法与采用阈值评价方法的流行商业软件SEQUEST相比，在鉴定精度相当的情况下可以获得更高的鉴定灵敏度.

提出一种基于多模态粒子群算法的神经网络集成方法，在网络训练每个迭代周期内利用改进的快速聚类算法在权值搜索空间上动态地把搜索粒子分为若干类，求得每一类的最优粒子，然后计算最优个体两两之间的输出空间相异度，合并相异度过低的两类粒子，最终形成不但权值空间相异、而且输出空间也相异的若干类粒子，每类粒子负责一个成员网络权值的搜索，其中最优粒子对应于一个成员网络，所有类的最优粒子组成神经网络集成，成员网络的个数是由算法自动确定的.算法控制网络多样性的方法更直接、更有效.与负相关神经网络集成、bagging和boosting方法比较，实验结果表明，此算法较好地提高了神经网络集成的泛化能力.

提出一种关于Bayes网络的解释机制，用于解释证据对推理结论的作用程度、方向及路径.引入必要性和充分性因子作为度量来评价证据对推理结论的作用程度；通过定性分析网络结构特点，找出与推理结论有关的节点，在此基础上，结合定量分析找出组成作用路径的子链，并分析这些子链对推理结论的作用，由此生成和解释证据对推理结论的作用路径.实验结果验证了方法的有效性.

流形学习有助于发现数据的内在分布和几何结构.目前已有的流形学习算法对噪音和算法参数都比较敏感，噪音使得输入参数更加难以选择，参数较小的变化会导致差异显著的学习结果.针对Isomap这一流形学习算法，提出了一种新方法，通过引入集成学习技术，扩大了可以产生有效可视化结果的输入参数范围，并且降低了对噪音的敏感性.

提出一种动态未知环境中机器人自主导航方法，利用少量的人类辅助避免了繁琐的地图描述.该方法分两个阶段：用户引导阶段和自主导航阶段.在用户引导阶段，利用多种传感器信息融合生成局部环境的粗略的极坐标地图，利用它可以得到全局地图，还给出了消除传感器数据误差的方法；在自主导航阶段，利用引导阶段得到的地图在动态环境中进行运动，并给出了运动控制的约束条件以及动态避障的方法.机器人利用该方法可以处理突发的障碍物，还能对路径进行优化，实验结果证明了其有效性.

虚拟原型逼真设计是近几年发展起来的新技术，主要研究虚拟环境下的产品建模问题以及基于仿真的集成产品和过程设计问题.产品功能结构方案推理机模型是虚拟原型逼真设计实现的关键技术之一.针对功能模块组合方案优化问题的复杂性，研究了基于遗传算法(GA)的功能结构方案推理机模型的实现技术，提出了双链异或杂交算子和自适应调节杂交概率和突变算子选择等算法，结合仪表产品设计应用实例，验证了模型的优越性，并将其应用于仪表新产品开发决策支持系统——仪表LC-QDPDS软件系统中.

在移动IP和RSVP相互集成的方案中，为减少RSVP路径切换延迟，降低端-端路径代价，公共路由器的选择是一个关键.提出了一个适应的公共路由器选择算法(adaptive common router selection algorithm，ACRS)，在满足应用连接QoS(quality of service)需求的前提下，利用控制参数λ在RSVP路径切换延迟和端-端路径代价之间取得平衡.通过与其他相关RSVP路径切换方案的性能比较，结果表明ACRS可以支持适应的、快速的RSVP路径切换.

支持多自治域协作的安全通信环境是大规模分布式应用的基础，群通信由于高效、可伸缩等特点，成为这种协作环境的一种基本通信方式.然而，由于没有集中的控制中心，实体分别隶属于异构的自治域且动态变化，引发了大量新的安全访问控制问题.针对多域协作的异构性和动态性特点，提出一套基于角色的分布式信任管理的解决方案，重点解决了动态联合授权以及基于属性的委托授权.在此基础上建立了一套较完整的安全通信体系，包括安全策略的协商、信任证的颁发、信任证与安全策略的一致性验证以及用户访问权限论证等.它为多域协作环境的群通信提供了更加灵活、可靠、安全的访问控制模式.

组播转发状态随组播组个数线性增长导致组播路由协议的扩展性较差.分析了已有的用于稀疏模式组播的转发状态组内压缩方案存在的问题，提出了一个新的压缩方案.该方案根据组播树上分支路由器的位置和个数，动态调整组播转发表项中各个接口的格式，进一步减少了转发状态占用的存储空间.

Petri网是一种描述及分析并发行为的工具，在安全协议的形式化分析中得到了广泛的应用.作为一种特殊的安全协议，不可否认协议虽然已得到了多种形式化方法的分析，但还没有人使用Petri网来分析它们.以一般安全协议的Petri网分析方法为基础，提出了使用Petri网分析不可否认协议的建模及分析方法，该方法可以描述并分析一些其他形式化方法无法描述的协议性质.使用该方法分析Zhou和Gollmann于1996年提出的一个公平不可否认协议，可以发现该协议的一个许多其他形式化方法不能发现的已知缺陷.

近年来越来越多的机器学习算法被应用到入侵检测中.但是在网络入侵检测系统(NIDS)中，随着网络规模和速度的增加，一般机器学习算法难以满足入侵检测系统实时性的要求，这也是困扰机器学习算法在入侵检测领域进一步实用化的主要瓶颈之一.为了增加网络入侵检测系统的可用性和实时性，提出了一种基于自组织特征映射(SOFM)的网络入侵检测系统，并且在此基础上实现了一种面向提高入侵检测效率的快速最近邻搜索算法VENNS，以减少系统训练和系统检测时间开销.在DARPA1999入侵检测评估数据的基础上，进行了系统的综合性能评价和对比分析.实验证明，系统在维持较低误报率的基础上取得较高的检测率；系统效率大大提高：训练时间开销大约达到改进前的1/4，检测时间开销则约达到改进前的1/7.

为了保护内部网络的安全，必须设置应用边界安全设备. Internet上不同的应用安全域间要实现信息资源的安全访问，首先需要认证. Kerberos是目前比较常用的认证协议，一般的应用边界安全设备(如Socks5)中就应用了该认证协议，但应用该协议存在一定的缺陷：在应用边界安全设备链的认证过程中，资源域中的应用边界安全设备认证对象是主体域中的应用边界安全设备，而不是真正发起资源请求的客户端，因此资源域中的应用边界安全设备审计的对象是主体域中的应用边界安全设备，而不是真正的客户端.在Kerberos域间认证的基础上，给出了新的域间认证协议以及身份传递协议，使用新的协议不仅能够提供应用边界安全设备对用户访问请求的安全审计而且只需要两次域间的网络连接，这两次域间网络连接不需要主体和客体直接进行，而是通过应用边界安全设备完成的，提高了系统的通信效率，扩大了该系统的应用范围，适合于现有的企业网环境，能有效地解决企业网与企业网之间的信息安全传输.

在分布式拒绝服务(DDoS)攻击时，网络中数据包的统计特征会显示出异常.检测这种异常是一项重要的任务.一些检测方法基于数据包速率的假设，然而这种假设在一些情况下是不合理的.另一些方法基于IP地址和数据报长度的统计特征，但这些方法在IP地址欺骗攻击时检测率急剧下降.提出了一种基于隐马尔可夫模型(HMM)的DDoS异常检测方法.该方法集成了4种不同的检测模型以对付不同类型的攻击.通过从数据包中提取TCP标志位，UDP端口和ICMP类型及代码等属性信息建立相应的TCP，UDP和ICMP 的隐马尔可夫模型，用于描述正常情况下网络数据包序列的统计特征.然后用它来检测网络数据包序列，判断是否有DDoS攻击.实验结果显示该方法与其他同类方法相比通用性更好、检测率更高.

对于规模对等网络，搜索是一个必备的基本功能，但同时是一个困难而又富于挑战性的问题.提出一种基于学习的搜索方法——SmartSearch. SmartSearch采取分布式的被动学习方式，从历史搜索结果中学习节点之间的兴趣相似度，将节点按照兴趣分类，在具有相似兴趣节点之间建立朋友关系.搜索请求首先转发到朋友节点，当其失效后利用广播进行搜索.模拟测试表明，SmartSearch稳定高效，相比传统算法在低开销情况下性能有数量级的提高.

提出了一种新的基于支持向量机(support vector machine，SVM)的数字音频水印算法.主要思想是在宿主音频中嵌入一段模板信息，定义模板信息与宿主音频之间的一种对应关系，将水印的检测问题转化为一个可用SVM处理的二分类问题, 利用SVM对先验知识(对应关系)的学习，以达到对未知数字音频水印的正确分类检测.仿真实验结果表明，该数字音频水印具有较强的健壮性和不可感知性，在受到MP3压缩、低通滤波、重采样/量化、噪声干扰等常用信号处理方法的处理后，能正确检测出水印,同时在水印检测时不需要原始音频，实现了水印的盲检测.

提出了一种基于连续Adaboost算法的多视角人脸检测方法.人脸按其三维姿态被划分成若干个视点子类，针对每个子类使用Haar型特征设计了具有连续致信度输出的查找表型弱分类器形式，构造出弱分类器空间，采用连续Adaboost算法学习出基于视图的瀑布型人脸检测器.为了提高检测速度，使用了多分辨率搜索和姿态预估计策略.对于正面人脸检测，在CMU+MIT的正面人脸测试集合上检测的正确率为94.5%，误报57个；对于多视角人脸检测，在CMU侧面人脸测试集合上检测的正确率为89.8%，误报221个.在一台Pentium Ⅳ 2.4GHz的PC上，处理一幅大小为320×240的图片平均需80ms.实验结果表明该方法十分有效，具有明显的应用价值.

将计算几何的三角划分方法引入指纹匹配，研究了一种基于DT(Delaunay triangulation)网的指纹匹配方法.通过对细节点的拓扑结构进行DT划分，把空间上位置相近的细节点按照一定规则相连，得到三角形网格.然后基于该网格寻找若干参考点对，并根据获得的参考点对将两幅指纹图像进行姿势调整.最后使用获得的参考点对实现基于点模式的指纹匹配.算法在第1届中国生物特征识别竞赛指纹组的测试结果证明了有效性.

线性分类器由于其简单性和易扩展成非线性分类器的特性，使其成为统计模式识别中最常用的方法之一.正则化的Ho-Kashyap线性分类算法(MHKS)采用了支持向量机最大化间隔的思想.现有的线性分类器大都是针对向量模式的，要应用于矩阵表示的模式，如人脸图像等必须首先将矩阵模式转换成向量模式.但如此至少会带来3个不足：①原有矩阵模式的空间或结构信息可能会遭到破坏；②由于权向量的维数等于输入模式的维数，当输入模式维数很大时，权值的存储空间相应地会很大；③对于大维数的模式，当样本数不多时，利用线性分类器易导致过拟合.受到已有面向矩阵的特征提取方法的启发，设计出面向矩阵模式的双边正则化Ho-Kashyap分类算法MatMHKS，克服了以上不足.与MHKS相比，在ORL数据库、Letter数据集、UCI机器学习部分数据集上实验都取得了更好的分类性能.

通过基于单幅图像的建模方法或者基于立体像对的建模方法，可以恢复图像序列中每一幅图像或者立体图像对对应的模型.但所得的是局部模型，并非物体的完整模型.针对这一问题，提出了一种基于图像建模的多视图模型合并策略.根据建筑物模型的规整性，在从单幅图像恢复出建筑物模型的基础上，给出了一种简单灵活、易于实现的针对建筑物的多视图合并方法，从而得到完整的场景模型.该方法大致分为建立视图公共坐标系链表、坐标转换、顶点合并、模型合拢等几部分.从整个过程来看，该方法系统、完善，实验结果显示每一步的操作都是可行的，并且是有效的.

在基于内容的图像检索中，不同图像特征反映了图像不同侧面的内在特性，如何有效地组织和利用这些特征从而提高系统的检索性能是一个值得研究的课题.首先提出了特征互补率的定义，通过计算互补矩阵有指导地选择融合特征集.实验结果表明，互补矩阵能够很好地估计特征之间的补充能力.同时提出了基于平均检索精度的特征线性融合方法，并在一个包含12000张异质图像的大型图像库上与当前图像检索中最常用的几种方法进行了对比实验，结果表明这种方法具有更高的精度.