以灵芝孢子粉为原料， 使用体积分数为70%的乙醇为提取剂， 采用酶解与超声辅助提取相结合的方法， 将不同液固比、 超声时间、 酶解时间和酶用量设定为4个因素， 进行单因素试验并设计响应面试验， 以确定最优提取方式及其影响因素.  利用大孔树脂层析法对灵芝三萜进行分离纯化， 通过优化分离纯化工艺， 确定最佳洗脱树脂、 洗脱液体积分数、 上样液流速以及上样液质量比. 采用高效液相色谱法分析灵芝总三萜的组分差异. 通过预实验分析，  与单一提取法相比， 酶+超声辅助提取更高效. 采用乙醇为提取剂提取灵芝中三萜类化合物可提高三萜的纯度.  最优条件下可实现对三萜含量的快速、 精确测定， 为灵芝三萜的分离纯化提供理论依据. 

考虑一类肿瘤-免疫模型, 讨论其平衡点的存在性条件, 并利用特征方程分析各平衡点的局部动力学稳定性, 证明该模型在相应条件下会发生Hopf分支. 通过计算第一Lyapunov系数得出: 如果系数不为零, 则模型发生Hopf分岔; 如果系数小于零, 则分岔是超临界的; 如果系数大于零, 则分岔是次临界的. 最后利用数值模拟验证理论分析结果.

针对当前网络攻击的复杂性和多样性, 传统模型提取流量特征不足且准确率较低的问题, 提出一种融合残差网络改进的CR-BiGRU混合模型的网络入侵检测方法. 首先将数据集进行归一化以及独热编码处理, 然后利用基于残差网络的卷积神经网络提取空间特征, 最后使用双向门控神经网络提取时间特征, 完成模型的训练并实现异常网络的入侵检测. 为表明模型的适用性, 基于数据集NSL-KDD和UNSW-NB15进行对比分析实验, 结果表明, 该方法基于上述数据集准确率分别达99.40%和83.79%, 明显优于经典网络入侵检测算法, 能有效提升检测网络入侵的精度, 从而更好保证网络数据的通信安全.

基于高效液相色谱（HPLC）法和网络药理学方法研究蒲公英中抗氧化活性成分及作用机制. 采用石油醚、 乙酸乙酯、 二氯甲烷和正丁醇等有机试剂分别提取中草药蒲公英的有效成分， 研究其抗氧化效果， 同时采用网络药理学多个在线数据库获取蒲公英抗氧化共有靶点， 构建 PPI网络, 并进行GO富集分析和KEGG信号通路富集分析.  结果表明： 蒲公英各相提取物对羟自由基（.OH）、 超氧阴离子自由基（O^2-.）和1,1-二苯基-2-三硝基苯肼自由基（DPPH.）均有一定的清除能力，蒲公英乙酸乙酯相提取物和蒲公英二氯甲烷相提取物的清除效果较好， 主要的抗氧化活性成分为异鼠李素和齐墩果酸； 线上数据库筛选出蒲公英抗氧化靶点有137个， 共有靶点主要集中在膜筏上， 通过细胞对无机物、 氮化物和营养水平的反应起抗氧化作用；  共有靶点与癌症信号通路、 NF-κappa B信号通路和PPAR信号通路等密切相关. 

针对自然语言处理中传统因果关系抽取主要用基于模式匹配的方法或机器学习算法进行抽取, 结果准确率较低, 且只能抽取带有因果提示词的显性因果关系问题, 提出一种使用大规模的预训练模型结合图卷积神经网络的算法BERT-GCN. 首先, 使用BERT（bidirectional encoder representation from transformers）对语料进行编码, 生成词向量; 然后, 将生成的词向量放入图卷积神经网络中进行训练; 最后, 放入Softmax层中完成对因果关系的抽取. 实验结果表明, 该模型在数据集SEDR-CE上获得了较好的结果, 且针对隐式的因果关系效果也较好.

针对细粒度图像分类中数据分布具有小型、 非均匀和不易察觉类间差异的特征, 提出一种基于注意力机制的细粒度图像分类模型. 首先通过引入双路通道注意力与残差网络融合对图像进行初步特征提取, 然后应用多头自注意力机制, 达到提取深度特征数据之间细粒度关系的目的, 再结合交叉熵损失和中心损失设计损失函数度量模型的训练. 实验结果表明, 该模型在两个标准数据集102 Category Flower和CUB200-2011上的测试准确率分别达94.42%和89.43%, 与其他主流分类模型相比分类效果更好.

间充质干细胞外泌体（MSC-Exos）是一类在实验研究及临床应用中具有巨大潜力的纳米级囊泡， 含有多种生物分子， 包括miRNA、 mRNA、 蛋白质和脂质等， 具有介导细胞信号传导和参与调控受体细胞的功能. 基于MSC-Exos的重要作用， 从研究进展及临床应用等方面综述MSC-Exos在促进组织修复、 免疫调节和神经保护方面的显著效果， 尤其在自身免疫性疾病、 神经退行性疾病、 心血管疾病及肿瘤方面的治疗中发挥重要作用， 并分析其临床应用面临一系列尚未解决的问题及应用普及的挑战， 包括阐明作用机制、 分离提取纯化技术、 制订标准化生产规则、 确定剂量和给药途径、 增强稳定性和降低免疫原性等， 为解决这些局限性， 实现MSC-Exos在临床上的广泛应用提供依据. 

用正算子扰动方法和锥上的不动点指数理论讨论具有非线性导数项的二阶常微分方程正2π-周期解的存在性. 在非线性项f(t,x,y)满足适当的不等式条件下, 得到了该方程正2π-周期解的存在性.

针对图像识别中获取全局特征的局限性及难以提升识别准确性的问题, 提出一种基于随机增强Swin-Tiny Transformer轻量级模型的图像识别方法. 该方法在预处理阶段结合基于随机数据增强（random data augmentation based enhancement, RDABE）算法对图像特征进行增强, 并采用Transformer的自注意力机制, 以获得更全面的高层视觉语义信息. 通过在玉米病害数据集上优化Swin-Tiny Transformer模型并进行参数微调, 在农业领域的玉米病害上验证了该算法的适用性, 实现了更精确的病害检测. 实验结果表明, 基于随机增强的轻量级Swin-Tiny+RDABE模型对玉米病害图像识别准确率达93.586 7%. 在参数权重一致, 与性能优秀的轻量级ransformer、 卷积神经网络(CNN)系列模型对比的实验结果表明, 改进的模型准确率比Swin-Tiny Transformer,Deit3_Small,Vit_Small,Mobilenet_V3
Small,ShufflenetV2和Efficientnet_B1_Pruned模型提高了1.187 7%~4.988 1%, 且能迅速收敛.

对水自由基阳离子及其团簇离子（(H₂O)⁺_n）反应的研究可更好地理解某些自然过程的机制， 如水溶液中的质子转移、 氢键形成、 DNA等生物大分子的破坏以及发现新的气相反应和产物. 此外，(H₂O)⁺_n在放射生物学中以及作为初级反应离子在选择性电离和提高分析灵敏度等分析领域均具有广阔的应用前景.  目前， 质子化水团簇和水合电子成键及结构研究较多， 但对具有超高的反应活性和极短寿命的(H₂O)⁺_n的分离和理化性质研究较少.  近期， 质谱技术、 分子光谱-质谱联合技术和高精度量子化学理论计算发展迅速， 基于此综述有关(H₂O)⁺_n的形成方法与产生机制、 结构理论模拟与实验验证、 化学性质分析以及应用研究等方面的进展. 

针对生化反应中的周期振荡现象, 讨论一类具有齐次Neumann边界条件的Schnakenberg模型. 利用Hopf分支理论、 中心流形理论、 规范型方法以及扰动理论等方法, 给出反应扩散Schnakenberg系统的Hopf分支周期解的存在性、 稳定性以及图灵不稳定性.

移动互联网信息无障碍（mobile Internet information accessibility, MIIA）旨在确保移动应用内容对所有用户（包括视障人士等）都能平等、 便捷、 无障碍地获取和使用. 系统综述移动互联网信息无障碍领域的最新研究进展, 重点分析总结移动端GUI(graphical user interface)语义表征与理解、 无障碍检测以及布局修复等方面的研究成果. 分析表明, 从传统启发式规则方法到深度学习驱动的自动化工具, 相关技术逐渐提升了检测的精度和适应性, 同时也揭示了在应对复杂动态交互和多样化用户需求方面的挑战, 并对未来研究方向进行了展望. 移动互联网信息无障碍技术已显著改善了视障用户的数字体验, 但仍需不断创新与优化, 以实现真正普惠与包容的数字社会.

以元学习为核心思想, 结合卷积神经网络和Transformer编码器构建一个三阶段表示学习模型. 为表达参考集中实体与任务关系之间的相互作用, 使用卷积神经网络获取关系元, 应用Transformer编码器增强查询集中的实体表示, 并设计了用于计算不完全三元组匹配度得分的处理器, 以解决小样本知识图谱补全问题, 即大规模知识图谱较稀疏, 而其中出现频率较低的长尾关系对应的实体对数量较多的现象. 在数据集NELL-One和Wiki-One上的实验结果表明, 该模型对大规模知识图谱中长尾关系对应的头尾实体的预测效果较好, 可实现知识图谱中实体和关系的高效特征表示生成和缺失实体补全.

首先, 建立一类包含无症状感染者传播模式的SEI₁I₂QR传染病模型; 其次, 通过下一代矩阵方法, 计算该模型的基本再生数, 对模型进行动力学分析, 并给出传染病灭绝和爆发的阈值条件； 最后, 结合病例数据进行数值模拟, 对模型参数进行灵敏度分析.

针对传统游戏智能体算法存在模型输入维度大及训练时间长的问题, 提出一种结合状态信息转换与奖励函数塑形技术的新型深度强化学习游戏智能引导算法. 首先, 利用Unity引擎提供的接口直接读取游戏后台信息, 以有效压缩状态空间的维度, 减少输入数据量； 其次, 通过精细化设计奖励机制, 加速模型的收敛过程; 最后, 从主观定性和客观定量两方面对该算法模型与现有方法进行对比实验, 实验结果表明, 该算法不仅显著提高了模型的训练效率, 还大幅度提高了智能体的性能.

随着深度学习技术的发展, 自动语音识别任务模型的参数数量越来越庞大, 使得模型的计算开销、 存储需求和功耗花费逐渐增加, 难以在资源受限设备上部署. 因此对基于深度学习的自动语音识别模型进行压缩, 在降低模型大小的同时尽量保持原有性能具有重要价值. 针对上述问题, 全面综述了近年来该领域的主要工作, 将其归纳为知识蒸馏、 模型量化、 低秩分解、 网络剪枝、 参数共享以及组合模型几类方法, 并进行了系统综述, 为模型在资源受限设备的部署提供可选的解决方案.

考虑组合优化问题中的经典问题旅行商问题(traveling salesman problem, TSP)的变体——足够接近的旅行商问题(close-enough traveling salesman problem, CETSP). 首先, 综合介绍TSP和CETSP的历史、 求解方法和算法, 包括精确算法（如分支定界法、 线性规划）和启发式算法（如粒子群优化、 贪心算法等）. TSP要求在给定城市列表和距离的条件下, 找到访问每座城市一次并回到起点的最短路径. CETSP是TSP的推广, 允许在每个目标的邻域内选择任意点进行访问, 而非精确位置, 适用于可容忍误差的实际应用, 如物流配送、 智能交通、 无线传感器网络等. CETSP具有更高的灵活性和适应性, 可大幅度减少计算资源和时间消耗, 特别在大规模问题中有更大优势. 其次, 介绍CETSP在实际应用中的潜力, 尤其在物流、 工业制造、 交通规划、 信息通讯等领域, 为提高效率、 降低成本、 推动智能化决策提供了有效解决方案. 最后, 指出了CETSP的一些未来研究方向.

针对有效保护用户隐私数据的问题, 提出一个基于两方安全计算的隐私保护逻辑回归训练方案, 以完成多个数据方共同进行联合建模的工作. 该方案首先优化了乘法三元组的生成过程, 减少离线阶段所需的时间； 然后对在安全多方计算中难以计算的激活函数, 使用近似函数进行代替； 最后将提出的协议向量化, 并对本地的矩阵计算采用CUDA(compute unified device architecture)加速. 使用不同的数据集测试在局域网和广域网中该隐私保护逻辑回归性能的实验结果表明, 该方案能使模型在较短的时间内收敛, 并增加了在实际场景中解决隐私保护机器学习相关问题的可能性.

考虑一类具有恐惧效应的时滞捕食者-食饵模型. 先利用特征方程和Lyapunov-LaSalle不变性原理, 证明当R(τ)≤1时边界平衡点的全局渐近稳定性；再利用时滞微分方程Hopf分支理论, 讨论当R(τ)>1时共存平衡点的稳定性和全局Hopf分支的存在性, 得到了恐惧效应与时滞会影响系统稳定性的结果；  最后通过数值模拟验证理论结果的正确性.

针对现有方法在腹部中小器官图像分割性能方面存在的不足, 提出一种基于局部和全局并行编码的网络模型用于腹部多器官图像分割. 首先, 设计一种提取多尺度特征信息的局部编码分支; 其次, 全局特征编码分支采用分块Transformer, 通过块内Transformer和块间Transformer的组合, 既捕获了全局的长距离依赖信息又降低了计算量; 再次, 设计特征融合模块, 以融合来自两条编码分支的上下文信息; 最后, 设计解码模块, 实现全局信息与局部上下文信息的交互, 更好地补偿解码阶段的信息损失. 在Synapse多器官CT数据集上进行实验, 与目前9种先进方法相比, 在平均Dice相似系数(DSC)和Hausdorff距离(HD)指标上都达到了最佳性能, 分别为83.10%和17.80 mm.

针对遥感图像的模糊问题, 设计一种基于非下采样剪切波变换与稀疏先验的图像复原算法. 首先, 利用遥感图像在非下采样剪切波分解下的高频图像的稀疏特性设置先验条件构造图像复原模型； 其次, 采用交替方向乘子法求解模型； 再次, 采用软阈值方法对高频图像进行约束处理, 在低频图像进行导向滤波处理, 以最大可能保留图像的细节信息； 最后, 将高频图像与低频图像进行重构, 对重构后的图像采用卷积神经网络进行深度去噪, 最终复原出清晰的图像. 将该去模糊算法与H-PNP,GSR,L2TV算法进行实验对比. 实验结果表明, 该算法能有效去除遥感图像中的模糊和噪声, 保留图像的边缘细节, 客观评价指标均高于其他3种对比实验算法.

首先, 基于Black-Scholes股票价格模型, 通过将资产回报率和波动率分别参数化为漂移网络和扩散网络, 建立神经随机微分方程(NSDE)模型；其次, 在实证分析中以标的资产为单只股票的期权作为研究对象, 采用真实的股票数据进行网络训练和测试, 实验结果表明, NSDE模型能克服Black-Scholes模型常数性假设的缺陷； 最后, 对于期权标的资产价格不可观测的情况, 提出可以将任意一个目标期权的价格和一个已知期权的价格约束在其风险中性等价鞅测度的Wasserstein距离内, 并在理论上证明该方法.

针对脑肿瘤磁共振图像分类问题中过拟合及分类准确率较低的问题, 提出一种基于改进EfficientNetV2网络的脑肿瘤分类方法. 该方法在EfficientNetV2网络中引入坐标注意力机制, 该注意力机制将同时从垂直和水平两个方向获取脑肿瘤的特征信息, 精准识别脑肿瘤的病灶特征, 从而帮助模型更全面、 准确地定位和识别病灶区域信息, 有效抑制背景信息对检测结果的影响, 使模型分类精度更高, 解决了因获取特征信息不足导致分类精度低的问题. 为进一步提升分类准确率, 引入Hard-Swish激活函数, 该激活函数不仅可以提升脑肿瘤分类网络模型的运算速度, 也可有效提高分类精度. 同时, 改进后的模型搭配了Dropout层和归一化层, 可更好抑制过拟合的发生, 加快模型收敛速度, 提高模型的鲁棒性, 且分类精度有明显提升. 实验结果表明, 改进后的模型在验证集中获得了98.4%的分类准确率, 通过对比实验和消融实验验证了改进后的模型在脑肿瘤分类任务中的有效性.

针对现有图像去模糊算法存在细节模糊不清、 计算资源占用较大且图像处理速度较慢等问题, 提出一种轻量级的图像盲去模糊网络. 首先, 网络主体使用多尺度架构, 将不同分辨率的图像输入网络, 通过循环处理逐步优化细节; 其次, 设计非对称结构以加强编码器的特征提取能力和解码器的特征融合能力. 在编码器中, 提出混合多尺度卷积层和残差金字塔模块, 以强化特征提取并减少网络的参数量; 在解码器阶段, 使用跳跃连接引入深层语义, 并提出多尺度联合结构损失函数进行优化. 最后, 在两个广泛使用的数据集GoPro和Kohler上使用两种评价指标, 将该方法与其他经典方法进行性能对比. 实验结果表明, 该网络的去模糊效果优于传统方法以及其他经典深度学习方法, 不仅在峰值信噪比(PSNR)和结构相似性(SSIM)上均有一定提升, 且处理时间更短.

针对连接时序分类模型需具有输出独立性的假设, 对语言模型的依赖性强且训练周期长的问题, 提出一种基于连接时序分类模型的语音识别方法. 首先, 基于传统声学模型的框架, 利用先验知识训练基于注意力机制的语谱图特征提取网络, 有效提高了语音特征的区分性和鲁棒性; 其次, 将语谱图特征提取网络拼接在连接时序分类模型的前端, 并减少模型中循环神经网络层数进行重新训练. 测试分析结果表明, 该改进模型缩短了训练时间, 有效提升了语音识别准确率.

随着化石燃料的迅速消耗和污染的日益严重， 开发和利用清洁能源越来越重要. 将太阳能转化为清洁氢能的光催化技术是一种有效的解决方案. 由于受水分解电极电位的限制， 需解决光催化剂带隙与太阳光强度之间的矛盾， 因此， 开发和利用具有可见光响应能力的光催化剂具有重要意义. 综述光催化剂的发展和光催化原理， 讨论其巨大的发展潜力， 并介绍最常见的几种光催化剂和现阶段的研究进展. 

考虑一类齐次Dirichlet边界条件下具有非线性交叉扩散的Lotka-Volterra竞争系统的共存解问题. 首先, 借助线性算子的谱理论分析该问题平凡解和半平凡解的稳定性; 其次, 利用正锥上的不动点指数理论给出该问题共存解存在的充分条件.

针对Storm平台的静态资源分配问题, 提出一种分布式自适应弹性资源分配策略, 能最优满足应用的资源需求. 基于该策略, 结合Storm的资源分配机制、 应用编程接口和用户界面的参数, 实现了一个面向Storm的弹性资源分配组件, 支持应用资源的自适应动态调整. 实验结果表明, 在真实的流数据集上, 分布式最优策略与中值式动态资源分配策略和Storm的静态资源分配策略相比, 在吞吐量、 丢失率和资源利用率上均有优势. 同时, 该自适应弹性资源分配组件能很好地与Storm系统交互, 为其他弹性资源调度组件开发提供了可借鉴的解决方案.

针对多样化网页上视障用户导航的难题, 提出一种自动标识导航栏地标的方法, 以提高网页无障碍性. 首先, 通过设计启发式规则, 根据导航栏内有序元素排列以及子元素内常含超链接和精炼文字等规则, 自动提取导航栏内的元素; 其次, 采用决策树二分类算法, 用于分类导航栏中特征差异显著的元素; 最后, 对已识别的导航栏元素进行地标属性注入. 在对100个网站的实验评估中, 该方法成功识别了92.6%的导航栏元素, 而注入的地标属性则显著提升了网站的无障碍性能, 从而改善了视障用户的使用体验.

用数学归纳法和组合分析法给出最大度为3的仙人掌图G_T的D(2)-点可区别全染色, 进而得到χ_2vt(G_T)≤6. 结果表明, D(β)-VDTC猜想对最大度为3的仙人掌图成立.

针对水下图像成像环境复杂常受偏色等因素干扰而影响后续图像分析的问题, 提出一种基于多尺度特征与三重注意力多模态融合的深度卷积神经网络图像复原方法. 首先, 深度卷积神经网络在抽取图像空间特征的基础上, 引入图像多尺度变换特征； 其次, 通过通道注意力、 监督注意力和非局部注意力, 挖掘图像特征的尺度间相关性、 特征间相关性； 最后, 通过设计多模态特征融合机制, 将上述两类特征有效融合. 在公开的水下图像测试集上进行测试并与当前主流方法进行对比的实验结果表明, 该方法在峰值信噪比、 结构相似性等定量对比以及颜色、 细节等定性对比上都优于对比方法.

用Schauder不动点定理和拓扑度理论研究变系数二阶常微分系统Neumann边值问题正解的存在性, 其中: f,g: [0,1]×R→R连续, 且f(x,0)<0, g(x,0)<0; a,b∈C([0,1],[0,∞)), 且在[0,1]的任何子区间上不恒为0.  结果表明, 在适当的条件下, 存在λ₀>0, 使得当0<λ<λ₀时, 该问题至少有一个正解.

根据矩阵结构性质, 利用分块矩阵技巧给出任意点数、 任意长直径的毛毛虫树邻接矩阵的Moore-Penrose广义逆的具体形式, 为进一步研究毛毛虫树的代数性质提供理论支撑.

针对传统加密流量分类模型对特征提取不足导致分类准确率较低等问题， 使用深度学习技术, 提出一种基于改进的卷积神经网络结合Transformer的加密流量分类模型. 为提高分类精度, 首先将数据集切割填充并完成标准化处理； 然后采用Transformer网络模型中的多头注意力机制捕获长距离的特征依赖, 利用卷积神经网络提取局部特征； 最后加入Inception模块实现多维特征提取和特征融合, 完成模型训练和加密流量分类. 在公共数据集ISCX VPN-non-VPN 2016上进行实验验证, 实验结果表明, 该模型的分类准确率达98.5%, 精确率、 召回率和F₁值均达98.2%以上, 相比其他模型分类效果更优.

利用T-弱连续算子方法与经典的Galerkin技术, 讨论二维有界光滑区域上一类不可压缩磁-微极流方程组的初边值问题, 得到了该问题全局弱解的存在性与唯一性定理, 并进一步提高了弱解的正则性.

针对生物组学数据中基因数目远大于样本数目的高维“大p小n”问题, 提出一种具有局部和全局注意力机制的图注意力网络GATOr. 该模型首先在组学数据上利用Pearson相关系数计算特征之间的相关性, 构建组学数据的单样本网络； 然后提出一种结合局部和全局注意力机制的图注意力网络从单样本网络中学习基于图的组学特征表示, 从而将组学数据的高维特性转化为低维表示. 实验结果表明, GATOr与其他传统分类算法相比, 在分类任务的准确率及其他指标上均取得了较优性能.

用极大似然估计方法, 考虑一类由Lévy过程驱使的非线性随机微分方程参数估计问题. 首先, 在连续时间观测下讨论当T→∞时, 估计量的无偏性、 渐近一致性及其渐近正态性； 其次, 在高频离散观测且有限活跃条件下, 利用阈值法逼近连续鞅部分, 得到当n→∞时, 估计量的无偏性和渐近正态性； 最后, 通过给出数值模拟结果验证估计量的无偏性和渐近正态性.

针对漏洞检测领域面临的实验平台不统一、 数据集异构等问题, 研究词向量模型在C/C++函数漏洞检测方面的应用. 用5种词向量模型对源代码生成的抽象语法树结构进行知识表示, 用6种神经网络模型进行漏洞检测, 实验结果表明, 函数级代码具有浅层的语义关系, 代码块内部联系紧密.

用Faedo-Galerkin方法研究有界区域上具有非线性阻尼项和时滞项的三维磁流体方程, 解决了解的适定性问题. 首先, 证明当α≥16/5时强解的存在性; 其次, 利用Gagliardo-Niernberg不等式证明强解的唯一性.

受注意力机制和直推式学习方法的启发, 提出一种基于加权元学习的节点分类算法. 首先利用欧氏距离计算元学习子任务间数据分布的差异； 然后利用子图的邻接矩阵计算捕获子任务间数据点的结构差异； 最后将二者转化为权重对元训练阶段更新元学习器过程进行加权, 构建优化的元学习模型, 解决了经典元学习算法在元训练阶段所有元训练子任务的损失是等权重更新元学习器参数的问题. 该算法在数据集Citeseer和Cora上的实验结果优于其他经典算法, 证明了该算法在少样本节点分类任务上的有效性.