人工智能追求的长期目标是使机器能像人一样学习和思考。由于人类面临的许多问题具有不确定性、脆弱性和开放性，任何智能程度的机器都无法完全取代人类，这就需要将人的作用或人的认知模型引入到人工智能系统中，形成混合-增强智能的形态，这种形态是人工智能或机器智能的可行的、重要的成长模式。混合-增强智能可以分为两类基本形式：一类是人在回路的人机协同混合增强智能，另一类是将认知模型嵌入机器学习系统中，形成基于认知计算的混合智能。本文讨论人机协同的混合-增强智能的基本框架，以及基于认知计算的混合-增强智能的基本要素：直觉推理与因果模型、记忆和知识演化；特别论述了直觉推理在复杂问题求解中的作用和基本原理，以及基于记忆与推理的视觉场景理解的认知学习网络；阐述了竞争-对抗式认知学习方法，并讨论了其在自动驾驶方面的应用；最后给出混合-增强智能在相关领域的典型应用。
共同作者学术贡献分配模式提供了固定或灵活的信用分配公式，并广泛应用于评估科学出版物共同作者的贡献。本文提出了一种新颖的“第一和其他（First and Others, F＆O）合作者”分配模式。通过引入调整参数α和权重β，使得信用分配具备以下新的属性：（1）通过修改公式（调整参数α）或强调单个作者贡献（调整权重β）体现学术贡献分配的灵活性和适用性；（2）将第一作者的贡献与其他作者分开计算，第二作者的贡献会根据α参数的变化，呈现出拐点。文中提出相应定理和证明，揭示了“第一和其他（F＆O）合作者”分配模式新的特性，应是对文献计量学基本理论的贡献。F＆O模式亦可应用于“强调第一作者学术贡献”的策略。通过对一组来自化学、医学、心理学和哈佛-芝加哥调查数据的应用，F＆O模式与其他方法进行了分析比较，若干测定系数的优化显示出本文方法的先进性。
实体识别消歧是知识库扩充和信息抽取的重要技术之一。近些年该领域诞生了很多研究成果，提出了许多实体识别消歧系统。但由于缺乏对这些系统的完善评测对比，该领域依然处于良莠淆杂的状态。因此很有必要设计一个评测框架对各个系统进行统一评测。本文提出一个实体识别消歧系统的统一评测框架，用于公平地比较各个实体识别消歧系统的效果。该框架代码开源，可以采用新的系统、数据集、评测机制扩展。通过该框架评测实体系统，可以分析得到系统各个模块的优劣之处。本文分析对比了几个公开的实体识别消歧系统，并总结出了一些有用的结论。
为了针对不同的应用和流量提供服务质量保障和差异化服务，负载均衡和多优先级队列技术被广泛地应用于网络中。在传统网络中，网络管理员经常使用“traceroute”和“ping”工具来检测负载均衡机制或者服务质量策略是否正常工作。然而，由于这些工具并不被现有的OpenFlow交换机所支持，所以还不能够应用于软件定义网络中。此外，traceroute和ping依靠主动发送探测包来探测路径。然而，当负载均衡机制把探测包和所需追踪流的数据包均衡到不同路径时，这些工具将无法探测出流的真实转发路径，更无法测量出真实的路径时延。因此，为了准确的测量链路时延，测量工具必须能够提前找出数据包的真实转发路径。基于此发现，我们提出了一套新的软件定义网络中的流追踪机制“FlowTrace”，利用它来追踪任意流量的转发路径以及测量数据流所经历的链路时延。该工具通过收集交换机的流表来计算流的转发路径。然而，如果直接从交换机中查询流表会产生很大的数据平面流量，从而带来巨大的开销。因此，我们提出了一种被动的零开销的流表收集方法来解决该问题。在获得流的真实转发路径后，我们提出了一种新的测量方法来测量不同流的网络时延。最后，实验结果显示我们设计的方法可以准确的找出流的真实转发路径并测量出不同种类流所经历的时延。
新型非易失存储器提供了高访问速度，大容量，字节访问粒度，以及非易失等特性。这些特性将为容错带来新的机遇。本文提出了基于非易失存储器的细粒度检查点。我们在现有操作系统内核的存储管理模块中加入了针对非易失存储器的管理，同时提供了一个非易失堆以供上层应用进行快速的内存分配和对相关对象（或数据结构）的检查点备份。为了实现细粒度检查点，我们将不同的对象（或数据结构）分布在不同的虚拟页面中，并利用硬件提供的页保护机制来实现对数据修改的监控。在此系统中，两个处于不同虚拟页面中的对象（或数据结构）有可能处于同一个物理页面中。对一个对象的修改将不会影响到对另一个对象的监控。以上机制使我们能够对小于一个页面的修改进行监控。和传统的基于页面粒度的检查点工作相比，我们的机制可以有效的减少检查点拷贝的数据量，从而更好的利用存储器带宽，提升性能。
本文解决了从N个传感器组成的线性阵列中检测完全或部分缺陷传感器的问题。本文首先提出了一种线性阵列的对称结构，其次，基于结合差分进化的文化算法，建立了一种混合技术。对称结构具有两个优点：(1)不需要找到所有损坏的模式，仅需找到(N–1)/2个必需模式；(2)不需要扫描0°到180°区域，仅需扫描0°到90°区域。显然，这样可以减少计算的复杂度。通过Monte Carlo模拟对该方案性能进行了验证，并在计算时间和均方误差方面与现有方法进行了比较。
认知中继网络中，传输的吞吐量和传输距离一直是衡量性能的重要指标。现有的研究多数都集中在两跳网络的优化，但其也存在着传输距离不长，只能进行单项传输等缺点。本文提出了一种新的使用认知中继的三跳网络传输方案，通过三阶段的传输过程，实现了次级用户之间的双向传输。同时，引入了叠加编码技术来处理网络中双接收节点的情况。本文将这个三阶段的联合优化问题转化为一个非线性的优化问题，并进行了求解。仿真结果表明，本文提出的优化方法可以在不增加中继跳数的情况下，延长主用户传输距离，并同时提高次级用户的传输吞吐量。
在未来的高频系统芯片，特别是片上网络的设计中，知识产权模块之间的联系至为关键，而单壁纳米碳管则是其中一种很有前景的纳米结构。电路及系统尺寸的不断缩减限制了对1000 GH级别高频信号特征的利用。本文针对不同结构构型的单壁纳米碳管，对高质量互联中四项重要的四项电参数——阻抗，传播常量，电流密度以及信号延时进行了推导。每个参数均表现出了对其设计互联频率范围和构型的强相关性。与现有理论和实验结果相比，本文所提出的模型在解决下一代高速集成电路互联问题上有其新颖性。
针对固有时间尺度分解算法的模态混叠问题和最小二乘支持向量机的参数优化问题，本文提出了一种新的基于完备集合固有时间尺度分解和混合差分进化和粒子群算法优化最小二乘支持向量机的柴油机故障诊断方法。该方法主要包括以下几个步骤：首先，为解决固有时间尺度分解算法的模态混叠问题，提出了一种完备集合固有时间尺度分解算法。随后，利用完备集合固有时间尺度分解算法将非平稳的柴油机振动信号分解为一系列平稳的旋转分量和残差信号。然后，提取了前几阶旋转分量的三类典型的时频特征，包括奇异值、旋转分量能量和能量熵、AR模型参数，作为故障特征。最后，提出了混合差分进化和粒子群算法对最小二乘支持向量机的参数进行优化的方法，并通过将故障特征输入训练好的最小二乘支持向量机模型实现故障诊断。仿真和实验结果表明提出的故障诊断方法可以克服固有时间尺度分解的模态混叠问题，而且能够准确的识别柴油机故障。
道路交通流预测不仅可以为出行者提供实时有效的信息，而且可以帮助他们选择最佳路径，减少出行时间，实现道路交通路径诱导，缓解交通拥堵。本文提出了一种基于ARIMA模型和Kalman滤波算法的道路交通流预测方法。首先，基于道路交通历史数据建立时间序列的ARIMA模型。其次，结合ARIMA模型和Kalman滤波法构建道路交通预测算法，获取Kalman滤波的测量方程和更新方程。然后，基于历史道路交通数据进行算法的参数设定。最后，以北京的四条路段作为案例，对所提出的方法进行了分析。实验结果表明，基于ARIMA模型和Kalman滤波的实时道路交通状态预测方法是可行的，并且可以获得很高的精度。