当前道岔故障诊断系统大多采用 BP 神经网络，但由于 BP 神经网络结构特点，在训练样本大且诊断系统精度要求比较高时，网络常常会呈现出以下不足：不收敛且容易陷入局部最优、常用的数据挖掘方法如小波分析等对数据的利用度不高、从时域或频域角度分析时不够全面和采用数据降维使用的 LLE 方法会丢失部分有用数据等。采用 GMM聚类方法对兰州车站微机监测系统中采集的 600 组功率数据进行分类后，根据结果选取信息量比较全面的数据建立概率神经网路的训练集和测试集，从测试集得出的仿真图和 BP神经网络做比较，结果表明基于 GMM 聚类和概率神经网络的道岔故障诊断方法可以改善存在的不收敛、误差大等问题。
针对二维直线电机平台系统的 XY 轴协同控制问题，将 PI 与并联型无模型自适应相结合的复合控制方法应用于控制系统。该控制方法通过在每个子系统加入 PI 控制方法保证其稳定性，再通过并联型的无模型自适应控制方法来提高整个系统的跟踪性能，以减小系统位置误差。基于数据驱动的无模型自适应控制方法设计二维直线电机系统控制器，其优势在于无需被控系统精确数学模型，仅根据被控系统输入输出数据对系统进行控制。相比基于模型的控制方法，该方法能够减小未建模动态产生的干扰，有效提高控制精度。仿真及实物控制效果对比结果表明，这种复合控制方法明显提高了整个系统的稳定性和位置跟踪精度。
区间二型模糊集合将次隶属度做了简化，基于 KM 降阶算法的区间二型模糊控制器实现起来相对简单。虽然区间二型模糊控制器在一定程度上优于传统的一型模糊控制器或者 PI 控制器等，但区间二型模糊控制器并没有充分利用二型模糊集合的次隶属度信息。为解决这些问题，研究了普通二型模糊控制器的一般结构，提出了一种等价于 PI 的二型模糊控制器。该控制器基于普通二型模糊集合的 α 平面表现形式，在次隶属度函数的顶点处，将区间二型模糊集合简化为一型模糊集合。通过 n 阶有自平衡对象，无自平衡对象以及 2 个非线性对象的仿真结果表明，提出的二型模糊控制器能够得到较好的控制效果。
针对传统风电机轴承故障检测存在的采样数据量大、故障特征依赖主观选取的问题，提出了风电机轴承故障的信号压缩采集、自动提取特征及故障诊断的方法，解决了风电机轴承振动信号特征提取计算复杂、受先验知识影响较大的问题。首先基于梯度加速法(NAG)和 QR 分解理论对随机高斯观测矩阵进行优化，实现风电机轴承振动信号压缩采集；然后将压缩采集得到的数据作为卷积神经网络(CNN)的输入，利用卷积池化层提取压缩采集数据中的故障特征；最后，将得到的故障特征通过 softmax 分类器进行分类。仿真实验表明：该方法能够自动提取风电机轴承的故障特征，在保证较高故障诊断准确率的同时，缩短了网络训练时间。
为提高常规自动语音识别(ASR)系统的精度，提出基于隐式马尔可夫模型混合连接时间分类/注意力机制的端到端 ASR 系统设计方法。首先，针对可观测时变序列语音识别过程中存在的连续性强、词汇量大的语音识别难点，基于隐式马尔可夫模型对语音识别过程进行模拟，实现了语音识别模型参数化；其次，使用连接时间分类目标函数作为辅助任务，在多目标学习框架中训练语音识别过程的关注模型编码器，可降低序列级连接时间分类目标近似度，实现语音识别过程精度提升；最后，通过在自建语音识别库上的仿真实验，验证所提算法在识别效率和精度上的性能优势。
针对软件缺陷预测领域特征之间存在紧密关联性而影响朴素贝叶斯分类性能的问题，提出一种改进加权朴素贝叶斯的分类算法。首先，通过预处理步骤以及特征成对计算，创建彼此之间的依赖关系。然后，通过构造权值的方式实现朴素贝叶斯的独立性假设松弛。最后，使用离散化方法将软件指标的数值转化为分类值，并利用 min-max 归一化程序对数据进行归一化处理。使用获得广泛认可的 NASA 信用数据库进行实验，实验结果表明，提出的改进算法比标准朴素贝叶斯方法预测效果更好，相比其他几种同类算法，提出的算法更具竞争性。
