针对数据中的异常值或噪声导致预测模型的准确性低和泛化能力差的问题，提出了基于贝叶斯分位数回归的鲁棒随机配置网络预测区间方法。首先，采用随机配置网络(stochastic configuration network, SCN)算法确定隐含层节点的数量、输入权值和偏差；然后，将贝叶斯分位数回归嵌入SCN以代替经典的最小二乘回归，采用非对称拉普拉斯分布作为SCN噪声的先验分布，使用最大后验估计将SCN噪声的先验分布转化为输出权值的后验分布；最后，通过期望最大化算法迭代优化SCN噪声和输出权值假设分布的超参数。实验基于标准数据集和城市固废焚烧过程的历史数据对所提方法进行了测试，并将其与其他基于SCN和分位数回归的预测算法进行了对比。实验结果表明，所提方法在点预测的准确性和泛化能力、预测区间的可靠性、鲁棒性和计算效率方面均具有优势。

研究了事件驱动传输机制和执行器饱和影响下，具有不可镇定子系统的切换系统的指数稳定性。首先，通过设计适当的事件驱动传输机制和预设命题，实现了执行器饱和约束下闭环切换系统的模态转换；然后，针对两种情况求李雅普诺夫函数的递增/递减率，从而得到保证闭环切换系统指数稳定的充分性条件，并验证了预设命题的合理性；最后，基于线性矩阵不等式方法给出了反馈矩阵的设计方法。仿真结果验证了理论分析的正确性。

学业水平是衡量高校学生综合能力的关键指标。为了精准预测学生综合学业水平，通过数据驱动的关联建模，探究德育和体育课程与学生综合学业水平之间的关系。首先，以学生的德育和体育课程成绩为原始特征，构建了逻辑回归和支持向量机等多种机器学习模型，并引入特征工程构建多重特征，提高了模型的预测性能；然后，基于堆叠模型的框架，实现了多种机器学习模型的深度融合，并通过递归特征消除法优化堆叠模型。实验通过自动化专业学生的成绩数据对所提模型进行验证。实验结果表明，所构建的堆叠模型在学生综合学业水平的预测中取得了较好的准确性和稳定性，其预测准确率能够达到93%，从而验证了德育和体育与学生综合学业水平之间存在明显的正向关联，凸显了在“五育并举”视域下德育和体育对学生综合能力培养的重要性。

针对四旋翼无人机存在缺少操纵舵面和自身抗干扰能力弱的问题，提出了一种基于扩张状态观测器的动态面滑模控制方法。首先，建立四旋翼无人机的数学模型；然后，将以反步法为基础的动态面控制方法与滑模控制方法相结合，并添加扩张状态观测器，分别设计四旋翼无人机控制系统的内环位置控制器和外环姿态控制器；最后，通过仿真实验验证所提方法的控制性能，并将其与传统滑模控制方法和基于扩张状态观测器的滑模控制方法进行了对比。实验结果表明，所提方法受干扰影响较小，能有效保证四旋翼无人机控制的鲁棒性，且具有较高的控制精度，有效抑制了滑模控制的抖振。

流程工业过程普遍存在慢变化特性与多工况特性，而慢特征分析只考虑慢变化信息，忽略了不同工况间的数据分布差异，从而导致预测质量变量不精确。针对此问题，在慢特征分析的基础上，结合迁移学习策略，兼顾慢特征对质量变量的可解释性与数据的局部几何结构，提出了一种带有结构保持的多工况慢特征回归软测量模型。首先，最大化慢特征与质量变量的相关性，增强慢特征对质量变量的可解释性；其次，采用域适应的策略减小历史工况与待测工况之间的数据分布差异；最后，引入邻域保持嵌入以保留局部信息，从而设计一个多目标优化函数，利用非线性迭代偏最小二乘框架对质量变量进行预测。实验利用3个实际工业数据集对所提模型进行验证，实验结果表明，所提模型可以有效提高质量变量的预测精度。

为了提升高频时序数据的存储效率和提取性能，结合应用数据的特点和时序数据库(time series database, TSDB)的编码方法，对棒线材连轧过程数据编码进行了联合优化。首先，为了优化应用端，针对棒线材连轧过程数据的结构特点和应用特点，建立了基于工作模式的复合信源模型；然后，为了优化TSDB端，针对在InfluxDB存储复合信源数据时定长划分数据块引起的时间戳编码冗余问题，提出了基于变长数据块的编码优化方法；最后，为了保证优化后系统的稳定性，提出了重写时间结构合并树(time-structured merge- tree, TSM)文件的非源码改造方案。使用实际轧机的棒材连轧过程数据进行测试，测试结果表明，经过编码优化后，TSM文件的总编码长度和时间戳的编码长度分别降低了37.6%和91.3%，所提方法不仅提升了数据存储效率，而且大幅度提高了数据提取性能。

为了解决传统多标签文本分类方法难以综合考虑文本与标签之间复杂关系的问题，提出了融合嵌入信息与自适应异构图卷积网络(adaptive heterogeneous graph convolutional network, AHGCN)模型的多标签文本分类方法。首先，采用全局词频统计的词表征模型进行文本表示，结合双向长短期记忆神经网络与自注意力机制提取多层次语义特征；然后，构建AHGCN模型，通过多尺度卷积核融合文本和标签的全局与局部信息，建立文本-标签异构图以捕捉二者的潜在关联；最后，拼接不同层级特征，利用分类器实现文本分类。实验将所提方法与目前的主流多标签文本分类方法进行了比较。实验结果表明，在大规模数据集的多标签文本分类中，所提方法的汉明损失最小且准确率最高。在实际电网项目的应用中，所提方法的多标签文本分类准确率可达96.85%。

针对输油气管道的故障种类多、现场数据无法长期有效保存等问题，提出了一种基于边缘计算和改进随机向量函数链接(random vector functional-link, RVFL)网络的输油气管道故障分类方法。该方法扩展了监控和数据采集(supervisory control and data acquisition, SCADA)系统的功能，使其可以存储和访问大量的数据。首先，当输油气管道出现故障时，利用基于模糊似然函数的模糊聚类算法对故障发生前一段时间内的管道压力值进行聚类；然后，提取管道压力值密度特征，将其作为RVFL网络的增强节点，利用改进RVFL网络对故障进行分类。将改进RVFL网络部署在边缘计算模块中，对6种故障进行分类，其准确率可达到96.7%。

在电力工程建设中，在屋顶建立光伏电站是实现建筑低碳化的有效途径。然而，建设初期缺乏历史功率数据，导致光伏功率预测精度较低。为此，提出了一种基于自注意力机制-双向门控循环单元(gated recurrent unit, GRU)的光伏功率间接预测方法。该方法首先利用皮尔逊相关系数法和核主成分分析对站点周边的历史气象数据进行特征选择和降维，提取关键气象因素；然后，采用引入自注意力机制的双向GRU预测太阳辐照度，并结合光电转换机理模型获得完整的功率序列。实验结果表明，该方法在无历史功率数据的条件下仍然能有效重建光伏功率的变化规律，显著提升光伏功率的预测精度。

为了提高无人机位姿估计性能，对YOLO6D进行改进，提出了无人机六维(six- dimensional, 6D)位姿估计算法CASlim_YOLO6D。CASlim_YOLO6D模型在主干特征提取部分采用GBneck_1模块，减少了3×3卷积产生的特征冗余，在特征融合部分通过深度可分离卷积压缩模型的参数量和计算量，并引入卷积块注意力模块(convolutional block attention module, CBAM)改善参数量和计算量压缩导致的位姿估计精度下降。与YOLO6D模型的对比实验结果表明，CASlim_YOLO6D模型在满足位姿估计精度的同时，提高了检测速度，满足位姿估计的实时性。实验搭建了视觉引导的机械臂系统，并利用该系统和CASlim_YOLO6D抓取共轴双旋翼无人机，实验结果验证了该算法的可行性和有效性。

车联网是实现智慧交通、确保道路交通安全运行的重要手段。对关键车辆加以控制，可以实现整个车联网的完全可控。为了实现车联网的完全可控，首先建立车联网模型，将车辆抽象为节点，根据两车辆之间的距离与通信半径的关系建立可以传递信息的边，并运用复杂网络的可控性理论分析车联网的可控性；然后，提出局部博弈匹配算法，基于局部拓扑信息辨识车联网的驱动节点；最后，以鄂尔多斯市的鄂托克西街的某一路段为例，对所提方法进行实验验证。实验结果表明，局部博弈匹配算法在不同情况下均能有效辨识驱动节点，并在运行时间和存储空间方面优于最大匹配算法。

随着信息通信技术与电力调度管理功能的深度融合，智能电网展现出高度的复杂性和互联性，受网络入侵攻击的风险不断上升。针对此问题，提出了一种基于集成学习的智能电网入侵检测方法。首先，将基于相关性的特征选择(correlation-based feature selection, CFS)算法与樽海鞘群算法(salp swarm algorithm, SSA)相结合，提出了CFS-SSA，通过计算特征与特征、特征与目标变量之间的相关性来剔除冗余特征，选出最优特征子集；然后，提出了一种自适应加权投票算法，对多个机器学习算法进行集成，达到集弱成强的效果。实验选择了几种机器学习和深度学习算法与所提方法进行对比。实验结果表明，所提方法的分类性能优于对比方法，对NSL-KDD数据集和TON_IoT数据集的分类准确率分别达到了80.41%和98.35%。

常规机器人路径跟踪控制方法多采用神经网络反步法，缺少对路径跟踪目标值的优化，使得机器人的航向偏差较大。为此，提出一种履带机器人路径跟踪控制优化算法。首先，根据履带机器人在运动过程中的动态特性计算运动偏差，引入位置约束，求取路径跟踪目标值；然后，采用动态分解多目标粒子群优化算法对路径跟踪目标值进行优化，以路径采样误差最小为原则，利用粒子预测控制策略实现对履带机器人的路径跟踪控制。实验结果表明，所提方法控制的履带机器人在0.2 s内到达期望路径，控制偏差较小，所提方法具有良好的路径跟踪控制效果。

为了提高跷跷板系统在外部干扰下的平衡控制性能，提出了一种基于观测器干扰补偿的参数自适应超螺旋滑模控制算法。首先，设计了一种指数收敛干扰观测器，对系统受到的外部干扰等不确定因素进行估计和补偿；然后，针对跷跷板这类强耦合、欠驱动系统，设计了一种基于分层滑模面的参数自适应超螺旋滑模控制算法，并引入了线性项和一种新的参数自适应律；最后，将指数收敛干扰观测器和基于分层滑模面的参数自适应超螺旋滑模控制算法相结合，提出了基于观测器干扰补偿的参数自适应超螺旋滑模控制算法，并利用类二次型李雅普诺夫函数证明了该算法下系统状态在有限时间内的收敛性。实验将所提算法与传统超螺旋滑模控制算法进行了对比。实验结果表明，所提算法在实现跷跷板系统平衡控制的同时，能够提升系统的抗干扰能力和收敛速度，且克服了人为选择参数的保守性。

针对水面无人艇在动态环境下的路径规划难以满足全局最优和实时避障需求的问题，提出了一种改进D*算法和改进动态窗口法相融合的算法，即D*DWA。首先，对环境地图进行栅格化建模，利用层次聚类法根据障碍物的坐标位置对地图进行区域划分；然后，建立区域障碍物复杂度量化指标向量对D*算法中的代价函数进行优化，获取全局最优路径的基本信息；最后，根据全局最优路径中关键节点信息设计动态窗口法的评价函数，快速规划出全局最优光滑路径。实验将所提出的D*DWA与其他路径规划算法进行了仿真对比。实验结果表明，该算法提高了路径规划的效率，增加了路径的平滑度。

为了实现网络攻击下多智能体系统的安全一致性，提出了一种基于网络攻击检测和拓扑重构的控制方案。首先，基于深度Q网络算法对受攻击的智能体进行检测，定义状态、动作、奖励函数，通过优化算法的超参数，提高算法的检测准确率；然后，针对无向信息交互网络，提出一种按顺序将被隔离智能体的相邻节点依次连接的拓扑重构方案，解决了隔离受攻击智能体后系统的一致性恢复问题，使剩余智能体在仅知道相邻节点信息的情况下仍可保持一致性；最后，通过可行性分析和仿真实验，验证了所提方案的有效性和可靠性。

提出了一种考虑传感器和执行器故障的多关节机械臂有限时间自适应容错控制方法。首先，基于自适应技术对执行器和传感器故障的失效程度进行估计，利用模糊逻辑系统逼近机械臂关节的未知非线性项和未知干扰；其次，设计自适应控制律和有限时间控制器实现对机械臂的容错控制。该方法保证了系统的闭环信号均有界且在有限时间内将系统输出约束到期望输出的小邻域内，同时提高了系统的稳定性和安全性。仿真结果验证了该控制方法的有效性。

考虑到四旋翼无人机系统具有模型动态不确定性，且存在未知的外界干扰，针对四旋翼无人机的姿态控制，提出了一种自适应事件触发控制方法。首先，基于反步法并结合动态面控制技术，降低虚拟控制项导数计算的复杂度；然后，利用径向基函数(radial basis function, RBF)神经网络的逼近特性补偿系统中的非线性项和未知干扰项；最后，引入事件触发机制设计事件触发控制器，降低控制器的更新频率。此外，通过李雅普诺夫稳定性理论证明了，所提控制方法可使系统的所有状态信号一致最终有界，并且可以避免芝诺(Zeno)现象。实验利用MATLAB软件完成姿态控制仿真验证。实验结果表明，所提控制方法可以有效实现四旋翼无人机的姿态控制。

针对遥控水下机器人(remotely operated vehicle, ROV)的定深控制，提出了一种模糊线性自抗扰控制策略。该控制策略使用模糊控制对线性自抗扰控制器的参数进行在线整定，增强控制器的控制性能和抗扰动能力。首先，介绍了ROV的系统结构和功能；然后，建立了ROV的六自由度动力学模型，得到定深控制所需要的ROV在垂直面内的动力学模型；最后，设计了模糊线性自抗扰控制器。实验通过计算机仿真对所提控制策略与传统比例积分微分(proportional integral differential, PID)控制、线性自抗扰控制进行了对比，并将所提控制策略应用于露天水池下ROV的定深控制中。仿真结果表明，所提控制策略具有更好的控制效果，且在存在外部扰动的情况下具有较好的鲁棒性。基于露天水池的实际应用结果验证了所提控制策略的可行性。

针对震后初期应急物资短缺和配送受阻的问题，考虑灾后道路通行与应急物资需求的不确定性，以配送成本最小化为目标，构建了不确定条件下的两阶段应急物资配送模型。第一阶段将中央仓库预存储的应急物资配送至中转站，再由中转站配送至受灾点，并依据配送过程的实时反馈动态调整应急物资的再采购计划。第二阶段在道路状况和应急物资需求量已确定的条件下，重新优化应急物资的配送路径与调度，实现高效补给。实验基于数据集和实际案例对所提模型进行了验证。实验结果表明，考虑不确定性与再补货决策的两阶段应急物资配送模型符合震后救援需求，可为震后救援方案优化提供参考。

为了提高多工况条件下故障诊断的准确性，提出了一种基于对抗学习的区分性联合概率域适应故障诊断方法。首先，通过在待测工况下构建预测结果存在差异的双分类器来定位目标域中难以判别的样本；然后，利用区分性域适应策略将历史工况与待测工况投影至统一的特征空间，实现跨域的区分性联合概率分布对齐；最后，在迭代训练中，通过最小化两个分类器的预测结果差异，逐步优化公共特征投影矩阵，从而完成数据分布的一致化并提升故障诊断性能。实验基于轴承故障诊断数据集对所提方法进行了验证。实验结果表明，所提方法具有较高的故障诊断准确率，并且在跨工况迁移任务中表现出较强的适应能力和鲁棒性。

为了解决电力设备红外图像的对比度低、信噪比低、边缘不清晰等问题，提出了一种新的非下采样剪切波变换(non-subsampled shearlet transform, NSST)域增强算法。该算法利用NSST将电力设备红外图像分解为低频子带和高频子带后分别进行处理。对于低频子带，采用改进的蝴蝶优化算法优化Otsu算法，利用优化后的Otsu算法对低频子带进行分割，实现了设备与背景的精准分离，并对设备部分进行线性增强，对背景部分进行灰度平衡，使得二者的灰度差值变大，对比度增强；对于高频子带，利用自适应阈值划分噪声与弱边缘，并将噪声置零，再利用改进的模糊增强算法增强边缘。最后，通过融合和NSST的逆变换，获得增强后的电力设备红外图像。仿真结果表明，与目前常用的红外图像增强算法相比，所提算法能够有效地提高电力设备红外图像的增强效果，并抑制噪声。