本文以当下社会环境为背景，说明了信息安全在人们生活中越来越重要。由此很有必要对当前成熟的加密算法进行研究。

考虑不同情景下应急物流需求的不确定性, 将不确定需求用区间灰数表示, 构建了多情景下不确定需求的应急物流配送中心选址模型, 基于联系数理论, 将区间灰数转换为联系数, 使模型转换为确定性, 并设计了免疫量子粒子群算法进行求解。通过算例对模型进行仿真, 并说明了免疫量子粒子群算法的有效性。

提出了一种基于循环前缀的符号同步算法。此算法在最大似然估计的基础上加以改进，简化了符号同步中相关运算的判决方法，在保持同步效率的同时，极大地节约了硬件资源，使算法更易于硬件实现。改进算法基于IEEE 802.11a的标准提出，通过Matlab仿真分析其性能，并在FPGA硬件平台上实现，利用ChipScope观测得到波形。实验结果表明，电路系统工作可靠，满足设计要求。

首先采用基于开环控制的递推最小二乘法或者基于闭环响应性能指标的估计法 对电加热炉温控系统的一阶惯性加滞后模型参数进行估计，然后由此粗略模型按照 基于时域的PID参数整定规则求得控制器设计参数的初始值。接着，运用仿人智能 控制、单神经元控制等先进控制理论在线实时改变PID控制策略，以适应过程的需 要，克服系统时变性带来的影响，保证系统在不同温度区域有相同的控制效果，仿 人智能PID控制模仿人的经验，根据输出模态进行调整PID参数；神经元PID控制 通过在线学习调整连接权系数达到修正PID参数的目的。另外算法还采用了预测PID 控制克服了常规PID只能根据当前误差量进行控制的缺点，通过在控制器上增加一 个预报项，消除纯时滞对系统的影响。

近年来,基于异质信息网络的研究受到国内外广泛的关注,很多研究工作(如聚类、分类、推荐等)都是在异质信息网络上开展的。异质信息网络是一种包含不同类型节点和边的网络,它具有更加复杂的网络结构和更加丰富的语义信息,可以更全面地表示系统的组成对象和他们之间的关系。在异质信息网络中,度量节点间的相似性是开展聚类、推荐等工作的基础。目前,国内外已提出许多相似性度量方法来解决异质信息网络节点相似性度量的问题,HeteSim算法就是其中一种代表性方法。HeteSim是一种基于双向随机游走的度量方法,目前HeteSim相似度计算均采用单节点计算模式,然而随着信息网络的急剧膨胀,传统的单节点计算模式已无法满足HeteSim快速计算的需求,开发在集群上运行的HeteSim并行化算法成为当务之急。本文基于分布式计算框架Spark,研究并实现了异质信息网络相似性度量方法HeteSim的并行化算法。首先,本文提出基于矩阵乘法的HeteSim并行化算法。HeteSim并行化的核心是矩阵乘法的并行化,本文针对传统矩阵乘法并行化算法内存消耗大,网络开销大,执行时间长的缺点,提出改进算法,并基于改进算法,实现了基于矩阵乘

基于matlab的SIFT匹配算法研究，根据SIFT算法流程编写matlab代码

针对目前实现光场传输的两种算法无法同时满足运算速度和精细度的问题，提出了矩阵相乘算法，阐明了其实现思想，推导了其实现过程。结合激光相干合束实例进行了仿真分析，结果表明，对于六路高斯光束的相干合束，快速傅里叶变换算法耗时短，但无法得到精确的计算结果；积分算法和矩阵相乘算法均可获得远场准确的光强分布，但积分算法需耗时15.7 h，而矩阵相乘算法仅需2 s，提高了运算效率。证明了矩阵相乘算法具有快速、准确的优点。

基于视觉显著性的局部感知锐度的模糊图像质量评价算法研究

结合对无源定位过程的分析,仅从纯方位的角度对多站无源定位算法的研究现状进行总结,并比较主要算法的定位性能;简要介绍了各种定位精度衡量指标的定义、用途及特点;最后对多站无源定位的发展方向进行了展望。

本文提出了一种基于深度学习的安全带检测方法，尝试将近年来在图像检测方面有较好应用的深度学习方法来提高安全带检测的准确率。相比传统的安全带检测方法，深度学习的最大优势在于它可以自动的从样本数据中学习特征，最大限度的减少了人为的干预以及手工设计特征的复杂性。 本方法充分发挥深度学习端到端的特性，充分利用rcnn和yolo系列算法的优点，搭建深度学习中的卷积神经网络模型，并用卷积神经网络模型对样本图片进行训练得到用于安全带检测的模型，然后用该模型对待检测图片进行检测，判断出车辆司机是否佩带安全带。本文中利用Keras框架对整个训练和检测过程进行了实现，并对实验结果进行了分析，证明了该方法的有效性。