在岩心面阵相机开发中，可以使用基于学习的超分辨率技术来提升岩心图像的分辨率。针对现有超分辨率技术在重建岩心图像时存在的细节模糊或色彩偏差等问题，提出了一种基于深度卷积神经网络的Raw格式岩心图像超分辨率重建算法。首先，模拟相机图像处理器的线性处理部分合成线性图像数据集；然后，通过一个双层卷积神经网络，分别训练高低分辨率图像之间的纹理、色彩映射关系；最后，用重建出的线性高分辨率图像模拟相机图像处理器的非线性处理部分，获得纹理清晰且色彩逼真的岩心重建图像。实验结果表明，本文提出的重建算法提升了岩心图像的重建效果。

基于仿生学原理的扑翼飞行器因质量轻、体积小、灵活性好、隐蔽性高等优点在军事和民用领域应用广泛，实现扑翼飞行器的微型化是未来发展方向。首先介绍了微型仿生扑翼飞行器的概念和特点，分析了研究背景和国内外研究现状及成果，在此基础上，就实现微型仿生扑翼飞行器需要解决的关键技术和难题进行了讨论，最后对我国微型仿生扑翼飞行器的应用前景作出展望。

网格参数化作为数字几何处理的基本工具，在游戏娱乐、工程设计、仿真模拟等多种领域有着广泛的应用背景。传统的网格参数化方法大多通过求解线性系统或者非线性系统获得结果，存在着求解速度慢、不够鲁棒的问题。提出了一个基于图卷积网格自编码器的网格参数化模型，采用了图卷积网格自编码器的编码部分与自行构建的参数化解码部分结合的方式生成网络，使用一类人脸网格数据集作为网络训练数据，并与传统优化算法进行对比。结果表明，使用建立的网格参数化模型，在保证参数化效果的同时，获得参数化结果的速度比SLIM(Scalable Locally Injective Mappings，SLIM)算法快68%，比PP(Progressive Parameterizations)算法快约4倍。

介绍了一种新的分层聚类算法，该聚类算法的主要目的是利用交点提供更好的聚类质量和更高的准确性。为了验证该聚类算法，对基准数据集进行了几次实验，并与其他五种广泛使用的聚类算法进行对比。使用纯度作为外部标准来评估聚类算法的性能，并计算了由聚类算法得出的每个聚类的紧密度，以评估聚类算法的有效性。实验结果表明，在大多数情况下，该算法的错误率低于研究中使用的其他聚类算法。

准确性与质量对于知识库而言尤为重要，尽管已经有很多关于知识库不完整性的研究，但是很少有工作者考虑到对于知识库存在的错误进行检测，按照传统方法通常无法有效捕捉知识库中错误事实内在相关性。本文提出了一种知识库具有关系敏感嵌入式方法NSIL，以获取知识库各关系之间的相关性，从而检查出知识库中的错误，以此提高知识库的准确性与质量。该方法分为相关性处理和错误检测两阶段。在相关性处理阶段，使用NSIL的相关函数以分值形式获取各关系之间的相关度；在错误检测阶段，基于相关度分值进行错误检测，对于缺失主体或客体的三元组进行缺失成分预测。最后在知识库之一Freebase生成的基准数据集“FB15K”上进行了广泛验证，证明了该方法在知识库错误知识检测方面有着很高的性能。

立方攻击是一种新型的代数分析方法，刚提出时对密码算法的分析效果并不理想。但是在引入多重集合可分性、可分路径的概念之后，立方攻击的过程转化为求解混合整数线性规划问题,再使用数学软件进行计算，大大提高了其分析能力。梳理了立方攻击的技术脉络，论述了其最新进展，给出了立方攻击亟待解决的研究问题，这将有助于掌握立方攻击的最新技术，便于开展对分组密码、序列密码和哈希函数等密码算法的分析工作。

网络安全已是国家战略。从事信息系统安全集成服务企业的服务能力，对于信息系统建设具有重要的影响。安全集成服务认证作为一项自愿性认证受到广大IT企业的认可。在从事安全集成服务认证审核中，发现依然存在一些共性方面的问题。剖析安全集成服务内涵，总结分析企业在安全集成服务能力方面存在的问题及产生问题的主要原因，对于企业安全集成服务能力提升提出一些建议。

工业控制系统现已广泛应用在油田行业，随着两化融合、智慧油田建设进程的加速，油田工控网络从相对封闭到趋于开放，工控系统的脆弱性和外部威胁被进一步放大，严重影响着国家油田行业的安全生产、稳定运营。从油田工控实际需求出发，依据工业控制系统等级保护扩展要求，结合油田工业控制系统协议多样、设备可靠性要求高、安全机制不能影响实时性等特点，从安全通信网络、安全区域边界、安全计算环境、安全管理中心等方面着手，研究贴合油田行业特征的工控网络安全解决方案。

物联网时代悄然而至，然而物联网技术在给人们带来方便的同时，其安全问题也日趋突出。针对物联网存在的网络入侵安全问题，提出GWO-SVM算法实现网络入侵检测。灰狼优化算法(GWO)具有收敛速度快、全局搜索能力强等优点，将GWO用于优化支持向量机(SVM)的参数选择，有助于提升分类模型的准确率。同时通过调整适应度值函数，避免分类模型过拟合。在UNSW-NB15数据集上，将GWO-SVM分类算法与SVM、PSO-SVM、GA-SVM分类算法进行对比，实验结果表明，GWO-SVM算法具有更高的分类准确率和性能，适用于物联网环境下的网络入侵检测。

随着新能源汽车市场规模的增长，电池管理系统(Battery Management Systems，BMS)的市场需求也进一步扩大。作为保障电池安全及延长电池寿命的BMS而言，动力锂电池组的荷电状态(State of Charge，SOC)估算是BMS研究的重点。在研究了安时积分法估算SOC时受SOC初始值影响较大，且具有累积误差的问题，以及扩展卡尔曼滤波算法(EKF)估算SOC时收敛较慢的基础上，采用二阶RC等效电路模型对锂电池进行建模分析，针对锂电池各参数受SOC变化的影响，引进无迹卡尔曼滤波(UKF)算法，给出了锂电池的SOC仿真实验。实验结果表明，该种基于UKF的估算方法对SOC的估算更准确，误差更小且收敛速度快，对传统采用定值电池参数BMS的改进具有重要意义。

针对工业控制系统中Modbus_TCP协议存在的诸多安全隐患问题，提出了基于机器学习的Modbus_TCP通信异常检测方法，分析了Modbus_TCP报文类型与结构特点，介绍了机器学习中决策树分类模型算法的实现过程，建立了Modbus_TCP协议的模拟通信，使用了Scapy工具构造伪报文实现异常检测。设置了朴素贝叶斯分类模型、逻辑回归分类模型和传统支持向量机分类模型的实验与之对比，并且对模型的准确率、误报率、漏报率和时间性能进行分析。分析结果表明，决策树分类模型准确率高，消耗时间短，具有一定的优越性。

基于运行数据对压砖设备健康状态进行分析，对于降低设备故障率、提升压砖成品质量具有重要意义。现有方案大多数局限于离线人工分析，实时性差且推广效率低。针对上述问题，基于阿里云机器学习平台设计了压砖设备健康状态分析方法，基于聚类方法构建了压砖设备健康状态模型，在无需先验知识的情况下，对于压砖设备的工作、待机、异常等健康状态实现了建模。进而，将该模型部署于云计算平台上，通过周期性的数据导入与分析实现了压砖设备健康状态的在线分析。最后通过实例证明了该方法的有效性。

埋地钢质管道缺陷识别及评估是管道检测领域中长期存在的难点之一，而实现对管道缺陷准确分类的前提是管道损伤信号的精准提取，针对埋地管道缺陷信号特征提出一种基于稀疏建模和支持向量机(SVM)的管道缺陷信号提取与识别方法。通过从原始信号中学习获得字典，将该字典采用正则化正交匹配追踪算法构建缺陷信号稀疏模型，并根据压缩感知理论获得信号的特征向量。进一步，采用多分类SVM将缺陷信号的特征向量与管道实际缺陷类型建立映射关系，并通过遗传粒子群优化算法指导SVM参数选取。结果表明：提出的分类方法可实现对管道缺陷损伤程度的准确划分，该方法已经成功通过实验室验证，并成功应用于华北某油田的工程领域检测。