网络空间逐渐成为人类生产活动的第二空间，网络空间测绘对人们了解认识网络空间资源分布、网络关系和威胁情况等具有重要意义。当前对域名这一网络空间重要资产的测绘研究相对较少，因此针对域名资产进行探测分析，结合多源域名数据对域名的基础属性、谱系关系、规模状况和时空变化等情况进行分析，形成域名画像。该研究有助于用户掌握互联网域名整体发展情况，可对网络流量过滤和恶意域名检测、网络空间资产属性识别等提供支撑。

如果对抗样本的迁移性越强，则其攻击结构未知的深度神经网络模型的效果越好，所以设计对抗样本生成方法的一个关键在于提升对抗样本的迁移性。然而现有方法所生成的对抗样本，与模型的结构和参数高度耦合，从而难以对结构未知的模型进行有效攻击。类别显著性映射能够提取出样本的关键特征信息，而且在不同网络模型中有较高的相似度。基于显著性映射的这一特点，在样本生成过程中，引入类别显著性映射进行约束，实验结果表明，该方法生成的对抗样本具有较好的迁移性。

工业现场控制作为边缘网关的典型应用场景，是物联网与人工智能交叉学科的研究热点。在场景中，传感器的数据经过高速无线网络汇集至边缘网关，算法模块根据传感器数据向设备发送控制指令，完成控制闭环。与传统网关仅仅收集和转发数据相比，边缘计算网关还承担了数据加工和控制生成的重要功能，所以其安全与性能显得尤为重要。针对边缘网关中的安全与性能要求，提出了一种工业边缘网关架构，该架构在基于X86的Linux平台上进行了模拟仿真和实机测试，结果表明该边缘网关可以满足工业现场控制的典型应用场景，并满足了传统网关的基准性能。

软件开发中对开源代码的复用会带来开源代码漏洞和违反开源许可等问题。传统复用代码检测方法常常检出较多偶然克隆代码，影响了复用代码的检测准确性。为此，提出了一种基于复用度量指标的函数级别复用开源代码检测方法。该方法对被测代码和开源代码库，先使用克隆检测工具获取克隆函数，然后使用依据克隆代码行和共用标识符在开源代码库中的出现频率的复用度量指标，判定每对克隆函数是否为复用。在公开有标注数据集和真实数据集上的实验结果均表明所提方法优于基于逆文档频率的方法。

针对目前车辆实时检测中存在定位不准确、检测精度低等问题，采用了一种以Darknet-53为骨架网络的YOLOv3车辆检测算法，将该算法模型在标准数据集Pascal-VOC2012上进行训练，以拍摄的西安南二环路的图片作为测试集进行测试。实验结果表明，YOLOv3算法的检测精度达到84.9%，相比于SSD算法，其检测精度提高了11.3%，检测速度提高了3.8 f/s。因此YOLOv3算法检测精度更好，检测速度更快，能准确地检测出图像中的车辆信息，满足车辆实时检测的要求。

针对行人重识别中由于姿势变化、视角改变、遮挡等引起的识别率不高的问题，提出了融合外观特征的行人重识别方法。该方法通过两个网络分支的设计，分别提取行人的全局特征和局部特征，二者融合后得到行人的外观特征。同时结合分类损失和度量学习损失，通过多任务学习策略对两个网络分支进行模型优化。此外，该模型设计了随机擦除算法，在数据集中加入噪声，增强模型的鲁棒性。实验结果表明：融合外观特征的行人重识别方法大大提高了行人重识别的准确率，在Market-1501数据集上rank1达到了92.82%、mAP 达到了80.51%，在DukeMTMC-reID数据集上rank1达到了85.06%、mAP达到了72.72%。

浮栅器件(Flash)能够将存储和计算的特性相结合，实现存算一体化，但是单个浮栅单元最多只能存储位宽为4 bit的数据。面向Nor Flash，研究了卷积神经网络参数的低位宽量化，对经典的AlexNet、VGGNet以及ResNet通过量化感知训练。采用非对称量化，将模型参数从32位浮点数量化至4位定点数，模型大小变为原来的1/8，针对Cifar10数据集，4位量化模型的准确率相对于全精度网络仅下降不到2%。最后将量化完成的卷积神经网络模型使用Nor Flash阵列加速。Hspice仿真结果表明，相对于全精度模型，部署在Nor Flash阵列中的量化模型精度仅下降2.25%，验证了卷积神经网络部署在Nor Flash上的可行性。

目前深度强化学习算法已经可以解决许多复杂的任务，然而如何平衡探索和利用的关系仍然是强化学习领域的一个基本的难题，为此提出一种联合随机性策略的深度强化学习探索方法。该方法利用随机性策略具有探索能力的特点，用随机性策略生成的经验样本训练确定性策略，鼓励确定性策略在保持自身优势的前提下学会探索。通过结合确定性策略算法DDPG和提出的探索方法，得到基于随机性策略指导的确定性策略梯度算法(SGDPG)。在多个复杂环境下的实验表明，面对探索问题，SGDPG的探索效率和样本利用率要优于DDPG算法。

针对目前生成以文本为条件的图像通常会遇到生成质量差、训练不稳定的问题，提出了通过单阶段生成对抗网络(GANs)生成高质量图像的模型。具体而言，在GANs的生成器中引入注意力机制生成细粒度的图像，同时通过在判别器中添加局部-全局语言表示，来精准地鉴别生成图像和真实图像；通过生成器和判别器之间的相互博弈，最终生成高质量图像。在基准数据集上的实验结果表明，与具有多阶段框架的最新模型相比，该模型生成的图像更加真实且取得了当前最高的IS值，能够较好地应用于通过文本描述生成图像的场景。

本文提出一种基于Mask R-CNN实例分割网络和Super4PCS点云配准算法来估计物体六维姿态的方法。通过目标点云与已知位姿的参考点云进行配准，可以获取目标的六维姿态。但实际中往往采用三维设备扫描目标的整体环境，生成的点云数量庞大，直接作为源点云与参考点云配准时，会由于候选集较多从而导致运算时间太长，因此本文先对目标实例分割处理后再配准：首先，利用深度相机获取整体环境的RGB-D图，其次利用Mask R-CNN模型将把目标分割出来，并将分割的目标RGB-D图转化为点云图，利用Super4PCS点云配准算法与参考点云进行配准，最终得到目标的六维位姿。在自制作的数据集上进行了验证，对比分割前后的四组实验，时间降低率约为60%-80%，有效证明了本方法的可行性。

提出一种基于NOR Flash的存算一体模拟乘加电路以及相应的偏置电路，运用NOR Flash工作于深线性区的I-V特性，实现模拟乘累加运算。通过将同一位线、不同字线的两个浮栅管上电流相减，实现其阈值电压差值与漏源电压的乘法运算。同时将同一字线、不同位线的浮栅管电流相加，实现乘法结果的加法运算。给出电路使NOR Flash位线电流相加、字线电流相减，将运算结果以伪差分的形式输出，仿真结果表明电路可以实现存算一体的模拟乘累加运算。

在尚未研发出有效疫苗前，对潜在感染者和易感者的隔离对于流行病控制而言具有十分重要的意义。研究采用潜伏者具有传染性的SEIR(Susceptible-Exposed-Infected-Recovered)模型，并提出两种动态隔离方法：一是在掌握网络全局信息时，计算候选隔离对象一阶邻居的有效度、介数、距离确诊者节点的路径长度之和，把三者乘积作为其权重；二是在仅有节点局域信息时，将候选隔离对象的有效边数和相邻感染节点数的同趋化之和作为其权重。仿真实验表明，隔离容量为1%～10%时，优先隔离借助全局信息识别出的高权重节点可使90%以上节点免受感染，优先隔离借助局域信息识别出的高权重节点可使70%以上节点免受感染，从而达到抑制疾病传播的目的。