之前关于社会化单类协同排序推荐算法的研究仅仅集成用户的社交网络信息到推荐模型中，未能考虑到用户的社交信任网络的传递性。为了解决该问题，基于最新的CLiMF模型和TrustMF模型，提出了一种新的基于信任的社会化单类协同排序推荐算法（TrustOCCR）。该算法通过精心整合双重稀疏信息（隐式评分矩阵和具有传递性的社交信任网络矩阵）来进一步提高社会化单类协同排序推荐算法的性能。在真实的实验数据集上验证，采用两个不同的评价指标，本文提出的TrustOCCR算法均优于最新的社会化单类协同排序推荐算法。且TrustOCCR算法可扩展性好，适合在互联网信息推荐领域用于处理大数据。

大数据时代下，各业务部门基于已有业务数据积累激发数据价值已成为一种共识。由于各业务系统数据标准不统一，导致元数据杂乱无章、数据孤岛、低质数据等问题层出不穷，阻碍数据的有效利用，需进行必要的治理。这其中，数据血缘分析是元数据管理的关键任务之一，对于数据溯源和数据治理具有重要意义。然而，传统的数据血缘构建方法往往面临着计算复杂度高、准确性差、执行成本高等问题。为克服这些问题，提出一种基于数据表相似度计算的数据血缘构建方法：通过对数据表的命名、表结构和数据字段三要素进行文本特征表示，利用TFIDF计算数据表的相似度，并进一步通过改进的Jaro-Winkler Distances算法验证字段重合度、表名相似度的方法构建数据表血缘关系。结果表明，该算法在数据表血缘关系构建方面效果显著，促进了数据治理工作的顺利开展。

电力需求响应是用电高峰时期维护电网供需平衡的重要手段，而削峰是智能电网实现电力需求响应的主要方式。为了使采用混合流水车间生产的企业更好地参与削峰需求响应，优化生产调度，在混合流水车间调度问题中引入了削峰需求响应，建立了新的问题模型，并提出了一种改进麻雀搜索算法用于模型求解。针对标准麻雀搜索算法易陷入局部最优的问题，所提算法通过加入K-均值聚类替换策略改进了标准麻雀搜索算法的局部搜索能力。实验结果表明，所提模型和算法能够提供较好的削峰生产调度方案，满足企业实施削峰需求响应调度的需要。

合理利用发电资源是减少资源浪费的一种方式，由于电能不能大量储存，需要对未来一段时间的发电量进行合 理预测。以BP神经网络为研究对象，针对其容易陷入局部最优的缺点，利用遗传算法和粒子群算法分别对BP神经网络进行 优化，建立BP神经网络时间序列预测模型。对比了两种群智能算法优化神经网络对电力系统负荷预测的拟合度和误差，通过 Matlab进行实验，结果显示，利用遗传算法和粒子群算法优化的BP神经网络能够减小预测误差。

在电力系统中经常发生低频振荡的现象，危及电力系统的稳定。振荡主要是由于频率、负荷、电压、有功功率和 无功功率的突变引起的。利用改进的变色龙优化算法（MCSA）给出了阻尼低频振荡的方法。并将改进的变色龙群算法与传 统的变色龙群算法和遗传算法在实际功率、无功功率和负载扰动等在不同条件下进行比较，分析了系统的阻尼性能和稳定性。 实验结果表明，该控制器具有较高的阻尼比，对转速和功角偏差具有较好的阻尼，提高了系统的稳定性。

针对目前面部表情识别特征表达不足、识别精度低及参数多的问题，提出了一种结合注意力特征融合的八度卷 积表情识别方法。主要创新点在于将注意力特征融合机制引入模型，优化不同尺度特征的融合；采用深度可分离网络替代传 统卷积，大幅减少参数；并引入BN和PReLU提升模型稳定性和性能。实验显示，该模型在CK+和Fer2013数据集上准确率分 别达98.91%和74.03%，展现了优秀的泛化能力和准确度。

通过面部表情来识别情绪已经广泛应用于日常生活中。在深度学习算法中，卷积神经网络(CNN)在面部表情识 别领域取得了巨大成功，但仍旧面临信息冗余和数据偏差的问题，影响着面部表情识别算法性能。因此提出了一种基于从面 部图像中提取的地标图的多尺度图卷积网络(GCN)。在 CK+、JAFFE、FER2013、RAF-DB 数据集上对所提出方法进行了仿 真。结果表明，所提方法优于AUDN、BDBN、SCNN等传统的深度学习框架，在不同数据集上准确率更高。

社区检测是复杂网络中的研究热点，理解和发现网络的社区结构对于探索网络的行为和功能具有重要意义。提 出了一种新颖的基于邻居相似性的图嵌入方法进行社区检测。基于节点的邻居相似性和接受度聚合邻居的属性信息表达，得 到网络中每个节点的向量表达后，直接进行K-均值聚类得到最终的社区划分结果。实验结果表明：提出的算法具有更好的社 团划分结果，其模块性和标准归一化指标都有明显的提升。

针对传统旋转机械故障诊断算法存在的诊断精度低、分类性能差的不足，提出一种面向复杂机械故障诊断的混 沌粒子群算法。基于S变换提取非平稳故障信号的特征，并利用高斯窗口函数抑制噪声干扰，提升故障信号的局部适应度；利 用混沌理论中的混沌振子，提取微弱故障信号的振幅和频率，并基于粒子群算法在全局范围内寻找最优的模型参数组合；依据 混沌优化理论改善经典粒子群算法的局部寻优性能，在全局范围内获取最优解。实验结果表明，在3种不同的电机载荷条件 下，提出算法均能够准确识别出故障样本，且针对不同故障类型的平均分类准确率在98%以上。