微支付交易具有交易量极大且单次交易额极小的特点，使得复杂的认证协议不适用于微支付。Micali等人(2002)提出的基于概率选择微支付方案，把微支付聚合成宏支付，大幅提高了微支付的效率。Liu-Yan在(2013)提出了保证所有参与者的数据融入概率选择结果的生成, 而且使得所有参与者可以验证结果的公平性。然而，Liu-Yan方案中银行可能获得额外利益，从而破坏了协议的公平性。该文首先分析了Liu-Yan方案的安全威胁，并且以1个用户-1个商家的模型代替Liu-Yan方案中大量用户-1个商家的模型，以数据承诺技术为基础保障结果的公平性与可验证性。

在目标识别中，对于样本数较多且分布复杂的数据，若将所有训练样本用来训练一个单一的分类器，会增加分类器的训练复杂度，且容易忽视样本的内在结构，不利于分类。因此人们提出了混合专家系统(ME)，即将训练样本集划分为多个训练样本子集，并在每个子集上单独训练分类器。但是传统ME系统需要人为确定专家个数，并且每个子集的学习独立于后端的任务，如分类。该文提出一种基于Dirichlet过程(DP)混合隐变量(LV)支持向量机(SVM)模型(DPLVSVM)的目标识别算法，采用DP混合模型自动确定样本聚类个数，同时每个聚类中使用线性隐变量SVM(LVSVM)进行分类。不同于以往算法，DPLVSVM 将聚类过程和分类器的训练过程联合优化，保证了各个子集中样本的分布上的一致性和可分性，而且可以利用Gibbs采样技术对模型参数进行简便有效的估计。基于人工数据集、公共数据集以及雷达实测数据的实验验证了该文方法的有效性。