低频振动对于精密仪器有着不容忽视的危害，通过弹簧的特殊排列可以实现近零刚度的非线性力学特性，不仅能够显著提高低频隔振效果，而且对于高频率的振动也有一定的隔离效果。然而，基于准零刚度的纯被动系统在动态响应上存在局限性，对振幅的依赖较大。因此，该文提出一种压电作动器的准零刚度混合主被动隔振系统，通过主动控制调节，从而增强混合系统整体的动态性能。首先，搭建基于压电作动器的准零刚度混合系统，由线性弹簧组成的准零刚度装置作为被动隔振装置，压电作动器作为主动隔振装置；其次，提出了一种改进的Bouc-Wen(B-W)模型，通过逆模型对其迟滞非线性进行补偿，对隔振对象施加精准的主动控制；最后，建立系统的动力学方程，对外界振动采用带Luenberger的滑模观测器的自适应滑模控制，提高系统的隔振性能。通过隔振控制实验验证，相比于单一被动隔振装置隔振效果提高35%左右。

在车载网络(VANETs)中，联邦学习(FL)通过协同训练机器学习模型，实现了车辆间的数据隐私保护，并提高了整体模型的性能。然而，FL在VANETs中的应用仍面临诸多挑战，如模型泄露风险、训练结果验证困难以及高计算和通信成本等问题。针对这些问题，该文提出一种面向联邦学习的可验证隐私保护批量聚合方案。首先，该方案基于Boneh-Lynn-Shacham (BLS)动态短群聚合签名技术，保护了客户端与路边单元(RSU)交互过程中的数据完整性，确保全局梯度模型更新与共享过程的不可篡改性。当出现异常结果时，方案利用群签名的特性实现车辆的可追溯性。其次，结合改进的Cheon-Kim-Kim-Song (CKKS)线性同态哈希算法，对梯度聚合结果进行验证，确保在联邦学习的聚合过程中保持客户端梯度的机密性，并验证聚合结果的准确性，防止服务器篡改数据导致模型训练无效的问题。此外，该方案还支持车辆在部分掉线的情况下继续更新模型，保障系统的稳定性。实验结果表明，与现有方案相比，该方案在提升数据隐私安全性和结果的可验证性的同时，保证了较高效率。