针对基于信号强度指示（RSSI）的位置指纹定位过程中用于其离线位置指纹库构建的全采法采集工作量较大、位置指纹库构建效率较低、而插值法通常精度有限等问题，提出一种基于回溯搜索优化算法改进奇异值阈值（SVT）矩阵填充（MC）算法的离线位置指纹库高效构建方法。首先，利用定位区域内采集到的部分参考点的位置指纹数据建立低秩矩阵填充模型；然后通过基于奇异值阈值的低秩矩阵填充算法来求解该模型，进而快速准确重构出完整的位置指纹数据库；同时，针对传统矩阵填充算法最优解模糊及平滑性欠佳的问题，引入回溯搜索优化算法，以核范数最小建立适应度函数，对矩阵填充算法的寻优过程进行改进，进一步提高了求解精度。实验结果表明，利用所提方法构建的位置指纹库与实际采集的位置指纹库之间的平均误差仅为2.7054 dB，平均定位误差仅相差0.0863 m，但却节约了近50%的离线采集工作量。上述结果表明所提算法用于离线位置指纹库构建可以在保证精度的基础上，有效降低离线采集阶段的工作量，显著提高位置指纹库构建效率，在一定程度上提高位置指纹定位方法的实用性。

针对复杂非线性系统建模的难点问题，提出了一种基于改进的粒子群优化算法（PSO)优化的T-S模糊径向基函数（RBF）神经网络的新型系统建模算法。该算法将T-S模糊模型良好的可解释性及RBF神经网络的自学习能力相结合，构成T-S模糊RBF神经网络用于系统建模，并采用动态调整惯性权重的改进的PSO算法结合递推最小二乘算法实现网络参数的优化调整。首先，利用所提算法进行了非线性多维函数的逼近仿真，仿真结果均方差（MSE）为0.00017，绝对值误差不大于0.04，逼近精度较高；又将该算法用于建立动态流量软测量模型，并进行了相关的实验研究，动态流量测量结果平均绝对误差小于0.15L/min，相对误差为1.97%，基本满足测量要求，并优于已有算法。上述仿真及实验研究结果表明，所提算法对于复杂非线性系统具有较高的建模精度和良好的自适应性。

传统的基于K均值聚类算法及最小路径法的欠定盲源分离两步法存在K值难以确定，对初始值敏感，噪声和奇异点难以排除以及相对缺乏理论依据等诸多不足，针对以上问题，提出了基于势函数及压缩感知理论的新型两步算法。该算法首先利用多峰值粒子群寻优算法改进的势函数法来估计混合矩阵，然后利用估计矩阵来构建传感矩阵，并将基于正交匹配追踪的压缩感知算法引入欠定盲源分离过程中，最终实现源信号的重构。仿真实验结果表明，混合矩阵最高估计精度达到99.13%，重构信号干扰比均高于10dB，很好的满足了重构精度的要求，验证了本文算法的有效性。所提算法对一维混合信号的欠定盲源分离具有良好的普适性和较高的准确率。