传统基于语音的帕金森症（PD）病情预测方法则是分别预测运动症状评分（motor-UPDRS）和总体症状评分（total-UPDRS）。为解决在单任务预测过程中，传统方法无法利用任务之间的共享信息和预测性能不佳的问题，提出了一种基于模型过滤的多任务回归方法来预测帕金森症患者的motor-UPDRS和total-UPDRS。首先，考虑到子任务语音特征对预测motor-UPDRS和total-UPDRS不同的影响，添加L1正则化项进行特征选择；其次，在构建模型的同时，根据不同帕金森患者对象分布在不同的域，添加了过滤机制，来提高预测精度。在远程帕金森数据集仿真实验中，基于模型过滤的多任务回归方法在预测UPDRS时，较单任务条件下最小二乘法（LS）模型预测motor值准确度提高了67.2%，预测total值则提高了83.3%；相比单任务条件下决策回归树（CART）模型预测motor值提高了64%，预测total值则提高了78.4%。实验结果表明，基于模型过滤的多任务回归算法对UPDRS预测要优于单任务回归算法。

针对传统协作功率分配方案中忽略信道估计误差和电路能量消耗的问题，提出了一种改进的绿色联合优化算法。该算法在保证用户服务质量要求的前提下，引入信道估计误差、中继节点的电路能耗，联合能量有效性和时间有效性进行中继节点选择和各个节点功率分配分配,并利用拉格朗日方法得到了源节点和中继节点发送功率的闭式解。仿真结果表明，相对于传统的功率分配算法，高信噪比时改进算法的能量有效性提高了30%左右，而低信噪比时性能接近传统算法。

针对同时使用硬合并和软合并的两步协作频谱感知方法在第二步的软融合时仍需向融合中心发送大量不必要数据的问题，引入了接收信噪比估计，提出了一种改进的两步协作感知算法。改进算法在低信噪比情况下使用传统的两步协作检测提升检测性能，在较高信噪比情况下则采用硬融合策略来减少发往融合中心的信息量。仿真结果表明，改进算法和传统的两步协作检测算法相比，能在几乎不损失检测性能的情况下，显著减少不必要的数据传送。