针对多标签分类算法不能充分利用标签相关性的问题，通过建立标签的正、负相关性矩阵来挖掘标签间不同的相关关系，提出一种基于引力模型的多标签分类算法（MLBGM）。首先，遍历训练集中所有样本并分别求取每个训练样本的 k个近邻样本，组成该样本的近邻集合；其次，根据每个样本的近邻集合中所有近邻样本的标签分布情况，分别为每个训练样本建立正、负相关矩阵来获取标签间的相关性；然后，为每个训练样本的近邻集合计算其近邻密度和近邻权重；最后，采用计算数据粒子间相互作用力的方式构建多标签分类模型。实验结果显示，MLBGM与5种未考虑标签负相关的对比算法相比，汉明损失（HammingLoss）平均降低了15.62%，微平均F1值（MicroF1）平均提升了7.12%，子集准确率（SubsetAccurary）平均提升了14.88%。MLBGM充分利用了标签间不同的相关性，获得了有效的实验结果且分类效果优于未考虑标签负相关的对比算法。

针对认知多输入多输出（MIMO）网络中传统基于最大信干噪比的干扰对齐算法，在发送多数据流时随着信噪比的增加不易收敛以及数据流之间的干扰突出的问题，提出一种充分考虑数据流间干扰并进行迭代限制的干扰对齐算法。首先，次用户通过编码设计消除主次间的干扰；然后，在消除主用户之间和次用户之间干扰时，根据信道互易性，运用广义瑞利熵计算基于最大信干噪比算法的预编码与干扰抑制矩阵，并在迭代过程中，每次迭代始终使预编码与干扰抑制矩阵先满足干扰功率在期望信号空间最小；最后，结合次用户间MIMO干扰信道、主次用户间构成的MIMO干扰信道以及次用户网络干扰对齐的必要性，推导出次用户可达自由度上限。实验结果表明，相比传统最大信干噪比算法，所提算法在信噪比较低时次用户总容量无明显提高，但随着信干噪比的增加其优势越来越明显；当达到收敛时，所提算法迭代次数比传统最大信干噪比算法约减少40%。因此，所提算法能够提高系统容量且加快收敛。