正交时间序列复用（OTSM）可以以更低的复杂度实现类似正交时频空间（OTFS）调制的传输性能，为未来需要低复杂度收发器的高速移动性通信系统提供一种有前景的解决方法。针对现有的基于时域的高斯-赛德尔（GS）迭代均衡效率不高的问题，提出二级信号检测算法。首先在时域进行低复杂度线性最小均方误差（LMMSE）检测，其次采用连续超松弛（SOR）迭代算法进一步消除残余符号干扰。为进一步提高收敛效率和检测性能，对SOR算法进行线性优化得到改进SOR（ISOR）算法。仿真实验结果表明，与SOR算法相比，ISOR算法在增加较低复杂度前提下可以提升检测性能并加快算法收敛。与GS迭代算法相比，ISOR算法采用16QAM调制且误码率为 {\mathrm{10}}^{-\mathrm{4}} 时有1.61 dB的增益。

在图结构数据上开展推理计算是一项重大的任务，该任务的主要挑战是如何表示图结构知识使机器可以快速理解并利用图数据。对比现有表示学习模型发现，基于随机游走方法的表示学习模型容易忽略属性对节点关联关系的特殊作用，因此提出一种基于节点邻接关系与属性关联关系的混合随机游走方法。首先通过邻接节点间的共同属性分布计算属性权重，并获取节点到每个属性的采样概率；然后分别从邻接节点与含有共有属性的非邻接节点中提取网络信息；最后构建基于节点-属性二部图的网络表示学习模型，并通过上述采样序列学习得到节点向量表达。在Flickr、BlogCatalog、Cora公开数据集上，用所提模型得到的节点向量表达进行节点分类的Micro-F1平均准确率为89.38%，比GraphRNA（Graph Recurrent Networks with Attributed random walks）高出了2.02个百分点，比经典工作DeepWalk高出了21.12个百分点；同时，对比不同随机游走方法发现，提高对节点关联有促进作用的属性的采样概率可以增加采样序列所含信息。

为了研究实际中的数据合并问题,对各类数据信息给予了整体表示,使数据集、关联关系和划分共同组成了关联组合结构,为数据合并作了结构化的准备。进而,通过对关联关系的粒化处理,实现了关联组合结构到粒化结构的转换,促成了相关数据的按组合并。由于关联组合结构和粒化结构均与关联矩阵相互对应,所以基于结构转换的数据合并又可通过矩阵变换计算完成。因此所展开的讨论既包含了数据合并的理论分析,也给出了数据合并可程序化的数据形式,形成了以结构粒化为理论支撑、以矩阵变换为算法构成的数据合并方法。基于该方法的程序设计使数据合并实现了程序化,并保证了运行的线性复杂度。实验表明,理论支撑下的程序处理具有快速及准确的运行特性。