传统的图卷积网络（GCN）及其很多变体都是在浅层时达到最佳的效果，而没有充分利用图中节点的高阶邻居信息。随后产生的深层图卷积模型可以解决以上问题却又不可避免地产生了过平滑的问题，导致模型无法有效区分图中不同类别的节点。针对此问题，提出了一种利用初始残差和解耦操作的自适应深层图卷积模型ID-AGCN。首先，对节点的表示转换以及特征传播进行解耦；然后，在节点的特征传播过程中添加了初始残差；最后，自适应地结合不同传播层得到的节点表示，针对每个节点选择其合适的局部信息和全局信息以得到含有丰富信息的节点表征，并利用少部分带标签的节点进行监督训练来生成最终的节点表征。在Cora、CiteSeer和PubMed这三个数据集上的实验结果表明，ID-AGCN的分类准确率相较GCN分别提高了约3.4个百分点、2.3个百分点和1.9个百分点。所提模型能够更好地缓解过平滑。

针对经典的多约束组合优化问题——多维背包问题(MKP)，提出了一种贪心二进制狮群优化(GBLSO)算法。首先，采用二进制代码转换公式将狮群个体位置离散化，得到二进制的狮群算法；其次，引入反置移动算子对狮王位置进行更新，同时对母狮和幼狮位置重新定义；然后，充分利用贪心算法进行解的可行化处理，增强搜索能力并进一步提高收敛速度；最后，对10个MKP典型算例进行仿真实验，并把GBLSO算法与离散二进制粒子群(DPSO)算法和二进制蝙蝠算法(BBA)进行对比。实验结果表明，GBLSO算法是一种有效的求解MKP的新方法，在求解MKP时具有相对良好的收敛效率、较高的寻优精度和很好的鲁棒性。

在窄带物联网系统（NB-IoT）中，物联网（IoT）终端应当快速获取下行控制信息（DCI），以便正确接收数据信道的资源分配和调度信息。为此，针对窄带物理下行控制信道（NPDCCH）搜索空间大小大于等于32时，提出一种利用相关检测的低复杂度的NPDCCH盲检测算法。首先，通过对一个NPDCCH可能最小重复传输单元进行两次相关判决，剔除搜索空间中其他无效的数据，以降低计算复杂度；然后，对判决为有效数据所在的重复周期进行合并译码，以提高盲检性能；最后，对两个相关阈值设定进行了理论与仿真分析。仿真结果表明，相比穷举盲检测算法，所提算法在计算复杂度上至少降低了75%，检测性能提高了增益2.5~3.5 dB，更加利于工程实践。

在多分辨光顺算法研究及软件编制的基础上，针对多分辨光顺的精度控制问题，分析研究了光顺尺度对光顺精度的具体影响。该方法以半圆曲线作为标定对象，揭示了光顺尺度的选择与光顺精度之间的内在联系。实验结果表明，光顺尺度越小，光顺误差越大；多分辨光顺能够以较少的点表示原始曲线，有较强的数据压缩能力；曲线曲率较大的地方，更容易产生光顺误差。