针对传统的卷积神经网络（CNN）不能直接处理点云数据，需先将点云数据转换为多视图或者体素化网格，导致过程复杂且点云识别精度低的问题，提出一种新型的点云分类与分割网络Linked-Spider CNN。首先，在Spider CNN基础上通过增加Spider卷积层数以获取点云深层次特征；其次，引入残差网络的思想在每层Spider卷积增加短连接构成残差块；然后，将每层残差块的输出特征进行拼接融合形成点云特征；最后，使用三层全连接层对点云特征进行分类或者利用多层卷积层对点云特征进行分割。在ModelNet40和ShapeNet Parts数据集上将所提网络与PointNet、PointNet++和Spider CNN等网络进行对比实验，实验结果表明，所提网络可以提高点云的分类精度和分割效果，说明该网络具有更快的收敛速度和更强的鲁棒性。

针对分布式数据库中关系及其分片多副本、多站点存储的特性会增加查询搜索空间及时间复杂度,从而降低查询执行计划(QEP)搜索效率的问题,提出一种基于分片分配选择器(FSS)设计准则的并行遗传-最大最小蚁群算法(PGA-MMAS)。首先,结合实际的企业分布式信息管理系统设计FSS,启发式选择较优关系副本,以减少查询连接代价并缩小PGA-MMAS的搜索空间;然后结合遗传算法(GA)收敛较快的优势,对最终连接关系进行编码和并行遗传操作,得到一组相对较优的QEP,并将其转化为并行最大最小蚁群算法(MMAS)的初始信息素分布,从而使其更快速地搜索到全局最优QEP;最后分别在不同关系数情况下对算法进行仿真实验,结果表明,基于FSS的PGA-MMAS搜索最优QEP的效率高于原GA以及基于FFS的GA、MMAS和GA-MMAS;经实际工程应用验证,所提算法搜索出的高质量QEP可以提高分布式数据库多关系查询效率。

在蜂窝网络中,相同需求的用户可以建立成簇以利用终端直通(D2D)技术提高数据分发效率。然而,D2D链路质量的差异可能会成为提高资源效率的瓶颈。为了解决上述问题,在考虑链路质量差异的前提下,提出了基于优先级的D2D中继方案。该方案通过遍历链路质量矩阵自适应选取最优阈值,以优先选择可实现较高数据速率的D2D链路进行数据转发,提高了时频资源的利用率。与无优先级方案相比的仿真实验中：基于优先级的D2D中继方案消耗更少的时频资源,具有更高的资源效率,而且随着成功接收数据的用户（ACK用户）与未成功接收数据的用户（NACK用户）比值减小,优势更加明显;同时簇的大小对资源效率的改善也有一定影响。结果显示,对于簇内用户数目较少并且NACK用户多于ACK用户的情形,所提出的分级转发方案对资源效率的改善尤为明显。

研究在传输合同约束条件下当编码子图给定时编码分组网络的效用最大化问题。基于提出的网络效用最大化模型，通过对偶分解理论，提出了分布式的次梯度投影算法，证明了算法收敛的充分条件，最后通过仿真验证了算法的正确性。