针对基于 k近邻的协同过滤推荐算法中存在的评分特征数据维度过高、 k近邻查找速度慢，以及评分冷启动等问题，提出基于数据降维与精确欧氏局部敏感哈希（E ²LSH）的 k近邻协同过滤推荐算法。首先，融合评分数据、用户属性数据以及项目类别数据，将融合后的数据作为输入对堆叠降噪自编码（SDA）神经网络进行训练，取神经网络编码部分最后一个隐层的值作为输入数据的特征编码，完成非线性降维。然后，利用精确欧氏局部敏感哈希算法对降维后的数据建立索引，通过检索得到目标用户或目标项目的相似近邻。最后，计算目标与近邻之间的相似度，利用相似度对近邻的评分记录加权得到目标用户对目标项目的预测评分。在标准数据集上的实验结果表明，在冷启动场景下，均方根误差比基于局部敏感哈希的推荐算法（LSH-ICF）平均降低了约7.2%，平均运行时间和LSH-ICF相当。表明该方法在保证推荐效率的前提下，缓解了评分冷启动问题。

针对传统离散傅里叶变换(DFT)调制滤波器组设计时因原型滤波器时域反转条件带来的功率互补限制问题，从滤波器组时域完全重建条件角度提出一种时域改进方法设计DFT调制滤波器组，并将其应用于滤波器组多载频调制系统中。该时域改进设计方法放弃传统设计方法中原型滤波器的时域反转约束条件，即接收端滤波器组为发送端滤波器组的共轭转置形式，采用滤波器组时域完全重建条件矩阵方程设计接收端滤波器组，从而避免了对原型滤波器设计的功率互补条件限制，同时保证了滤波器组的完全重建特性。相比传统设计方法，该改进方法提高了滤波器组中原型滤波器的设计自由度，可以根据不同的应用场景选择适合的原型滤波器而无需考虑功率互补限制。基于该方法设计的多载频调制系统在正交相移键控(QPSK)调制、理想信道和3GPP TS 25.104人行多径信道以及单抽头频域均衡下有更好的误符号率(SER)性能。