一级黄色片免费播放|中国黄色视频播放片|日本三级a|可以直接考播黄片影视免费一级毛片

該文提出了一種新的基于分塊迭代(BI)和自適應(yīng)分塊迭代(ABI)的部分傳輸序列算法，能夠有效地降低正交頻分復(fù)用(OFDM)系統(tǒng)的峰均功率比(PAPR)，與原始部分傳輸序列(OPTS)和Iterative Flipping(IF)算法相比，該算法能夠獲取更好的性能與復(fù)雜度的折衷，并且該算法可以看作OPTS和IF算法的一般化形式。

本文分析了擴(kuò)散型或漂移型或具有電荷放大效應(yīng)的光陰極的量子效率。提出了具有內(nèi)場(chǎng)或外場(chǎng)的-Si∶H光電發(fā)射模型。其結(jié)構(gòu)是p-i-n -Si∶H/Bi2S3或SnO2--Si∶H-Al∶Cs∶O。估算了它們的量子效率和積分靈敏度。二者的量子效率為1-10,靈敏度為103-105A/lm。外場(chǎng)模型的實(shí)驗(yàn)表明,結(jié)構(gòu)設(shè)計(jì)是正確的。

離子通道激光(ICL)是一種可工作在紫外和X射線區(qū)的新型自由電子激光。本文對(duì)低增益情況下ICL的輻射放大機(jī)制進(jìn)行了研究。利用Madey理論導(dǎo)出了ICL的增益公式;通過群聚參量Bi對(duì)ICL中電子的兩種不同的群聚機(jī)制進(jìn)行了討論;由諧振條件得出了ICL的輸出頻率,并與回旋自諧振脈塞(CARM)和常規(guī)自由電子激光(FEL)進(jìn)行了比較。

為了解決混合類型數(shù)據(jù)與專家知識(shí)等異質(zhì)信息的融合決策問題，該文提出了基于信任區(qū)間的交互式多屬性識(shí)別(BI-TODIM)方法。完善了混合類型數(shù)據(jù)的距離測(cè)度，根據(jù)信任區(qū)間的構(gòu)建定理和灰關(guān)聯(lián)方法構(gòu)建了未知目標(biāo)混合類型數(shù)據(jù)的信任區(qū)間，闡明了信任區(qū)間與直覺模糊數(shù)之間的等價(jià)關(guān)系，創(chuàng)建了混合類型數(shù)據(jù)和專家知識(shí)的識(shí)別決策模型，實(shí)現(xiàn)了特征層信息和決策層信息的統(tǒng)一表達(dá)；分析了基于信度函數(shù)的逼近理想解(BF-TOPSIS)方法的反轉(zhuǎn)現(xiàn)象及算法的復(fù)雜度，定義了區(qū)間數(shù)的序關(guān)系，提出了BI-TODIM識(shí)別決策方法，及基于直覺模糊熵的未知權(quán)重計(jì)算方法。結(jié)合算例和目標(biāo)識(shí)別案例，驗(yàn)證了該文方法在解決排序反轉(zhuǎn)和異質(zhì)信息融合方面的有效性，突出了該方法時(shí)間復(fù)雜度低、穩(wěn)定性好、識(shí)別準(zhǔn)確度高的優(yōu)點(diǎn)。

為研究一維分層介質(zhì)粗糙面之間金屬目標(biāo)的復(fù)合電磁散射特性，該文提出了一種結(jié)合前后向迭代算法(FBM)和雙共軛梯度法(Bi-CG)的快速互耦迭代算法(CCIA)。推導(dǎo)了分層粗糙面與金屬目標(biāo)的耦合邊界積分方程組，采用FBM和Bi-CG分別求解分層粗糙面與目標(biāo)的邊界積分方程，目標(biāo)和分層粗糙面的相互作用通過更新兩方程的激勵(lì)項(xiàng)來實(shí)現(xiàn)。計(jì)算了雙層介質(zhì)高斯粗糙面及無限長(zhǎng)金屬圓柱的復(fù)合電磁散射特性，當(dāng)目標(biāo)尺寸趨于零時(shí)與只有分層粗糙面的散射系數(shù)相吻合，驗(yàn)證了該算法的正確性；分析了不同粗糙面情況下該算法的收斂性；討論了目標(biāo)尺寸與位置變化對(duì)復(fù)合散射系數(shù)的影響。結(jié)果表明，金屬目標(biāo)的存在明顯影響了分層粗糙面的散射特性。

為了降低MIMO雷達(dá)自適應(yīng)矩陣算法(Adaptive Matrix Approach, AMA)的計(jì)算復(fù)雜度和樣本需求，該文提出一種雙邊AMA(Two-Sided AMA, TS-AMA)算法。TS-AMA算法將AMA算法的權(quán)矩陣分解成兩個(gè)低維權(quán)矩陣的Kronecker積，從而將AMA算法的代價(jià)函數(shù)轉(zhuǎn)化為一個(gè)雙二次的代價(jià)函數(shù)。新的代價(jià)函數(shù)可以通過結(jié)合半正定規(guī)劃(Semi-Definite Programming, SDP)和雙迭代算法(Bi-Iterative Algorithm, BIA)有效地求解。相比AMA算法，TS-AMA算法的收斂速度更快，樣本需求更低，運(yùn)算量更小。仿真結(jié)果說明了該算法的有效性。

針對(duì)普通積累檢測(cè)器檢測(cè)稀疏散射點(diǎn)目標(biāo)存在坍塌損失以及依賴于散射點(diǎn)密度的二元積累(SDD-BI)檢測(cè)器檢測(cè)密集散射點(diǎn)目標(biāo)存在信雜比損失的問題，該文充分利用目標(biāo)的散射點(diǎn)密度及幅度信息，提出了一種距離擴(kuò)展目標(biāo)的雙門限恒虛警檢測(cè)器(DT-CFAR)，在高斯雜波背景下推導(dǎo)了DT-CFAR虛警概率和檢測(cè)概率與檢測(cè)門限關(guān)系的解析表達(dá)式，并給出了最優(yōu)第1門限的確定方法。仿真結(jié)果表明，DT-CFAR對(duì)不同散射點(diǎn)密度目標(biāo)都具有較優(yōu)的檢測(cè)性能，并且對(duì)散射點(diǎn)密度估計(jì)失配具有魯棒性。

針對(duì)動(dòng)態(tài)分支預(yù)測(cè)錯(cuò)誤率在時(shí)間上分布不均勻且高錯(cuò)誤率比較集中的特點(diǎn)，該文提出一種可動(dòng)態(tài)變換預(yù)測(cè)極性的分支預(yù)測(cè)方法。該方法對(duì)未經(jīng)極性變換的原始動(dòng)態(tài)分支預(yù)測(cè)錯(cuò)誤率進(jìn)行自適應(yīng)監(jiān)測(cè)，篩選出原始動(dòng)態(tài)分支預(yù)測(cè)錯(cuò)誤率高于閾值的預(yù)測(cè)錯(cuò)誤高峰期，進(jìn)而調(diào)整預(yù)測(cè)錯(cuò)誤高峰期內(nèi)分支預(yù)測(cè)器的預(yù)測(cè)極性，使經(jīng)過極性變換的最終動(dòng)態(tài)分支預(yù)測(cè)錯(cuò)誤率在程序運(yùn)行過程中始終低于設(shè)定的閾值。該文同時(shí)研究了全局監(jiān)測(cè)、按組監(jiān)測(cè)和局部監(jiān)測(cè)3種分支預(yù)測(cè)錯(cuò)誤率監(jiān)測(cè)方式。實(shí)驗(yàn)結(jié)果表明，相同硬件資源下該方法比Gshare和Bi-Mode分支預(yù)測(cè)方法具有更高的分支預(yù)測(cè)精度。

針對(duì)網(wǎng)絡(luò)切片場(chǎng)景下時(shí)變網(wǎng)絡(luò)流量引起的虛擬網(wǎng)絡(luò)功能(VNF)遷移問題，該文提出一種基于聯(lián)邦學(xué)習(xí)的雙向門控循環(huán)單元(FedBi-GRU)資源需求預(yù)測(cè)的VNF遷移算法。該算法首先建立系統(tǒng)能耗和負(fù)載均衡的VNF遷移模型，然后提出一種基于分布式聯(lián)邦學(xué)習(xí)框架協(xié)作訓(xùn)練預(yù)測(cè)模型，并在此框架的基礎(chǔ)上設(shè)計(jì)基于在線訓(xùn)練的雙向門控循環(huán)單元(Bi-GRU)算法預(yù)測(cè)VNF的資源需求?；谫Y源預(yù)測(cè)結(jié)果，聯(lián)合系統(tǒng)能耗優(yōu)化和負(fù)載均衡，提出一種分布式近端策略優(yōu)化(DPPO)的遷移算法提前制定VNF遷移策略。仿真結(jié)果表明，兩種算法的結(jié)合有效地降低了網(wǎng)絡(luò)系統(tǒng)能耗并保證負(fù)載均衡。

該文提出了一種有效的中文手寫地址字符串的切分與識(shí)別方法。首先，利用筆劃提取與筆劃合并將字符串圖像進(jìn)行過切分，得到字根圖像序列；然后綜合利用幾何信息、識(shí)別信息和語義信息挑選最優(yōu)的字根合并路徑，得到最優(yōu)的切分結(jié)果及對(duì)應(yīng)的最優(yōu)識(shí)別結(jié)果。其中，幾何信息是根據(jù)當(dāng)前字符串自身的特點(diǎn)統(tǒng)計(jì)得到，因此可適應(yīng)不同書寫風(fēng)格的字符串。識(shí)別信息由單字分類器給出，包括10個(gè)候選識(shí)別結(jié)果及其相應(yīng)的置信度；單字分類器采用MQDF分類器。語義信息用基于字的bi-gram模型進(jìn)行描述，模型參數(shù)是從包含18萬條地址數(shù)據(jù)的數(shù)據(jù)庫(kù)中統(tǒng)計(jì)得到的。用3000個(gè)實(shí)際的手寫地址樣本做試驗(yàn)，單字識(shí)別正確率達(dá)到88.28%。