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

微支付交易具有交易量極大且單次交易額極小的特點(diǎn)，使得復(fù)雜的認(rèn)證協(xié)議不適用于微支付。Micali等人(2002)提出的基于概率選擇微支付方案，把微支付聚合成宏支付，大幅提高了微支付的效率。Liu-Yan在(2013)提出了保證所有參與者的數(shù)據(jù)融入概率選擇結(jié)果的生成, 而且使得所有參與者可以驗(yàn)證結(jié)果的公平性。然而，Liu-Yan方案中銀行可能獲得額外利益，從而破壞了協(xié)議的公平性。該文首先分析了Liu-Yan方案的安全威脅，并且以1個(gè)用戶-1個(gè)商家的模型代替Liu-Yan方案中大量用戶-1個(gè)商家的模型，以數(shù)據(jù)承諾技術(shù)為基礎(chǔ)保障結(jié)果的公平性與可驗(yàn)證性。

針對5G通信技術(shù)高傳輸速率、多業(yè)務(wù)場景的挑戰(zhàn)，該文提出一種組件化的軟件定義無線接入網(wǎng)絡(luò)新架構(gòu)。該架構(gòu)在5G接入網(wǎng)集中單元(CU)，分布單元(DU)，有源天線單元(AAU)架構(gòu)的基礎(chǔ)上，進(jìn)一步朝組件化方向演進(jìn)，形成一種由集中控制單元(CCU), CU, DU，射頻單元(RU)，AAU等組件化通信單元組成的新架構(gòu)。這種新架構(gòu)既有利于切片化、虛擬化實(shí)現(xiàn)無線接入網(wǎng)，又有利于應(yīng)用分布式計(jì)算技術(shù)和硬件加速技術(shù)突破通用處理器的計(jì)算能力瓶頸，還能降低DU與AAU之間的前傳壓力。該文還研制了基于此架構(gòu)的組件化軟基站試驗(yàn)原型并進(jìn)行了測試，結(jié)果表明該組件化方案在提供高度靈活性的同時(shí)，還能夠提升通用處理器軟基站的吞吐能力，并有效降低遠(yuǎn)端站址傳輸流量。

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。

圖像超分變率重建方法在公共安全檢測、衛(wèi)星成像、醫(yī)學(xué)和照片恢復(fù)等方面有著十分重要的用途。該文對基于生成對抗網(wǎng)絡(luò)的超分辨率重建方法進(jìn)行研究，提出一種基于純合成數(shù)據(jù)訓(xùn)練的真實(shí)世界盲超分算法(Real-ESRGAN)的UNet3+雙鑒別器Real-ESRGAN方法(Double Unet3+ Real-ESRGAN, DU3-Real-ESRGAN)。首先，在鑒別器中引入U(xiǎn)Net3+結(jié)構(gòu)，從全尺度捕捉細(xì)粒度的細(xì)節(jié)和粗粒度的語義。其次，采用雙鑒別器結(jié)構(gòu)，一個(gè)鑒別器學(xué)習(xí)圖像紋理細(xì)節(jié)，另一個(gè)鑒別器關(guān)注圖像邊緣，實(shí)現(xiàn)圖像信息互補(bǔ)。在Set5, Set14, BSD100和Urban100數(shù)據(jù)集上，與多種基于生成對抗網(wǎng)絡(luò)的超分重建方法相比，除Set5數(shù)據(jù)集外，DU3-Real-ESRGAN方法在峰值信噪比(PSNR)、結(jié)構(gòu)相似性(SSIM)和無參圖像考評價(jià)指標(biāo)(NIQE)都優(yōu)于其他方法，產(chǎn)生了更直觀逼真的高分辨率圖像。

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)場或外場的-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。

蜂窩網(wǎng)絡(luò)下的同時(shí)同頻全雙工(CCFD)設(shè)備到設(shè)備(D2D)組網(wǎng)可以進(jìn)一步提升網(wǎng)絡(luò)頻譜效率，然而由此引入的殘余自干擾(RSI)及蜂窩用戶(CU)與D2D用戶(DU)之間共享頻譜的干擾會嚴(yán)重影響到蜂窩用戶的體驗(yàn)。因此，該文為蜂窩網(wǎng)絡(luò)下同時(shí)同頻全雙工組網(wǎng)設(shè)計(jì)了兩種干擾協(xié)調(diào)算法，即CU和速率最大化算法(MaxSumCU)與CU最小速率最大化算法(MaxMinCU)，在小區(qū)頻譜效率得到提升的同時(shí)盡可能地保證CU的體驗(yàn)。對于MaxSumCU算法，該文以CU和速率為優(yōu)化目標(biāo)建立混合整數(shù)非線性規(guī)劃問題(MINLP)，其在數(shù)學(xué)上為非確定性多項(xiàng)式(NP-hard)問題。算法將其分解為功率控制與頻譜資源分配兩個(gè)子問題，并用圖形規(guī)劃找到最優(yōu)功率解后，使用二向圖最大權(quán)值匹配算法決定頻譜共享的CU與DU。為了保證每一個(gè)蜂窩用戶體驗(yàn)的公平性，該文設(shè)計(jì)了MaxMinCU算法用以最大化所有CU速率中的最小值，該算法基于二分查找與二向圖最小權(quán)值匹配算法來完成用戶的資源分配。數(shù)值結(jié)果表明，與小區(qū)和速率最大化(MaxSumCell)設(shè)計(jì)相比，該文所提的兩種算法在提升小區(qū)和速率的同時(shí)均有效地提升了蜂窩用戶的體驗(yàn)。

為了解決混合類型數(shù)據(jù)與專家知識等異質(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別(BI-TODIM)方法。完善了混合類型數(shù)據(jù)的距離測度，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)和專家知識的識別決策模型，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。