論文元數(shù)據(jù)搜索,找到相關(guān)信息共 17 條:
2000, 22(1): 68-72.
刊出日期:2000-01-19
關(guān)鍵詞:
移位寄存器序列; de Bruijn序列; 循環(huán)圈
本文給出一種de Bruijn序列的升元算法。該算法每步運(yùn)算可生成一列元素而不是一個(gè)元素,因而減少了運(yùn)算次數(shù),加快了生成速度。
1993, 15(2): 204-207.
刊出日期:1993-03-19
關(guān)鍵詞:
De Druijn序列; 齊次復(fù)雜度; 矩陣; 矩陣的秩
De Bruijn序列是一類最重要的非線性移位寄存器序列。本文定義并研究了n級(jí)De Bruijn序列的k次齊次復(fù)雜度Ck(s),給出了Ck(s)的一個(gè)上界。k=1及k=2時(shí),Ck(s)分別為人們所熟知的線性復(fù)雜度及二次齊次復(fù)雜度。
1995, 17(6): 618-622.
刊出日期:1995-11-19
關(guān)鍵詞:
移位寄存器; De Bruijn序列; 循環(huán)圈
De Bruijn序列是一類最重要的非線性移位寄存器序列。本文通過(guò)并置所有循環(huán)圈的周期約化,提出了一個(gè)新的生成k元de Bruijn序列的算法。該算法每步運(yùn)算可生成一列元素而不是一個(gè)元素,因此減少了運(yùn)算次數(shù),加快了生成速度。
1990, 12(6): 584-592.
刊出日期:1990-11-19
關(guān)鍵詞:
正交變換; 離散哈脫萊變換; 分離基算法
Soo-Chang Pei,Ja-Ling wu(1986)和茅一民(1987)提出了長(zhǎng)度為2m的分離基2/4哈脫萊變換算法。本文將分離基算法推廣到長(zhǎng)度為pm的哈脫萊變換,并證明基p2算法實(shí)乘次數(shù)比基p算法少,而基p/p2算法實(shí)乘次數(shù)比前兩者都少。作為例子,給出了長(zhǎng)度為N=3m的基3/9哈脫萊變換快速算法和流圖。
2019, 41(5): 1047-1054.
doi: 10.11999/JEIT180569
刊出日期:2019-05-01
頻譜彌散(SMSP)干擾與線性調(diào)頻雷達(dá)信號(hào)之間存在大量的時(shí)頻域耦合,干擾效能突出。該文提出一種信息域的抗SMSP干擾的信號(hào)處理算法,根據(jù)SMSP干擾信號(hào)的形式與特點(diǎn),通過(guò)自適應(yīng)改變壓縮感知的干擾基字典,同時(shí)匹配雷達(dá)信號(hào)與干擾信號(hào)的調(diào)頻率,構(gòu)建壓縮感知求解模型并基于凸優(yōu)化算法完成信號(hào)重構(gòu),最終實(shí)現(xiàn)干擾信號(hào)的識(shí)別及雷達(dá)信號(hào)的提取。該算法中冗余字典的構(gòu)造采用了Pei型分?jǐn)?shù)階傅里葉快速分解方法,不需要反復(fù)對(duì)信號(hào)進(jìn)行時(shí)頻域解耦,并且迭代次數(shù)較少,運(yùn)算效率較高。
2011, 33(7): 1639-1643.
doi: 10.3724/SP.J.1146.2010.01212
刊出日期:2011-07-19
針對(duì)粒子濾波(Particle Filter, PF)存在的粒子退化和貧化問(wèn)題,該文提出一種基于差分演化(Differential Evolution, DE)的PF算法。首先,為了充分利用最新的觀測(cè)信息,采用無(wú)跡卡爾曼濾波(Unscented Kalman Filter, UKF)來(lái)產(chǎn)生重要性分布,對(duì)重要性分布產(chǎn)生的采樣粒子不再做傳統(tǒng)重采樣操作,而是直接把采樣粒子當(dāng)作DE中的種群樣本,粒子權(quán)重作為樣本的適應(yīng)函數(shù),對(duì)粒子做差分變異、交叉、選擇等迭代優(yōu)化,最后得到最優(yōu)的粒子點(diǎn)集。試驗(yàn)結(jié)果表明,該算法有效緩解了傳統(tǒng)PF算法中的粒子退化和貧化,提高了粒子的利用率,具有較好的估計(jì)精度。
2007, 29(12): 2848-2852.
doi: 10.3724/SP.J.1146.2006.00516
刊出日期:2007-12-19
實(shí)際條件下,在對(duì)基于衰減指數(shù)(DE)和模型的雷達(dá)目標(biāo)散射中心參數(shù)估計(jì)和特征提取時(shí),其噪聲背景往往是非高斯的,分布密度函數(shù)表現(xiàn)出長(zhǎng)拖尾性質(zhì)。利用基于高斯假設(shè)條件下的估計(jì)方法進(jìn)行參數(shù)估計(jì)時(shí),往往不能得到較好的結(jié)果。針對(duì)這種情況,該文利用M估計(jì)方法來(lái)實(shí)現(xiàn)對(duì)長(zhǎng)拖尾雜波下DE模型參數(shù)的穩(wěn)健估計(jì)。首先分析了基于PRONY模型的M估計(jì)實(shí)現(xiàn)方法存在的不足,其次提出了兩種較為有效的DE模型散射中心參數(shù)M估計(jì)的實(shí)現(xiàn)方法,并對(duì)這兩種方法進(jìn)行了分析和比較。仿真實(shí)驗(yàn)結(jié)果表明,在一類長(zhǎng)拖尾K分布雜波條件下,與ESPRIT方法以及擴(kuò)展PRONY估計(jì)方法相比,該文所提的兩種方法均能得到較好的估計(jì)結(jié)果。
2008, 30(7): 1640-1643.
doi: 10.3724/SP.J.1146.2006.02002
刊出日期:2008-07-19
在準(zhǔn)循環(huán)LDPC碼的構(gòu)造中,校驗(yàn)矩陣擁有盡可能好的girth分布對(duì)于改善碼的性能有著重要的意義。該文提出了構(gòu)造準(zhǔn)循環(huán)LDPC碼的GirthOpt-DE算法,優(yōu)化設(shè)計(jì)以獲得具有好girth分布的移位參數(shù)矩陣為目標(biāo)。仿真結(jié)果表明,該文方法得到的準(zhǔn)循環(huán)LDPC碼在BER性能和最小距離上均要優(yōu)于固定生成函數(shù)的準(zhǔn)循環(huán)LDPC碼,Arrary碼和Tanner碼,并且使用上更為靈活,可以指定碼長(zhǎng),碼率及盡可能好的girth分布。
, 最新更新時(shí)間: ,
doi: 10.11999/JEIT240796
在車載網(wǎng)絡(luò)(VANETs)中,聯(lián)邦學(xué)習(xí)(FL)通過(guò)協(xié)同訓(xùn)練機(jī)器學(xué)習(xí)模型,實(shí)現(xiàn)了車輛間的數(shù)據(jù)隱私保護(hù),并提高了整體模型的性能。然而,F(xiàn)L在VANETs中的應(yīng)用仍面臨諸多挑戰(zhàn),如模型泄露風(fēng)險(xiǎn)、訓(xùn)練結(jié)果驗(yàn)證困難以及高計(jì)算和通信成本等問(wèn)題。針對(duì)這些問(wèn)題,該文提出一種面向聯(lián)邦學(xué)習(xí)的可驗(yàn)證隱私保護(hù)批量聚合方案。首先,該方案基于Boneh-Lynn-Shacham (BLS)動(dòng)態(tài)短群聚合簽名技術(shù),保護(hù)了客戶端與路邊單元(RSU)交互過(guò)程中的數(shù)據(jù)完整性,確保全局梯度模型更新與共享過(guò)程的不可篡改性。當(dāng)出現(xiàn)異常結(jié)果時(shí),方案利用群簽名的特性實(shí)現(xiàn)車輛的可追溯性。其次,結(jié)合改進(jìn)的Cheon-Kim-Kim-Song (CKKS)線性同態(tài)哈希算法,對(duì)梯度聚合結(jié)果進(jìn)行驗(yàn)證,確保在聯(lián)邦學(xué)習(xí)的聚合過(guò)程中保持客戶端梯度的機(jī)密性,并驗(yàn)證聚合結(jié)果的準(zhǔn)確性,防止服務(wù)器篡改數(shù)據(jù)導(dǎo)致模型訓(xùn)練無(wú)效的問(wèn)題。此外,該方案還支持車輛在部分掉線的情況下繼續(xù)更新模型,保障系統(tǒng)的穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明,與現(xiàn)有方案相比,該方案在提升數(shù)據(jù)隱私安全性和結(jié)果的可驗(yàn)證性的同時(shí),保證了較高效率。
2016, 38(11): 2715-2723.
doi: 10.11999/JEIT160052
刊出日期:2016-11-19
高光譜遙感影像由于其巨大的波段數(shù)直接導(dǎo)致信息的高冗余和數(shù)據(jù)處理的復(fù)雜,這不僅帶來(lái)龐大的計(jì)算量,而且會(huì)損害分類精度。因此,在對(duì)高光譜影像進(jìn)行處理、分析之前進(jìn)行降維變得非常必要。神經(jīng)網(wǎng)絡(luò)敏感性分析可以用于對(duì)模型的簡(jiǎn)化降維,該文將該方法運(yùn)用于高光譜遙感影像降維中,通過(guò)子空間劃分弱化波段之間的相關(guān)性,利用差分進(jìn)化算法(DE)優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),采用Ruck敏感性分析方法剔除掉對(duì)分類貢獻(xiàn)較小的波段,從而實(shí)現(xiàn)降維。最后,采用AVIRIS影像進(jìn)行實(shí)驗(yàn),所提算法相比其他相近的降維與分類方法能獲得更高的分類精度,達(dá)到85.83%,比其他相近方法中最優(yōu)方法高出0.31%。
- 首頁(yè)
- 上一頁(yè)
- 1
- 2
- 下一頁(yè)
- 末頁(yè)
- 共:2頁(yè)