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

本文給出一種de Bruijn序列的升元算法。該算法每步運算可生成一列元素而不是一個元素,因而減少了運算次數(shù),加快了生成速度。

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De Bruijn序列的k次齊次復(fù)雜度Ck(s),給出了Ck(s)的一個上界。k=1及k=2時,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。

De Bruijn序列是一類最重要的非線性移位寄存器序列。本文通過并置所有循環(huán)圈的周期約化,提出了一個新的生成k元de Bruijn序列的算法。該算法每步運算可生成一列元素而不是一個元素,因此減少了運算次數(shù),加快了生成速度。

為克服多重代理簽名方案中無法確認(rèn)誰是真正簽名者的弱點，Sun于1999年提出了不可否認(rèn)的代理簽名方案。2000年Hwang等人指出Sun的方案不安全，并對Sun的方案進(jìn)行了改進(jìn)，2004年 Tzeng, Tan, Yang各自對Hwang等人的方案進(jìn)行了安全性分析，指出Hwang方案容易受到內(nèi)部偽造攻擊。該文通過讓原始簽名組與代理簽名組互動來實現(xiàn)秘密共享和密鑰分配的方法，設(shè)計了一種新的安全的多重代理、多重簽名方案，它能夠滿足不可否認(rèn)性和不可偽造性的要求。

針對粒子濾波(Particle Filter, PF)存在的粒子退化和貧化問題，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信息，采用無跡卡爾曼濾波(Unscented Kalman Filter, UKF)來產(chǎn)生重要性分布，對重要性分布產(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)的粒子點集。試驗結(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，具有較好的估計精度。

實際條件下，在對基于衰減指數(shù)(DE)和模型的雷達(dá)目標(biāo)散射中心參數(shù)估計和特征提取時，其噪聲背景往往是非高斯的，分布密度函數(shù)表現(xiàn)出長拖尾性質(zhì)。利用基于高斯假設(shè)條件下的估計方法進(jìn)行參數(shù)估計時，往往不能得到較好的結(jié)果。針對這種情況，該文利用M估計方法來實現(xiàn)對長拖尾雜波下DE模型參數(shù)的穩(wěn)健估計。首先分析了基于PRONY模型的M估計實現(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估計的實現(xiàn)方法，并對這兩種方法進(jìn)行了分析和比較。仿真實驗結(jié)果表明，在一類長拖尾K分布雜波條件下，與ESPRIT方法以及擴(kuò)展PRONY估計方法相比，該文所提的兩種方法均能得到較好的估計結(jié)果。

在準(zhǔn)循環(huán)LDPC碼的構(gòu)造中，校驗矩陣擁有盡可能好的girth分布對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，碼率及盡可能好的girth分布。

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，這不僅帶來龐大的計算量，而且會損害分類精度。因此，在對高光譜影像進(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模型的簡化降維，該文將該方法運用于高光譜遙感影像降維中，通過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分類貢獻(xiàn)較小的波段，從而實現(xiàn)降維。最后，采用AVIRIS影像進(jìn)行實驗，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%。

種群多樣性與交叉算子在差分進(jìn)化(DE)算法求解全局優(yōu)化問題中具有重要作用，該文提出一種多種群協(xié)方差學(xué)習(xí)差分進(jìn)化(MCDE)算法。首先，采用多種群機(jī)制的種群結(jié)構(gòu)，利用每一子種群結(jié)合相應(yīng)的變異策略保證進(jìn)化過程個體多樣性。然后，通過種群間的協(xié)方差學(xué)習(xí)，為交叉操作建立一個適當(dāng)旋轉(zhuǎn)的坐標(biāo)系統(tǒng)；同時，使用自適應(yīng)控制參數(shù)來平衡種群的勘測與收斂能力。最后，在單峰函數(shù)、多峰函數(shù)、偏移函數(shù)和高維函數(shù)的25個基準(zhǔn)測試函數(shù)上進(jìn)行測試，并同其他先進(jìn)的進(jìn)化算法對比，實驗結(jié)果表明該文算法相較于其他算法在求解全局優(yōu)化問題上達(dá)到最優(yōu)效果。

針對多約束條件下稀布矩形平面陣列天線的優(yōu)化問題，該文提出一種基于動態(tài)參數(shù)差分進(jìn)化(DPDE)算法的方向圖綜合方法。首先，對差分進(jìn)化(DE)算法中的縮放因子和交叉概率引入動態(tài)變化控制策略，提高搜索效率和搜索精度。其次，改進(jìn)矩陣映射方法，重新定義映射法則，改善現(xiàn)有方法隨機(jī)性強(qiáng)和搜索精度低的不足。最后，為檢驗所提方法的有效性進(jìn)行仿真實驗，實驗數(shù)據(jù)表明，該方法可以提高天線優(yōu)化性能，有效降低天線的峰值旁瓣電平。