論文元數(shù)據(jù)搜索,找到相關(guān)信息共 10 條:
1999, 21(3): 296-301.
刊出日期:1999-05-19
關(guān)鍵詞:
帶通信號; 正交采樣; 復(fù)包絡(luò); 多相濾波器組
提出了一種在基帶采樣率內(nèi)對任意帶通信號的正交采樣技術(shù)。載頻位于ADC(模/數(shù)轉(zhuǎn)換器)基帶采樣率內(nèi)的任意帶通信號,經(jīng)1/2抽取和(-1)n調(diào)制,再由全通線性多相濾波器內(nèi)插后,得到其復(fù)包絡(luò)的調(diào)制輸出XI(n)和XQ(n)。
2013, 35(1): 126-132.
doi: 10.3724/SP.J.1146.2012.00602
刊出日期:2013-01-19
可重構(gòu)柔性網(wǎng)絡(luò)鏈路失效將嚴(yán)重影響其上承載的可重構(gòu)服務(wù)承載網(wǎng)(RSCN)的可靠性。文章基于路徑備份策略著重解決時(shí)延敏感類型RSCN的可靠性問題,并提出分階段處理方式進(jìn)一步優(yōu)化備份資源消耗。在拓?fù)漕A(yù)處理階段,根據(jù)RSCN是否支持路徑分裂分別提出分裂的最小備份拓?fù)渖?S-MBT-Gen)算法和最小備份生成樹(MBST- Gen)算法,減小備份拓?fù)鋷捈s束總量;在拓?fù)溆成潆A段,提出主備拓?fù)鋮f(xié)同映射(RNM-PBT)算法,協(xié)調(diào)利用底層網(wǎng)絡(luò)資源。仿真結(jié)果表明,本文提出的算法降低了RSCN平均資源消耗,且具有較高的請求接受率和較低的平均執(zhí)行時(shí)間。
2009, 31(4): 853-856.
doi: 10.3724/SP.J.1146.2007.01901
刊出日期:2009-04-19
關(guān)鍵詞:
射頻識別;安全;隱私;相互認(rèn)證;部分ID
在低成本電子標(biāo)簽中實(shí)現(xiàn)安全隱私功能是RFID研究領(lǐng)域需要解決的一項(xiàng)關(guān)鍵技術(shù),該文采用部分ID,CRC校驗(yàn)以及ID動態(tài)更新的方法,提出一種新型RFID相互認(rèn)證協(xié)議,該協(xié)議具有前向安全性,能夠防止位置隱私攻擊、重傳攻擊、竊聽攻擊和拒絕服務(wù)攻擊,新協(xié)議有效地解決了RFID安全隱私問題,并且符合EPC Class1 Gen2標(biāo)準(zhǔn),它的硬件復(fù)雜度較低,適用于低成本電子標(biāo)簽。
1992, 14(3): 281-285.
刊出日期:1992-05-19
關(guān)鍵詞:
圖論及其應(yīng)用; 偶圖; 完備匹配; 許配樹
求給定偶圖的所有完備匹配問題在LSI/VLSI的布圖設(shè)計(jì)方面有著重要的應(yīng)用。本文提出了一種求解這一問題的算法。(1)提出了許配樹的概念并討論了其性質(zhì);(2)證明了任意一棵許配樹T(xi)對應(yīng)于給定偶圖的所有完備匹配的定理;(3)給出了求給定偶圖的所有完備匹配的算法。本算法已在BST 386 CAD工作站上用C語言實(shí)現(xiàn)。運(yùn)行結(jié)果證明了算法的正確性。算法已作為正在研充的VLSI積木塊布圖設(shè)計(jì)系統(tǒng)中的一個(gè)模塊。
2006, 28(4): 597-602.
刊出日期:2006-04-19
關(guān)鍵詞:
聚類;視覺采樣;Weber定律;聚類有效性
基于視覺采樣原理,該文提出了一般化的視覺采樣聚類方法VSC。該方法將視覺原理與著名的Weber定律結(jié)合起來,其特點(diǎn)是:對聚類初始條件不敏感;Weber定律提供了新的聚類有效性標(biāo)準(zhǔn),并且該方法所得到的合理的聚類數(shù)可以依據(jù)Weber定律而得到。大量的實(shí)驗(yàn)結(jié)果表明了算法VSC的有效性。文中討論了算法VSC與由Yang Miin-Shen等人(2004)新近提出的基于相似度量的聚類算法SCA之間的內(nèi)在聯(lián)系,得出了這兩個(gè)算法具有一定的同解性質(zhì),從而揭示了該文所提方法VSC能夠有效地克服算法SCA中參數(shù) 不易確定的困難。
2006, 28(8): 1415-1417.
刊出日期:2006-08-19
關(guān)鍵詞:
數(shù)字簽名;代理簽名;多重代理;多重簽名
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(diǎn),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(shí)現(xiàn)秘密共享和密鑰分配的方法,設(shè)計(jì)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。
2007, 29(10): 2529-2532.
doi: 10.3724/SP.J.1146.2006.00414
刊出日期:2007-10-19
關(guān)鍵詞:
代理簽名;匿名代理簽名;孤懸因子;強(qiáng)不可偽造性
Gu-Zhang-Yang(2005)提出了一個(gè)不需要可信第三方參與的匿名代理簽名方案,由于該方案的簽名驗(yàn)證數(shù)據(jù)中沒有回避孤懸因子這一現(xiàn)象,因此并不滿足強(qiáng)不可偽造性,原始簽名人可以偽造一個(gè)有效的代理簽名通過驗(yàn)證,并成功地在代理簽名者身份揭示階段向公眾證明該偽造的代理簽名是由合法的代理簽名者產(chǎn)生的。本文在分析該方案安全性的基礎(chǔ)上提出了改進(jìn)的匿名代理簽名方案,克服了原方案的不足。
2021, 43(12): 3743-3748.
doi: 10.11999/JEIT200855
刊出日期:2021-12-21
該文提出一種高性能硬件加密引擎陣列架構(gòu),為大數(shù)據(jù)應(yīng)用提供了先進(jìn)的安全解決方案。該模塊架構(gòu)包括一個(gè)高速接口、一個(gè)中央管理和監(jiān)視模塊(CMMM)、一組多通道驅(qū)動加密引擎陣列,其中CMMM將任務(wù)分配給加密引擎,經(jīng)由專用算法處理后再將數(shù)據(jù)傳回主機(jī)。由于接口吞吐量和加密引擎陣列規(guī)模會限制模塊性能,針對PCIe高速接口,采用MMC/eMMC總線連接構(gòu)建陣列,發(fā)現(xiàn)更多加密引擎集成到系統(tǒng)后,模塊性能將會得到提升。為驗(yàn)證該架構(gòu),使用55 nm制程工藝完成了一個(gè)PCIe Gen2×4接口的ASIC加密卡,測試結(jié)果顯示其平均吞吐量高達(dá)419.23 MB。
2016, 38(8): 1894-1900.
doi: 10.11999/JEIT151207
刊出日期:2016-08-19
海量機(jī)器類終端(或MTC終端)同步入網(wǎng)時(shí),其業(yè)務(wù)呈現(xiàn)瞬時(shí)突發(fā)性,這使得基于齊次或復(fù)合泊松假設(shè)的多信道S-ALOHA穩(wěn)態(tài)性能分析辦法難以直接應(yīng)用。該文以第i個(gè)隨機(jī)接入時(shí)隙內(nèi)第j次進(jìn)行隨機(jī)接入的用戶數(shù)Mi(j)作為狀態(tài)變量,提出了一種沿Mi(j) 的j方向迭代進(jìn)行多信道S-ALOHA暫態(tài)性能分析的辦法及其近似形式。該迭代辦法可建立第i個(gè)隨機(jī)接入時(shí)隙內(nèi)第j次進(jìn)行隨機(jī)接入的用戶數(shù)與第x個(gè)隨機(jī)接入時(shí)隙內(nèi)新到用戶數(shù)的直接關(guān)系(其中xi),也可給出接入時(shí)延概率密度函數(shù)、概率分布函數(shù)和均值的求解辦法。以3GPP MTC業(yè)務(wù)參考模型進(jìn)行數(shù)值仿真,驗(yàn)證了所提迭代辦法及其近似形式的有效性。相關(guān)研究可為承載網(wǎng)絡(luò)的優(yōu)化設(shè)計(jì)提供參考。
2023, 45(8): 2722-2730.
doi: 10.11999/JEIT221367
刊出日期:2023-08-21
相對于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)(ANN),脈沖神經(jīng)網(wǎng)絡(luò)(SNN)具有生物可解釋性、計(jì)算效率高等優(yōu)勢。然而,對于目標(biāo)檢測任務(wù),SNN存在訓(xùn)練難度大、精度低等問題。針對上述問題,該文提出一種基于動態(tài)閾值LIF神經(jīng)元(DT-LIF)與單鏡頭多盒檢測器(SSD)的SNN目標(biāo)檢測方法。首先,設(shè)計(jì)了一種DT-LIF神經(jīng)元模型,該模型可根據(jù)累積的膜電位動態(tài)調(diào)整神經(jīng)元的閾值,以驅(qū)動深層網(wǎng)絡(luò)的脈沖活動,提高推理速度。同時(shí),以DT-LIF神經(jīng)元為基元,構(gòu)建了一種基于SSD的混合SNN。該網(wǎng)絡(luò)以脈沖視覺幾何群網(wǎng)絡(luò)(Spiking VGG)和脈沖密集連接卷積網(wǎng)絡(luò)(Spiking DenseNet)為主干(Backbone),具有由批處理歸一化(BN)層、脈沖卷積(SC)層與DT-LIF神經(jīng)元構(gòu)成的3個(gè)額外層和SSD預(yù)測框頭(Head)。實(shí)驗(yàn)結(jié)果表明,相對于LIF神經(jīng)元網(wǎng)絡(luò),DT-LIF神經(jīng)元網(wǎng)絡(luò)在Prophesee GEN1數(shù)據(jù)集上的目標(biāo)檢測精度提高了25.2%。對比AsyNet算法,所提方法的目標(biāo)檢測精度提高了17.9%。