論文元數(shù)據(jù)搜索,找到相關(guān)信息共 6 條:
1998, 20(2): 199-205.
刊出日期:1998-03-19
關(guān)鍵詞:
En-In噪聲模型; 同相放大器; 反相放大器; 電壓負反饋
本文通過分析和比較同相和反相放大器En-In噪聲的特點,給出了若干新結(jié)果。本文方法在低噪聲運放電路設(shè)計和運放噪聲參數(shù)提取中都具有十分重要的意義。
2008, 30(7): 1666-1670.
doi: 10.3724/SP.J.1146.2006.01872
刊出日期:2008-07-19
關(guān)鍵詞:
陣列信號處理; 二維測向; 非圓信號; MUSIC
該文利用雙平行線陣的陣列結(jié)構(gòu),提出了用于非圓信號二維方向和初相聯(lián)合估計的擴展MUSIC(EN-MUSIC)算法。EN-MUSIC算法估計得到的方位角、俯仰角與初相一一對應(yīng),自動配對,其可測向信號數(shù)大于子陣陣元數(shù),方位及俯仰測角精度與非圓信號二維測向酉ESPRIT(2D-NC-UESPRIT)算法大致相當,優(yōu)于波達方向矩陣法(DOAM)。
2004, 26(11): 1787-1791.
刊出日期:2004-11-19
關(guān)鍵詞:
流密碼;周期序列;線性復(fù)雜度;-錯復(fù)雜度
密碼學意義上強的序列不僅應(yīng)該具有足夠高的線性復(fù)雜度,而且當少量比特發(fā)生改變時不會引起線性復(fù)雜度的急劇下降,即具有高的-錯復(fù)雜度.該文以多項式的因式分解為主要工具研究了任意有限域GF(q)上,周期N與p互素以及N=v這兩種情況下,計數(shù)函數(shù)NN,0(c)的值,并給出了線性復(fù)雜度的數(shù)學期望EN,0的值以及-錯復(fù)雜度的數(shù)學期望EN,的一個有用的下界,這里p是有限域GF(q)的特征.
2003, 25(10): 1355-1360.
刊出日期:2003-10-19
文中在B.Zhou提出的直接概率計算(DC)和近似概率計算(AC)算法基礎(chǔ)上提出了一種新的近似多傳感器多目標聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法。近似概率法是以一個目標為中心的近似聚為構(gòu)造互聯(lián)事件的起點,并在計算中將DC和AC結(jié)合得到的一種全鄰的點跡-航跡關(guān)聯(lián)算法。它能有效地提高目標點跡-航跡的關(guān)聯(lián)正確率,在計算時耗上較完全聯(lián)合概率法快得多,能滿足工程中實時性的要求,將其在雜波下目標密集、航跡復(fù)雜的數(shù)據(jù)融合系統(tǒng)中進行實驗,對關(guān)聯(lián)正確率,關(guān)聯(lián)耗時等與最近鄰法進行了比較,效果較好。
2007, 29(4): 901-905.
doi: 10.3724/SP.J.1146.2005.01088
刊出日期:2007-04-19
關(guān)鍵詞:
電子商務(wù)協(xié)議;公平性;安全性;形式化分析;ATL
針對傳統(tǒng)時序邏輯LTL,CTL及CTL*等把協(xié)議看成封閉系統(tǒng)進行分析的缺點,Kremer博士(2003)提出用一種基于博弈的ATL(Alternating-time Temporal Logic)方法分析公平電子商務(wù)協(xié)議并對幾個典型的協(xié)議進行了公平性等方面的形式化分析。本文討論了ATL邏輯及其在電子商務(wù)協(xié)議形式化分析中的應(yīng)用,進一步擴展了Kremer博士的方法,使之在考慮公平性等特性的同時能夠分析協(xié)議的安全性。最后本文用新方法對Zhou等人(1999)提出的 ZDB協(xié)議進行了嚴格的形式化分析,結(jié)果發(fā)現(xiàn)該協(xié)議在非保密通道下存在兩個可能的攻擊:保密信息泄露和重放攻擊。
2024, 46(1): 195-203.
doi: 10.11999/JEIT221517
刊出日期:2024-01-17
由于數(shù)據(jù)量激增而引起的信息爆炸使得傳統(tǒng)集中式云計算不堪重負,邊緣計算網(wǎng)絡(luò)(ECN)被提出以減輕云服務(wù)器的負擔。此外,在ECN中啟用聯(lián)邦學習(FL),可以實現(xiàn)數(shù)據(jù)本地化處理,從而有效解決協(xié)同學習中邊緣節(jié)點(ENs)的數(shù)據(jù)安全問題。然而在傳統(tǒng)FL架構(gòu)中,中央服務(wù)器容易受到單點攻擊,導(dǎo)致系統(tǒng)性能下降,甚至任務(wù)失敗。本文在ECN場景下,提出基于區(qū)塊鏈技術(shù)的異步FL算法(AFLChain),該算法基于ENs算力動態(tài)分配訓練任務(wù),以提高學習效率。此外,基于ENs算力、模型訓練進度以及歷史信譽值,引入熵權(quán)信譽機制評估ENs積極性并對其分級,淘汰低質(zhì)EN以進一步提高AFLChain的性能。最后,提出基于次梯度的最優(yōu)資源分配(SORA)算法,通過聯(lián)合優(yōu)化傳輸功率和計算資源分配以最小化整體網(wǎng)絡(luò)延遲。仿真結(jié)果展示了AFLChain的模型訓練效率以及SORA算法的收斂情況,證明了所提算法的有效性。