論文元數(shù)據(jù)搜索，找到相關信息共 16 條：
2000, 22(1): 68-72.
刊出日期：2000-01-19
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。
1993, 15(2): 204-207.
刊出日期：1993-03-19
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雜度及二次齊次復雜度。
1995, 17(6): 618-622.
刊出日期：1995-11-19
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。
1995, 17(5): 492-499.
刊出日期：1995-09-19
設C是虧格為g的不可約代數(shù)曲線;C*(D,G)為C上的代數(shù)幾何碼,該碼的設計距離為d*=deg(G)-2g+2。本文首先從理論上證明所給算法的合理性,然后給出一種基于基本累次算法(FIA)的譯碼算法。該算法是G.L.Feng等人(1993)提出的算法的改進。它可對[(d*-1)/2]個錯誤的接收向量進行譯碼。運算量與存貯量約為G.L.Feng等人算法的一半,且便于軟硬件實現(xiàn)。
2004, 26(6): 966-970.
刊出日期：2004-06-19
關鍵詞:
機動目標模型;跟蹤算法
在當前統(tǒng)計模型的基礎上，結合實時輸入估計算法(Feng xinxi等，1996)的思想，提出了一種新的機動目標模型，并利用其方差調整關系建立了自適應跟蹤算法。大量仿真結果表明該模型能夠準確描述目標的各種機動情況，跟蹤算法具有良好的跟蹤性能，具有實際應用價值。
2011, 33(7): 1639-1643.
doi: 10.3724/SP.J.1146.2010.01212
刊出日期：2011-07-19
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作DE中的種群樣本，粒子權重作為樣本的適應函數(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。
2007, 29(12): 2848-2852.
doi: 10.3724/SP.J.1146.2006.00516
刊出日期：2007-12-19
實際條件下，在對基于衰減指數(shù)(DE)和模型的雷達目標散射中心參數(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。利用基于高斯假設條件下的估計方法進行參數(shù)估計時，往往不能得到較好的結果。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，并對這兩種方法進行了分析和比較。仿真實驗結果表明，在一類長拖尾K分布雜波條件下，與ESPRIT方法以及擴展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果。
2008, 30(7): 1640-1643.
doi: 10.3724/SP.J.1146.2006.02002
刊出日期：2008-07-19
在準循環(huán)LDPC碼的構造中，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。該文提出了構造準循環(huán)LDPC碼的GirthOpt-DE算法，優(yōu)化設計以獲得具有好girth分布的移位參數(shù)矩陣為目標。仿真結果表明，該文方法得到的準循環(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。
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)直接導致信息的高冗余和數(shù)據(jù)處理的復雜，這不僅帶來龐大的計算量，而且會損害分類精度。因此，在對高光譜影像進行處理、分析之前進行降維變得非常必要。神經(jīng)網(wǎng)絡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性，利用差分進化算法(DE)優(yōu)化神經(jīng)網(wǎng)絡結構，采用Ruck敏感性分析方法剔除掉對分類貢獻較小的波段，從而實現(xiàn)降維。最后，采用AVIRIS影像進行實驗，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，達到85.83%，比其他相近方法中最優(yōu)方法高出0.31%。
2019, 41(6): 1488-1495.
doi: 10.11999/JEIT180670
刊出日期：2019-06-01
種群多樣性與交叉算子在差分進化(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)方差學習差分進化(MCDE)算法。首先，采用多種群機制的種群結構，利用每一子種群結合相應的變異策略保證進化過程個體多樣性。然后，通過種群間的協(xié)方差學習，為交叉操作建立一個適當旋轉的坐標系統(tǒng)；同時，使用自適應控制參數(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個基準測試函數(shù)上進行測試，并同其他先進的進化算法對比，實驗結果表明該文算法相較于其他算法在求解全局優(yōu)化問題上達到最優(yōu)效果。
- 首頁
- 上一頁
- 1
- 2
- 下一頁
- 末頁
- 共:2頁
