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

該文根據(jù)Hilbert-Huang變換的原理，給出了二維內(nèi)蘊模式函數(shù)分量的遞推形式，實現(xiàn)了二維Hilbert-Huang變換的分解方法，并在圖像分解應用中取得了滿意的效果，從而拓展了Hilbert-Huang變換的應用范圍。通過把原始圖像自適應分解成有限數(shù)量的子圖像，圖像的細節(jié)能清晰地被分解出來，這在數(shù)字圖像處理中有很重要的意義。

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計和運放噪聲參數(shù)提取中都具有十分重要的意義。

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,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)。

該文對可轉(zhuǎn)變認證加密進行了研究，指出了Wu-Hsu(2002)方案和Huang-Chang(2003)方案中存在的問題，分別給出了這兩個方案的改進方案，很好地解決了認證加密方案的公開驗證問題。

密碼學意義上強的序列不僅應該具有足夠高的線性復雜度,而且當少量比特發(fā)生改變時不會引起線性復雜度的急劇下降,即具有高的-錯復雜度.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,并給出了線性復雜度的數(shù)學期望EN,0的值以及-錯復雜度的數(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.

Hilbert-Huang變換(HHT)理論通過經(jīng)驗模態(tài)分解(EMD)提取信號的內(nèi)蘊模態(tài)函數(shù)(IMF)，并對IMF利用Hilbert變換得到信號的時頻幅度譜和邊際譜。在總結(jié)Hilbert變換理論和算法實現(xiàn)局限性的基礎上，提出基于過零點-極點估計求取IMF瞬時頻率、幅度算法，通過對離散信號插值運算精確求取過零點和極點位置，并據(jù)此求出相應點的瞬時頻率和幅度，最后采用三次樣條求取信號的瞬時頻率幅度曲線。通過幾個典型的例子對該算法進行檢驗，結(jié)果表明，與Hilbert變換結(jié)果比較，借助該算法得到信號的時頻幅度譜和邊際譜結(jié)果更精確、頻率分辨率更好。

經(jīng)驗模態(tài)分解(EMD)的一個關(guān)鍵問題是處理邊界效應。盡管目前除了Huang申請了NASA專利的邊界處理方法，仍沒有一個最終的解決方案，但工程上已經(jīng)提出了多種處理方法。本文實現(xiàn)了工程上常用的5種EMD邊界處理方法：線性外延，多項式擬合，鏡像法，徑向基(RBF)神經(jīng)網(wǎng)絡預測和AR預測方法，設計了一套消除了EMD處理中信號的相互作用及模式混淆影響的測試方法，并利用準周期信號和隨機信號對它們的邊界效應處理結(jié)果進行了定量測試。結(jié)果表明鏡像法是目前相對最優(yōu)的EMD邊界處理方法。

該文提出了一種基于空時分組編碼的多輸入多輸出頻域均衡單載波分組傳輸(MIMO-SC/FDE)系統(tǒng)的空間分集接收方案，通過在Huang(2004)提出的分集結(jié)構(gòu)中引入使用空時分組編碼的發(fā)射分集，彌補了因減少DFT塊數(shù)目而造成的性能損失，同時在接收端進一步減少了IDFT塊的數(shù)目；通過適當設計空時分組編碼，還可以進一步提高數(shù)據(jù)傳輸速率。該文詳細推導了使用空時分組編碼后的處理過程，并對使用空時編碼后的MIMO-SC/FDE系統(tǒng)和相應的MIMO-OFDM系統(tǒng)性能進行了仿真比較。仿真結(jié)果表明，MIMO-SC/FDE系統(tǒng)的性能從總體上優(yōu)于MIMO-OFDM系統(tǒng)。

穿墻雷達動目標探測中人的心跳、呼吸、手臂擺動等運動的微多普勒信號是非線性、非平穩(wěn)信號，可以采用經(jīng)驗模式分解(EMD)對其進行時頻分析。由于EMD分解存在模式混合問題，該文提出一種改進的整體平均經(jīng)驗模式分解(EEMD)方法，并將其應用于穿墻雷達人的運動微多普勒特性分析中，并且對分解后的每個本征模式函數(shù)(IMF)進行Hilbert-Huang變換(HHT)，得到信號的時間-頻率-能量譜。仿真數(shù)據(jù)和實驗結(jié)果分析均表明，改進的EEMD方法不僅能夠有效消除EMD中的模式混合問題，將人運動微多普勒信號中的不同頻率尺度分解在不同的IMF中，而且還能夠有效抑制原始信號中的噪聲，提高信噪比，得到更精細、更清晰的時頻分布。

在車載網(wǎng)絡(VANETs)中，聯(lián)邦學習(FL)通過協(xié)同訓練機器學習模型，實現(xiàn)了車輛間的數(shù)據(jù)隱私保護，并提高了整體模型的性能。然而，F(xiàn)L在VANETs中的應用仍面臨諸多挑戰(zhàn)，如模型泄露風險、訓練結(jié)果驗證困難以及高計算和通信成本等問題。針對這些問題，該文提出一種面向聯(lián)邦學習的可驗證隱私保護批量聚合方案。首先，該方案基于Boneh-Lynn-Shacham (BLS)動態(tài)短群聚合簽名技術(shù)，保護了客戶端與路邊單元(RSU)交互過程中的數(shù)據(jù)完整性，確保全局梯度模型更新與共享過程的不可篡改性。當出現(xiàn)異常結(jié)果時，方案利用群簽名的特性實現(xiàn)車輛的可追溯性。其次，結(jié)合改進的Cheon-Kim-Kim-Song (CKKS)線性同態(tài)哈希算法，對梯度聚合結(jié)果進行驗證，確保在聯(lián)邦學習的聚合過程中保持客戶端梯度的機密性，并驗證聚合結(jié)果的準確性，防止服務器篡改數(shù)據(jù)導致模型訓練無效的問題。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。實驗結(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)果的可驗證性的同時，保證了較高效率。