論文元數(shù)據(jù)搜索，找到相關(guān)信息共 15 條：
2000, 22(1): 68-72.
刊出日期：2000-01-19
關(guān)鍵詞:
移位寄存器序列; de Bruijn序列; 循環(huán)圈
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
關(guān)鍵詞:
De Druijn序列; 齊次復雜度; 矩陣; 矩陣的秩
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
關(guān)鍵詞:
移位寄存器; De Bruijn序列; 循環(huán)圈
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。
2020, 42(3): 720-728.
doi: 10.11999/JEIT190230
刊出日期：2020-03-19
SIMON系列算法自提出以來便受到了廣泛關(guān)注。積分分析方面，Wang，F(xiàn)u和Chu等人給出了SIMON32和SIMON48算法的積分分析，該文在已有的分析結(jié)果上，進一步考慮了更長分組的SIMON64算法的積分分析?；?em>Xiang等人找到的18輪積分區(qū)分器，該文先利用中間相遇技術(shù)和部分和技術(shù)給出了25輪SIMON64/128算法的積分分析，接著利用等價密鑰技術(shù)進一步降低了攻擊過程中需要猜測的密鑰量，并給出了26輪SIMON64/128算法的積分分析。通過進一步的分析，該文發(fā)現(xiàn)高版本的SIMON算法具有更好抵抗積分分析的能力。
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(quán)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(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。
2007, 29(12): 2848-2852.
doi: 10.3724/SP.J.1146.2006.00516
刊出日期：2007-12-19
關(guān)鍵詞:
雷達;長拖尾分布;衰減指數(shù)模型;M估計;K分布雜波
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(zhì)。利用基于高斯假設(shè)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(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。
2008, 30(7): 1640-1643.
doi: 10.3724/SP.J.1146.2006.02002
刊出日期：2008-07-19
關(guān)鍵詞:
準循環(huán)LDPC碼; 差分進化; Girth分布; 最小距離
在準循環(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。仿真結(jié)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(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(jié)構(gòu)，利用每一子種群結(jié)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(zhuǎn)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(jié)果表明該文算法相較于其他算法在求解全局優(yōu)化問題上達到最優(yōu)效果。
2020, 42(5): 1281-1287.
doi: 10.11999/JEIT190346
刊出日期：2020-06-04
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)差分進化(DPDE)算法的方向圖綜合方法。首先，對差分進化(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，改進矩陣映射方法，重新定義映射法則，改善現(xiàn)有方法隨機性強和搜索精度低的不足。最后，為檢驗所提方法的有效性進行仿真實驗，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。
- 首頁
- 上一頁
- 1
- 2
- 下一頁
- 末頁
- 共:2頁
