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

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(wèn)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(shù)(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(qǐng)求接受率和較低的平均執(zhí)行時(shí)間。

在基于運(yùn)動(dòng)想象(MI)的腦機(jī)接口(BCI)中，通常采用較多通道的腦電信號(hào)(EEG)來(lái)提高分類精度，但其中會(huì)有包含與MI任務(wù)無(wú)關(guān)或冗余信息的通道，從而影響B(tài)CI的性能提升。該文針對(duì)運(yùn)動(dòng)想象腦電分類中的通道選擇問(wèn)題，提出一種采用相關(guān)性和稀疏表示對(duì)通道進(jìn)行選擇的方法(CSR-CS)。首先計(jì)算訓(xùn)練樣本每個(gè)通道的皮爾遜相關(guān)系數(shù)來(lái)選擇顯著通道，然后提取顯著通道所在區(qū)域的濾波器組共空間模式特征拼接成字典，利用由字典所得到的非零稀疏系數(shù)的個(gè)數(shù)表征每個(gè)區(qū)域的分類能力，選出顯著區(qū)域所包含的顯著通道作為最優(yōu)通道，最后采用共空間模式和支持向量機(jī)分別進(jìn)行特征提取與分類。在對(duì)BCI第3次競(jìng)賽數(shù)據(jù)集IVa和BCI第4次競(jìng)賽數(shù)據(jù)集I兩個(gè)二分類MI任務(wù)的分類實(shí)驗(yàn)中，平均分類精度達(dá)到了88.61%和83.9%，表明所提通道選擇方法的有效性和魯棒性。

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(dòng)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(tīng)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(wèn)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。

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。

基于運(yùn)動(dòng)意圖的腦-機(jī)接口(BCI)對(duì)人體運(yùn)動(dòng)功能增強(qiáng)、替代和康復(fù)具有重要研究意義與應(yīng)用價(jià)值。其中，運(yùn)動(dòng)想象(MI)是最常用的表征運(yùn)動(dòng)意圖的BCI范式。然而，傳統(tǒng)MI-BCI通常僅實(shí)現(xiàn)不同肢體部位運(yùn)動(dòng)意圖解碼，且識(shí)別正確率較低，制約著精細(xì)運(yùn)動(dòng)控制與康復(fù)效果。針對(duì)上述問(wèn)題，近年來(lái)研究者在單一肢體特定部位、運(yùn)動(dòng)學(xué)與動(dòng)力學(xué)意圖誘發(fā)頭皮腦電編解碼以及運(yùn)動(dòng)意圖錯(cuò)誤相關(guān)電位檢測(cè)3個(gè)方面開(kāi)展了一系列有意義的探索，并在高自由度的運(yùn)動(dòng)指令控制和面向卒中患者的臨床康復(fù)應(yīng)用方面取得了較大的研究成果。該文從運(yùn)動(dòng)意圖的頭皮腦電(EEG)編解碼相關(guān)范式及其BCI應(yīng)用兩個(gè)方面綜述了本領(lǐng)域研究進(jìn)展，并探討當(dāng)前研究存在的問(wèn)題和可能的解決方案，以期促進(jìn)運(yùn)動(dòng)意圖BCI技術(shù)的深入研究及開(kāi)發(fā)應(yīng)用。

為了抑制或者消除準(zhǔn)同步碼分多址(QS-CDMA)通信系統(tǒng)的多址干擾(MAI)、多徑干擾(MI)以及鄰小區(qū)干擾，該文提出一類非對(duì)稱零相關(guān)區(qū)(A-ZCZ)序列偶集的構(gòu)造方法?；诮o定的最佳自相關(guān)序列偶，運(yùn)用交織操作，成功設(shè)計(jì)一類非對(duì)稱零相關(guān)區(qū)序列偶集。新集合的每個(gè)子集均是零相關(guān)區(qū)序列偶集，且不同子集的序列偶間的互相關(guān)函數(shù)(CCF)具有更大的零互相關(guān)區(qū)(ZCCZ)。同時(shí)，該文提出的構(gòu)造方法可以根據(jù)系統(tǒng)要求靈活地選擇子集的零相關(guān)區(qū)寬度。

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(dòng)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(huì)限制模塊性能，針對(duì)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(huì)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(cè)試結(jié)果顯示其平均吞吐量高達(dá)419.23 MB。

相對(duì)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(shì)。然而，對(duì)于目標(biāo)檢測(cè)任務(wù)，SNN存在訓(xùn)練難度大、精度低等問(wèn)題。針對(duì)上述問(wèn)題，該文提出一種基于動(dòng)態(tài)閾值LIF神經(jīng)元(DT-LIF)與單鏡頭多盒檢測(cè)器(SSD)的SNN目標(biāo)檢測(cè)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(dòng)態(tài)調(diào)整神經(jīng)元的閾值，以驅(qū)動(dòng)深層網(wǎng)絡(luò)的脈沖活動(dòng)，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(jué)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(cè)框頭(Head)。實(shí)驗(yàn)結(jié)果表明，相對(duì)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(cè)精度提高了25.2%。對(duì)比AsyNet算法，所提方法的目標(biāo)檢測(cè)精度提高了17.9%。