論文元數(shù)據(jù)搜索,找到相關(guān)信息共 21 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(yùn)算可生成一列元素而不是一個元素,因而減少了運(yùn)算次數(shù),加快了生成速度。
2004, 26(10): 1620-1625.
刊出日期:2004-10-19
關(guān)鍵詞:
信息隱藏; 數(shù)字水印; LU分解
該文提出了一種新的基于矩陣LU分解的數(shù)字水印算法。該方法首先將數(shù)字圖像的非負(fù)矩陣表示轉(zhuǎn)化為G-對角占優(yōu)矩陣,再進(jìn)行LU分解,通過量化函數(shù)進(jìn)行數(shù)字水印的嵌入,恢復(fù)水印時不需要原始圖像。將矩陣的LU分解數(shù)字水印算法與DCT的中頻系數(shù)比較法進(jìn)行了對比實驗。實驗結(jié)果表明這種方法運(yùn)算速度快并且具有很好的魯棒性。
2013, 35(9): 2234-2239.
doi: 10.3724/SP.J.1146.2012.01527
刊出日期:2013-09-19
針對基于orth的稀疏目標(biāo)定位算法中orth預(yù)處理會影響原信號的稀疏性的問題,該文提出一種基于LU分解的稀疏目標(biāo)定位算法。該算法通過網(wǎng)格化感知區(qū)域把目標(biāo)定位問題轉(zhuǎn)化為壓縮感知問題,并利用LU分解法對觀測字典進(jìn)行分解得到新的觀測字典。該觀測字典有效地滿足了約束等距性條件,同時對觀測值的預(yù)處理過程不影響原信號的稀疏性,從而有效地保證了算法的重建性能,提升了算法的定位精度。實驗結(jié)果表明,基于LU分解的稀疏目標(biāo)定位算法的性能遠(yuǎn)優(yōu)于基于orth的稀疏目標(biāo)定位算法,目標(biāo)的定位精度得到了較大地提升。
1993, 15(2): 204-207.
刊出日期:1993-03-19
關(guān)鍵詞:
De Druijn序列; 齊次復(fù)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(fù)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(fù)雜度及二次齊次復(fù)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(yùn)算可生成一列元素而不是一個元素,因此減少了運(yùn)算次數(shù),加快了生成速度。
2010, 32(8): 2019-2022.
doi: 10.3724/SP.J.1146.2009.01401
刊出日期:2010-08-19
矩陣方程的快速求解是矩量法計算電大問題的關(guān)鍵,LU分解是求解線性方程組的有效方法。該文詳細(xì)地分析了Doolittle LU分解過程,基于分解過程的特點,在MPI(Message-Passing interface) 并行環(huán)境下,提出了按直角式循環(huán)對進(jìn)程進(jìn)行任務(wù)分配的并行求解方法。實驗證明該方法可以有效地減少進(jìn)程間數(shù)據(jù)通信量,從而加快計算速度。
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(dāng)作DE中的種群樣本,粒子權(quán)重作為樣本的適應(yīng)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。
2003, 25(10): 1321-1326.
刊出日期:2003-10-19
貝葉斯網(wǎng)絡(luò)是一種不確定性知識的推理和描述技術(shù),針對遙感數(shù)據(jù)的復(fù)雜性和不確定性,該文提出了一種基于貝葉斯網(wǎng)絡(luò)模型的遙感數(shù)據(jù)推理和描述技術(shù)。文中利用 2002年春季中-日亞洲沙塵暴項目的土地利用數(shù)據(jù)(LU),沙塵監(jiān)測數(shù)據(jù)(TSP),衛(wèi)星 AVHRR時間序列 LST/Albedo數(shù)據(jù),采用貝葉斯網(wǎng)絡(luò)模型進(jìn)行了知識描述和信息推理預(yù)測實驗,取得了較好的效果。
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(dá);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(dá)目標(biāo)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(jìn)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(jìn)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(kuò)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。
2019, 41(4): 845-850.
doi: 10.11999/JEIT180562
刊出日期:2019-04-01
為實現(xiàn)電磁計算的安全可靠和自主可控,該文基于“天河二號”國產(chǎn)眾核超級計算機(jī)平臺,開展大規(guī)模并行矩量法(MoM)的開發(fā)工作。為減輕大規(guī)模并行計算時計算機(jī)集群的通信壓力以及加速矩量法積分方程求解,通過分析矩量法電場積分方程離散生成的矩陣具有對角占優(yōu)特性,提出一種新型LU分解算法,即對角塊矩陣選主元LU分解(BDPLU)算法,該算法減少了panel列分解的計算量,更重要的是,完全消除了選主元過程的MPI通信開銷。利用BDPLU算法,并行矩量法突破了6×105 CPU核并行規(guī)模,這是目前在國產(chǎn)超級計算平臺上實現(xiàn)的最大規(guī)模的并行矩量法計算,其矩陣求解并行效率可達(dá)51.95%。數(shù)值結(jié)果表明,并行矩量法可準(zhǔn)確高效地在國產(chǎn)超級計算平臺上解決大規(guī)模電磁問題。
- 首頁
- 上一頁
- 1
- 2
- 3
- 下一頁
- 末頁
- 共:3頁