論文元數(shù)據(jù)搜索，找到相關信息共 3 條：
1991, 13(6): 632-636.
刊出日期：1991-11-19
復雜的光譜干擾限制了ICP-AES分析技術的進一步發(fā)展。最近提出的一些光譜干擾校正算法都因運算量大,而難以在一般微機上實時運行。本文基于算法和處理速度的綜合考慮,采用VLSI數(shù)字信號處理器(DSP芯片)構成光譜干擾校正硬件與Shen Lansun(沈蘭蓀)等人(1989)提出的算法相結合,初步實現(xiàn)了對ICP-AES光譜干擾的實時校正,從而為光譜干擾實時校正的研究開辟了一條新路。
2006, 28(4): 597-602.
刊出日期：2006-04-19
基于視覺采樣原理，該文提出了一般化的視覺采樣聚類方法VSC。該方法將視覺原理與著名的Weber定律結合起來，其特點是：對聚類初始條件不敏感；Weber定律提供了新的聚類有效性標準，并且該方法所得到的合理的聚類數(shù)可以依據(jù)Weber定律而得到。大量的實驗結果表明了算法VSC的有效性。文中討論了算法VSC與由Yang Miin-Shen等人(2004)新近提出的基于相似度量的聚類算法SCA之間的內在聯(lián)系，得出了這兩個算法具有一定的同解性質，從而揭示了該文所提方法VSC能夠有效地克服算法SCA中參數(shù) 不易確定的困難。
2025, 47(3): 758-768.
doi: 10.11999/JEIT240796
刊出日期：2025-03-01
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，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，結合改進的Cheon-Kim-Kim-Song (CKKS)線性同態(tài)哈希算法，對梯度聚合結果進行驗證，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)隱私安全性和結果的可驗證性的同時，保證了較高效率。
