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

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。

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。

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。

Soo-Chang Pei,Ja-Ling wu(1986)和茅一民(1987)提出了長度為2m的分離基2/4哈脫萊變換算法。本文將分離基算法推廣到長度為pm的哈脫萊變換,并證明基p2算法實(shí)乘次數(shù)比基p算法少,而基p/p2算法實(shí)乘次數(shù)比前兩者都少。作為例子,給出了長度為N=3m的基3/9哈脫萊變換快速算法和流圖。

頻譜彌散(SMSP)干擾與線性調(diào)頻雷達(dá)信號之間存在大量的時頻域耦合，干擾效能突出。該文提出一種信息域的抗SMSP干擾的信號處理算法，根據(jù)SMSP干擾信號的形式與特點(diǎn)，通過自適應(yīng)改變壓縮感知的干擾基字典，同時匹配雷達(dá)信號與干擾信號的調(diào)頻率，構(gòu)建壓縮感知求解模型并基于凸優(yōu)化算法完成信號重構(gòu)，最終實(shí)現(xiàn)干擾信號的識別及雷達(dá)信號的提取。該算法中冗余字典的構(gòu)造采用了Pei型分?jǐn)?shù)階傅里葉快速分解方法，不需要反復(fù)對信號進(jìn)行時頻域解耦，并且迭代次數(shù)較少，運(yùn)算效率較高。

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(diǎn)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。

實(shí)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(shí)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(shí)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(shí)現(xiàn)方法，并對這兩種方法進(jìn)行了分析和比較。仿真實(shí)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。

在準(zhǔn)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(zhǔn)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(biāo)。仿真結(jié)果表明，該文方法得到的準(zhǔn)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(zhǔn)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。

在車載網(wǎng)絡(luò)(VANETs)中，聯(lián)邦學(xué)習(xí)(FL)通過協(xié)同訓(xùn)練機(jī)器學(xué)習(xí)模型，實(shí)現(xiàn)了車輛間的數(shù)據(jù)隱私保護(hù)，并提高了整體模型的性能。然而，F(xiàn)L在VANETs中的應(yīng)用仍面臨諸多挑戰(zhàn)，如模型泄露風(fēng)險、訓(xùn)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(xué)習(xí)的可驗證隱私保護(hù)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(hù)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(dāng)出現(xiàn)異常結(jié)果時，方案利用群簽名的特性實(shí)現(xiàn)車輛的可追溯性。其次，結(jié)合改進(jìn)的Cheon-Kim-Kim-Song (CKKS)線性同態(tài)哈希算法，對梯度聚合結(jié)果進(jìn)行驗證，確保在聯(lián)邦學(xué)習(xí)的聚合過程中保持客戶端梯度的機(jī)密性，并驗證聚合結(jié)果的準(zhǔn)確性，防止服務(wù)器篡改數(shù)據(jù)導(dǎo)致模型訓(xùn)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(shí)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。

高光譜遙感影像由于其巨大的波段數(shù)直接導(dǎo)致信息的高冗余和數(shù)據(jù)處理的復(fù)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(jìn)行處理、分析之前進(jìn)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(yùn)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(jìn)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(xiàn)較小的波段，從而實(shí)現(xiàn)降維。最后，采用AVIRIS影像進(jìn)行實(shí)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(dá)到85.83%，比其他相近方法中最優(yōu)方法高出0.31%。