論文元數(shù)據(jù)搜索,找到相關(guān)信息共 16 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。
2007, 29(1): 201-204.
doi: 10.3724/SP.J.1146.2005.00574
刊出日期:2007-01-19
關(guān)鍵詞:
環(huán)簽名;雙線性對;偽造攻擊;GDP(Gap Diffie-Hellman)
通過對Xu(2004)和Zhang(2004)提出的兩種環(huán)簽名方案進行分析,指出了這兩種環(huán)簽名方案都容易受到群成員改變攻擊(group-changing attack),并給出了攻擊方法;另外,Zhang的方案還容易受到多已知簽名存在偽造(multiple-known-signature existential forgery)攻擊。為防范這兩種攻擊,對這兩種環(huán)簽名方案進行了改進,改進后的方案在最強的安全模型(Joseph, 2004提出)中仍是安全的。
2022, 44(8): 2949-2956.
doi: 10.11999/JEIT210537
刊出日期:2022-08-17
針對目前圖像隱寫檢測模型中線性卷積層對高階特征表達能力有限,以及各通道特征圖沒有區(qū)分的問題,該文構(gòu)建了一個基于多層感知卷積和通道加權(quán)的卷積神經(jīng)網(wǎng)絡(CNN)隱寫檢測模型。該模型使用多層感知卷積(Mlpconv)代替?zhèn)鹘y(tǒng)的線性卷積,增強隱寫檢測模型對高階特征的表達能力;同時引入通道加權(quán)模塊,實現(xiàn)根據(jù)全局信息對每個卷積通道賦予不同的權(quán)重,增強有用特征并抑制無用特征,增強模型提取檢測特征的質(zhì)量。實驗結(jié)果表明,該檢測模型針對不同典型隱寫算法及不同嵌入率,相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的檢測準確率,與最優(yōu)的Zhu-Net相比,準確率提高1.95%~6.15%。
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。
- 首頁
- 上一頁
- 1
- 2
- 下一頁
- 末頁
- 共:2頁