草在线精品视频在线观看,Av亚洲一区二区三区免费观看

基于證據(jù)理論的特征值之比協(xié)作頻譜感知算法[其他][其他]

針對單節(jié)點頻譜感知容易受到多徑效應(yīng)、隱蔽終端、路徑損耗等因素影響，提出了一種基于證據(jù)理論的特征值之比協(xié)作頻譜感知算法。該算法以特征值之比檢測法作為本地感知結(jié)果，通過基礎(chǔ)概率分配(BPA)函數(shù)計算出可信度發(fā)送給融合中心，融合中心根據(jù)D-S證據(jù)理論融合規(guī)則進(jìn)行數(shù)據(jù)融合與判決。仿真結(jié)果表明,該算法對比于相關(guān)算法，在一定程度上抵抗惡意攻擊性能，具有較高的安全性，在低信噪比的環(huán)境下或者虛警概率高于0.6的環(huán)境下時，該算法的檢測概率更加突出，并且該算法還具有較高能效。

發(fā)表于：8/31/2021 2:48:00 PM

基于單因素方差分析的密碼算法統(tǒng)計檢驗[其他][其他]

在密碼學(xué)范疇中，隨機序列常作為密鑰、初始向量或算法參數(shù)使用。隨機序列的隨機性最終決定了整個密碼系統(tǒng)的安全性，因此在密碼技術(shù)中占有重要位置。對于良好的密碼算法產(chǎn)生的密文序列，應(yīng)無法通過統(tǒng)計學(xué)方法進(jìn)行區(qū)分。首先對7種經(jīng)典密碼算法生成的密文序列進(jìn)行NIST隨機性檢驗，統(tǒng)計失敗次數(shù)；然后關(guān)于密碼算法進(jìn)行單因素方差分析，檢驗結(jié)果在統(tǒng)計學(xué)上無顯著差異。此統(tǒng)計檢驗可作為評價密碼算法好壞的指標(biāo)之一。

發(fā)表于：8/31/2021 2:43:00 PM

基于無線通信的智能家居設(shè)計[通信與網(wǎng)絡(luò)][物聯(lián)網(wǎng)]

隨著科技的迅速發(fā)展以及物聯(lián)網(wǎng)時代的到來，人們對居住的環(huán)境也有了更高要求，智能家居技術(shù)日新月異。提出一款結(jié)合STM32開發(fā)平臺和中國移動云平臺的無線通信智能家居設(shè)計，相比傳統(tǒng)智能家居，本設(shè)計采用串口、Wi-Fi相結(jié)合的方式，擺脫了有線傳輸?shù)膹?fù)雜性，通過MATLAB對監(jiān)控到的數(shù)據(jù)采用歸一化算法分析，用戶可通過云平臺實時監(jiān)控傳感信息，實現(xiàn)對家庭設(shè)備的智能控制。

發(fā)表于：8/31/2021 2:37:00 PM

基于平移窗運動想象腦電信號活動段提取[其他][其他]

為了迅速、準(zhǔn)確地識別運動想象的腦電信號，提出了一種基于平移窗的運動想象腦電信號活動段提取方法。該方法對運動想象腦電信號Mu/Beta節(jié)律的事件相關(guān)同步化/去同步化(ERS/ERD)特征進(jìn)行檢測，提取ERS/ERD特征明顯的時段；再利用統(tǒng)計量進(jìn)行特征提取，通過Classify分類器進(jìn)行信號分類。利用2003年BCI競賽data set Ⅲ進(jìn)行測試，分類準(zhǔn)確率達(dá)到83.571 4%。該方法可以評價受試者的腦活動狀態(tài)，提高運動想象腦電信號的識別準(zhǔn)確率，對腦-機接口實時控制系統(tǒng)的研究有一定的幫助。

發(fā)表于：8/31/2021 2:31:00 PM

低噪聲低功耗3階復(fù)數(shù)濾波器的設(shè)計[其他][其他]

采用UMC 40 nm CMOS工藝，設(shè)計了一款低噪聲低功耗的3階復(fù)數(shù)濾波器。利用FLFB(Follow-the-Leader-Feedback)結(jié)構(gòu)良好的噪聲特性，并以勞斯-霍爾維茨穩(wěn)定性判據(jù)為理論依據(jù)，采用相位裕度僅為36.8°的運放，達(dá)到低噪聲低功耗的優(yōu)化目的。仿真結(jié)果表明：濾波器的帶寬可調(diào)范圍為0.98～1.92 MHz，中心頻率0.68～1.34 MHz可調(diào)，通帶內(nèi)噪聲90.6 μV，無雜散動態(tài)范圍73.7 dB，鏡像抑制比28.4 dB，此時總功耗為1.33 mW。

發(fā)表于：8/31/2021 2:26:00 PM

一種帶有DAC失配整形的高精度Sigma-Delta調(diào)制器[其他][其他]

為減小生理信號采集應(yīng)用中儀表放大器的設(shè)計難度，需在低功耗、小信號帶寬的前提下大幅度提高模數(shù)轉(zhuǎn)換單元的精度和動態(tài)范圍以作補償。為此，面向生理信號采集應(yīng)用，實現(xiàn)了一種帶前饋結(jié)構(gòu)的高精度三階五比特Sigma-Delta調(diào)制器，其不需要復(fù)雜的OTA結(jié)構(gòu)和過高的過采樣率，且功耗較低，并將二階噪聲整形動態(tài)元件匹配方案應(yīng)用于DAC中，以避免多比特量化造成的非線性諧波失真。該Sigma-Delta調(diào)制器采用SMIC 0.18 μm CMOS標(biāo)準(zhǔn)工藝，在1 MHz的采樣率，1 kHz的信號帶寬內(nèi)，峰值SNDR達(dá)到111 dB，動態(tài)范圍達(dá)到120 dB，有效位數(shù)達(dá)到18 bit，工作電源電壓為1.8 V，整體功耗為0.87 mW。

發(fā)表于：8/31/2021 2:21:00 PM

基于背景直方圖的Staple目標(biāo)跟蹤算法[其他][其他]

針對Staple算法在由于相機運動出現(xiàn)模糊情況下跟蹤精度下降的問題，提出一種基于背景權(quán)重直方圖的改進(jìn)Staple目標(biāo)跟蹤算法。首先，針對傳統(tǒng)顏色直方圖忽略空間性的問題，提出對直方圖引入位置權(quán)重；其次，利用背景區(qū)域顏色直方圖抑制背景信息對目標(biāo)區(qū)域直方圖的影響，提出引入背景權(quán)重直方圖，并完成直方圖分類器的構(gòu)建。該算法在OTB2015測試集上與其他5個先進(jìn)算法進(jìn)行實驗比較，結(jié)果表明在距離精度和成功率上總體效果相對Staple分別提升了3.7%和2%。

發(fā)表于：8/31/2021 2:15:00 PM

基于CNN-LSTM的支撐電容容值軟測量[其他][其他]

實時監(jiān)測功率變流器中支撐電容的老化狀態(tài)，及時發(fā)現(xiàn)并更換存在缺陷的電容，對提高功率變換器的可靠性具有重要意義?；谙嚓P(guān)電壓電流數(shù)據(jù)，通過建立數(shù)據(jù)集，確定網(wǎng)絡(luò)模型參數(shù)和模型訓(xùn)練，最終得到基于CNN-LSTM的神經(jīng)網(wǎng)絡(luò)模型，并通過不同工況下的數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性進(jìn)行了驗證。結(jié)果表明，該模型可對電容容值進(jìn)行可靠預(yù)測。

發(fā)表于：8/31/2021 2:10:00 PM

意圖網(wǎng)絡(luò)研究綜述[其他][其他]

為應(yīng)對快速變化的業(yè)務(wù)和用戶需求，業(yè)界提出了意圖網(wǎng)絡(luò)。意圖網(wǎng)絡(luò)使用自然語言直接描述“業(yè)務(wù)意圖”并將其自動轉(zhuǎn)譯為網(wǎng)絡(luò)可執(zhí)行的策略及操作，從而降低了網(wǎng)絡(luò)管理的復(fù)雜性，大幅提高了運維效率，也很大程度上節(jié)省了人工。廣泛和深入地調(diào)研了意圖相關(guān)的項目和研究，介紹了意圖的概念和描述、意圖的北向接口、意圖和策略的關(guān)系以及具有代表性的意圖網(wǎng)絡(luò)框架，并討論了意圖網(wǎng)絡(luò)部署和應(yīng)用所面臨的主要挑戰(zhàn)，旨在為讀者研究意圖網(wǎng)絡(luò)提供一個綜合視圖。

發(fā)表于：8/31/2021 2:05:00 PM

基于NOMA的RIS與DF中繼對比研究[其他][其他]

面向5G-Advanced和6G移動通信系統(tǒng)深度覆蓋需求，提出基于非正交多址接入(NOMA)的智能超表面(RIS)和解碼轉(zhuǎn)發(fā)(DF)中繼解決方案，通過系統(tǒng)建模、容量分析和能效分析，對比基于NOMA的RIS和DF中繼方案的性能增益。典型場景下的數(shù)值仿真與對比分析表明，隨著陣元數(shù)目的增大，相比于DF中繼，RIS方案的能效增益逐漸增大。

發(fā)表于：8/31/2021 2:01:00 PM