本文采用本征矢量函数展开(OhmRayleigh)法和Laplace变换导出了理想导电劈的时域并矢格林函数,并系统地分析了它的时域特性。得到了一些结论,完善了C.T.Tai(1973)的理论,为进一步分析劈的时域性质(如时域RCS)提供了参考.

本文是作者研究圆形波导有源区域并矢格林函数(DGF)的计算及其普遍性质的第Ⅰ部分,文中建立了有源区域DGF并矢运算的分布理论法,导出了圆形波导DGF并矢运算的完整表示式,纠正了文献中存在的一些错误和模糊之处。 本文的结论与基斯留克(Kisliuk)(1980,1983)的结论不同,它表明DGF的无散矢量本征函数展开式和无旋矢量本征函数展开式在有源区域不再是纯的无散和无旋场。此外,我们还指出戴(Tai,1973)通过互换并矢算子和有源区域DGF展开式中的积分号来进行并关运算是不恰当的。

如何使算法快速收敛到真正的Pareto前沿，并保持解集在前沿分布的均匀性是多目标优化算法重点研究解决的问题。该文提出一种基于量子遗传算法的多目标优化算法，利用量子遗传算法的高效全局搜索能力，在整个解空间内快速搜索多目标函数的Pareto最优解，利用量子遗传算法维持解集多样性的特点，使搜索到的Pareto最优解在前沿均匀分布。通过求解带约束的多目标函数优化问题，对该文算法的多目标优化性能进行了考察，并与NSGAII，PAES，MOPSO和Ray-Tai-Seows算法等知名多目标优化算法进行比较，结果证明了该文算法的有效性和先进性。

在车载网络(VANETs)中，联邦学习(FL)通过协同训练机器学习模型，实现了车辆间的数据隐私保护，并提高了整体模型的性能。然而，FL在VANETs中的应用仍面临诸多挑战，如模型泄露风险、训练结果验证困难以及高计算和通信成本等问题。针对这些问题，该文提出一种面向联邦学习的可验证隐私保护批量聚合方案。首先，该方案基于Boneh-Lynn-Shacham (BLS)动态短群聚合签名技术，保护了客户端与路边单元(RSU)交互过程中的数据完整性，确保全局梯度模型更新与共享过程的不可篡改性。当出现异常结果时，方案利用群签名的特性实现车辆的可追溯性。其次，结合改进的Cheon-Kim-Kim-Song (CKKS)线性同态哈希算法，对梯度聚合结果进行验证，确保在联邦学习的聚合过程中保持客户端梯度的机密性，并验证聚合结果的准确性，防止服务器篡改数据导致模型训练无效的问题。此外，该方案还支持车辆在部分掉线的情况下继续更新模型，保障系统的稳定性。实验结果表明，与现有方案相比，该方案在提升数据隐私安全性和结果的可验证性的同时，保证了较高效率。