本文给出一种de Bruijn序列的升元算法。该算法每步运算可生成一列元素而不是一个元素,因而减少了运算次数,加快了生成速度。

De Bruijn序列是一类最重要的非线性移位寄存器序列。本文通过并置所有循环圈的周期约化,提出了一个新的生成k元de Bruijn序列的算法。该算法每步运算可生成一列元素而不是一个元素,因此减少了运算次数,加快了生成速度。

De Bruijn序列是一类最重要的非线性移位寄存器序列。本文定义并研究了n级De Bruijn序列的k次齐次复杂度Ck(s),给出了Ck(s)的一个上界。k=1及k=2时,Ck(s)分别为人们所熟知的线性复杂度及二次齐次复杂度。

Soo-Chang Pei,Ja-Ling wu(1986)和茅一民(1987)提出了长度为2m的分离基2/4哈脱莱变换算法。本文将分离基算法推广到长度为pm的哈脱莱变换,并证明基p2算法实乘次数比基p算法少,而基p/p2算法实乘次数比前两者都少。作为例子,给出了长度为N=3m的基3/9哈脱莱变换快速算法和流图。

频谱弥散(SMSP)干扰与线性调频雷达信号之间存在大量的时频域耦合，干扰效能突出。该文提出一种信息域的抗SMSP干扰的信号处理算法，根据SMSP干扰信号的形式与特点，通过自适应改变压缩感知的干扰基字典，同时匹配雷达信号与干扰信号的调频率，构建压缩感知求解模型并基于凸优化算法完成信号重构，最终实现干扰信号的识别及雷达信号的提取。该算法中冗余字典的构造采用了Pei型分数阶傅里叶快速分解方法，不需要反复对信号进行时频域解耦，并且迭代次数较少，运算效率较高。

针对粒子滤波(Particle Filter, PF)存在的粒子退化和贫化问题，该文提出一种基于差分演化(Differential Evolution, DE)的PF算法。首先，为了充分利用最新的观测信息，采用无迹卡尔曼滤波(Unscented Kalman Filter, UKF)来产生重要性分布，对重要性分布产生的采样粒子不再做传统重采样操作，而是直接把采样粒子当作DE中的种群样本，粒子权重作为样本的适应函数，对粒子做差分变异、交叉、选择等迭代优化，最后得到最优的粒子点集。试验结果表明，该算法有效缓解了传统PF算法中的粒子退化和贫化，提高了粒子的利用率，具有较好的估计精度。

实际条件下，在对基于衰减指数(DE)和模型的雷达目标散射中心参数估计和特征提取时，其噪声背景往往是非高斯的，分布密度函数表现出长拖尾性质。利用基于高斯假设条件下的估计方法进行参数估计时，往往不能得到较好的结果。针对这种情况，该文利用M估计方法来实现对长拖尾杂波下DE模型参数的稳健估计。首先分析了基于PRONY模型的M估计实现方法存在的不足，其次提出了两种较为有效的DE模型散射中心参数M估计的实现方法，并对这两种方法进行了分析和比较。仿真实验结果表明，在一类长拖尾K分布杂波条件下，与ESPRIT方法以及扩展PRONY估计方法相比，该文所提的两种方法均能得到较好的估计结果。

现代无线通信系统对射频功率放大器在高动态范围的性能提出了严苛要求。Doherty功率放大器(Doherty Power Amplifier, DPA)虽然通过主功放与辅功放的动态负载调制显著提升了回退功率下的工作效率,但其工作在C类偏置下的辅助功放因导通特性不足，导致输出电流受限，从而引发负载调制偏差，进而制约其性能表现。本文针对辅功放电流输出能力受限的问题，提出了等效跨导补偿的概念，通过引入补偿支路，精准矫正了C类偏压下辅功放较弱的输出电流，从而实现准理想的动态有源负载调制过程。为了验证所提出方法的有效性，本文使用商用GaN HEMT器件CG2H40010F在1.3–1.8 GHz频段内设计并加工了一款负载调制增强的高效率DPA，并给出了可参考的设计过程。实验结果表明：在饱和状态下，放大器输出功率达43.7–44.5 dBm，漏极效率(drain efficiency, DE)超过69.1%；6 dB回退工作状态下，DE仍保持在62.9%–69.4%，增益为9.7–10.5 dB；9 dB回退下，DE高达49.5%–57%，增益为10.3–11.5 dB。本文提出的等效跨导补偿理论通过补偿电流注入机制有效解决了传统DPA的负载调制瓶颈，为高效率的宽带DPA设计提供了新思路。

在准循环LDPC码的构造中，校验矩阵拥有尽可能好的girth分布对于改善码的性能有着重要的意义。该文提出了构造准循环LDPC码的GirthOpt-DE算法，优化设计以获得具有好girth分布的移位参数矩阵为目标。仿真结果表明，该文方法得到的准循环LDPC码在BER性能和最小距离上均要优于固定生成函数的准循环LDPC码，Arrary码和Tanner码，并且使用上更为灵活，可以指定码长，码率及尽可能好的girth分布。

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。