本文通过分析和比较同相和反相放大器En-In噪声的特点,给出了若干新结果。本文方法在低噪声运放电路设计和运放噪声参数提取中都具有十分重要的意义。

基于一种带窗重叠自适应滤波器,将重叠滤波思想引入LMS算法。利用重叠滤波的平滑性,将加窗重叠滤波和LMS算法相结合,给出了窗加权重叠LMS(WO-LMS)算法。与传统的LMS算法相比,WO-LMS算法既提高了收敛速度又可以得到较低的稳态均方误差。理论分析了算法的收敛性,通过与LMS算法的比较,验证了WO-LMS算法的优越性。

该文利用双平行线阵的阵列结构,提出了用于非圆信号二维方向和初相联合估计的扩展MUSIC(EN-MUSIC)算法。EN-MUSIC算法估计得到的方位角、俯仰角与初相一一对应,自动配对,其可测向信号数大于子阵阵元数,方位及俯仰测角精度与非圆信号二维测向酉ESPRIT(2D-NC-UESPRIT)算法大致相当,优于波达方向矩阵法(DOAM)。

密码学意义上强的序列不仅应该具有足够高的线性复杂度,而且当少量比特发生改变时不会引起线性复杂度的急剧下降,即具有高的-错复杂度.该文以多项式的因式分解为主要工具研究了任意有限域GF(q)上,周期N与p互素以及N=v这两种情况下,计数函数NN,0(c)的值,并给出了线性复杂度的数学期望EN,0的值以及-错复杂度的数学期望EN,的一个有用的下界,这里p是有限域GF(q)的特征.

由于数据量激增而引起的信息爆炸使得传统集中式云计算不堪重负，边缘计算网络(ECN)被提出以减轻云服务器的负担。此外，在ECN中启用联邦学习(FL)，可以实现数据本地化处理，从而有效解决协同学习中边缘节点(ENs)的数据安全问题。然而在传统FL架构中，中央服务器容易受到单点攻击，导致系统性能下降，甚至任务失败。本文在ECN场景下，提出基于区块链技术的异步FL算法(AFLChain)，该算法基于ENs算力动态分配训练任务，以提高学习效率。此外，基于ENs算力、模型训练进度以及历史信誉值，引入熵权信誉机制评估ENs积极性并对其分级，淘汰低质EN以进一步提高AFLChain的性能。最后，提出基于次梯度的最优资源分配(SORA)算法，通过联合优化传输功率和计算资源分配以最小化整体网络延迟。仿真结果展示了AFLChain的模型训练效率以及SORA算法的收敛情况，证明了所提算法的有效性。