放大器En-In噪声模型的完善及其与Rn-Gn噪声模型的关系

目前，微波低噪声放大器设计中采用的Ｒｎ－Ｇｎ噪声模型只适用于高频、窄带和源导纳（Ｇｓ≠０）情况，其应用范围有限，特别是不适用于低频段的低噪声放大器设计。本文对文献［１］提出的Ｅｎ－Ｉｎ噪声模型作了改进，使其不仅适用于高频、窄带，而且也适用于低频、宽带放大器的低噪声设计。进而推导出放大器Ｅｎ－Ｉｎ噪声模型与Ｒｎ－Ｇｎ噪声模型的等价关系，给出放大器Ｅｎ－Ｉｎ噪声模型的测量方法及实测结果。     

人群头发元素分布及某些特征研究

本文介绍用堆中子活化分析法测定人群头发中I、Br、Mg、Mn、Cu、Na、V、Cl、Al、Ca、S等11种元素。研究人发中元素分布特征、相关性特征、性别年令分布特征。方法学中还从法庭科学应用角度介绍同一性识别中差异率和重合几率的双判据方法。     

一种基于RSA安全可行的（t，n）门限签名方案*

分析了大多数RSA门限群签名方案存在的缺陷,RSA的模数是n,φ(n)是秘密参数,参加部分签名的成员无法知晓,求Lagrange相关系数存在困难,也为建立门限RSA密码体制带来困难.提出一种新的方案以克服上述困难,通过求ai无须在求Lagrange相关系数时进行求逆运算,使该方案在保证安全的前提下变得可行实用.     

基于差分电压和Elman神经网络的锂离子电池RUL预测方法

锂离子电池剩余使用寿命(remaining useful life,RUL)预测对电池的使用维护极为重要,提出一种基于差分电压和Elman神经网络预测锂离子电池RUL的方法.首先,根据美国国家航天航空局(National Aeronautics and Space Administration,NASA)的锂离子电池数据集,分析电池差分电压曲线和充放电曲线,提取电池容量退化特征量;其次,通过Pearson法分析特征量之间的相关性,将充电差分电压曲线初始拐点值、放电差分电压曲线峰值、放电时间、静置时间作为电池RUL预测的间接健康因子;最后,建立以上述间接健康因子为输入,电池容量为输出的Elman神经网络,进行锂离子电池的RUL预测.基于不同间接健康因子和不同神经网络的四种电池容量预测对比实验表明,在间接健康因子中加入充电差分电压曲线初始拐点值和放电差分电压曲线峰值可以提高电池寿命预测精度,Elman神经网络可准确预测电池容量.基于不同循环次数预测电池RUL,预测的平均均方根误差为1.55％.     

基于PCC-RBF网络的风电功率短期预测方法

风电功率预测对风电场安全平稳运行、电网调度具有重要意义。针对风电功率短期预测指标选择不合理、预测精确度偏低的问题,提出一种基于皮尔逊相关系数(PCC)和径向基函数(RBF)神经网络的风电功率短期预测方法。该方法利用PCC筛选出与风电功率密切相关的3个指标,即电流、温度、风速,然后以这3个指标作为预测模型的输入对风电功率进行RBF样本训练与短期预测。试验结果表明,所提的预测模型预测误差更小,预测精度更高,能够满足风电功率短期预测的要求,具有广泛的应用前景。     

考虑皮尔逊相关系数和切比雪夫距离的电压暂降类型计算方法

电压暂降类型是进行故障类型识别和治理设备选型的重要信息.首先,根据电压暂降的类型定义和其经变压器传播的类型变换特性,建立电压暂降类型模式库.定义和提取了三相电压的六维向量,以进行暂降类型计算.应用皮尔逊相关系数,建立待计算电压暂降与模式库各元素的相关系数矩阵,计算其相似程度.提出基于切比雪夫距离的待计算电压暂降与模式库中各矢量的距离矩阵.基于相关系数矩阵与距离矩阵,构建电压暂降类型相关度矩阵,考虑混合判据计算电压暂降类型.经仿真数据和实测数据验证,所提方法准确度较高,能克服传统方法对浅暂降和相位跳变敏感的缺点.建议在省级电能质量监测平台中应用所提算法,实现暂降类型的实时计算,为区域电压暂降的有效评估和治理提供参考依据.     

基于FPGA实现AES的侧信道碰撞攻击

为了解决攻击点在能量迹中具体位置的识别问题,在对侧信道碰撞攻击技术研究的基础上,提出了通过计算能量迹中每个采样点的方差来识别攻击点的方差检查技术。并利用基于相关系数的碰撞检测方法,对一种AES的FPGA实现实施了攻击。实验结果表明,方差检查技术可以有效地识别攻击点在能量迹中的具体位置。     

基于傅里叶特征谱和相关系数的织物疵点检测

为提高织物疵点自动检测的准确度,提出一种基于傅里叶特征谱和相关系数的织物疵点检测算法。以平纹、斜纹织物为研究对象,对织物图像进行傅里叶变换,得到织物图像的频谱图;定位频谱中的特征峰点,提取表征图像灰度、纹理的五个特征值;以正常织物为模板,计算待检图像特征值与模板图像特征值之间的相关系数,确定用于识别织物疵点的阈值,来实现织物疵点检测。实验结果表明:当阈值设定为0.80时,该算法能够实现稀密路、断经、吊经、纬缩、破洞等常见疵点的准确检测。     

压缩感知理论投影矩阵优化方法综述

通过优化投影矩阵的结构可提高压缩感知（Compressed sensing,CS）的重构性能及信号适应的稀疏度范围。该类方法利用迭代更新Gram矩阵使CS投影矩阵逼近最优结构,不同于以往的投影矩阵设计问题,它是一类新的改进CS性能方法。本文阐述了该问题的产生起源、理论基础、目标函数、理想模型以及与编码理论的交叉。在此基础上,分析、总结和比较现有投影矩阵优化方法的构造原理、应用特点以及存在的问题,最后讨论了其未来可能的发展方向。实验结果验证了分析结论的正确性。     

MODIS数据Bowtie效应消除算法

MODIS数据不仅具有较高的过境频率和光谱分辨率,还具有成本低、覆盖面广等优势。受地球曲率的影响,MODIS L1B数据大多存在一种重叠效应,即Bowtie效应,主要发生在图像的边缘地带,该效应制约了MODIS遥感数据的进一步分析及应用。针对遥感影像几何畸变问题,提出一种不基于传统星历表的Bowtie效应消除算法,采用相关系数法确定每个扫描带的重复行数,根据不同分辨率的MODIS L1B数据,使用相对应的重采样方法对图像进行重采样处理。通过与其他Bowtie效应消除算法的对比实验及分析,证明该算法不仅能够有效去除Bowtie效应,而且执行速度较快,具有较高的工程应用价值。