一、X~n+X~(-n)的求值问题（论文文献综述）
周搏洋,陈春雨,王强,周福才[1]（2021）在《全委托的公共可验证的外包数据库方案》文中指出为解决可验证外包数据库方案存在的预处理阶段开销较大及不支持公共可验证的问题,提出了一个全委托的公共可验证的外包数据库模型.给出了模型的架构及交互流程,对模型进行了形式化定义,并给出了模型的正确性定义和安全性定义.利用双线性映射及可验证外包模幂运算协议,构建了一个全委托的公共可验证外包数据库方案,且给出了各个算法的详细描述,证明了方案的正确性和安全性.其安全性可规约为BDHE（bilineardiffie-hellman exponent）难题.与现有方案及不进行全委托计算的方案相比,全委托的公共可验证的外包数据库方案基于可验证外包模幂运算,将大量模幂运算外包给云处理,减小了数据拥有者的开销.理论与实验分析表明:该方案数据拥有者在预处理阶段所需的代价更低,效率更高,适于实际应用.此外,验证过程无需私钥参与,实现了公共可验证.
吕长明[2]（2021）在《人耳附近空间有源降噪系统》文中研究指明随着时代的进步,社会的发展,噪声问题深深地影响着人们的生活和工作。这些长期的区域性噪声对人体及其听力系统会造成永久性伤害,因此区域性降噪系统的研究愈发重要。人们通常使用耳带式无源材料进行吸声或使用降噪耳机,虽然能获得一定的降噪效果,但长时间的佩戴会造成人耳的不适。因此有必要探讨在人耳附近空间产生静区的技术,通过降低误差传声器处噪声在人耳附近形成静区。（1）研究并分析了最小均方算法。着重分析算法的性能,主要包括收敛条件、收敛速度和计算量,在此基础上,又重点分析并对比自适应前馈、反馈主动噪声控制算法和传统的前馈反馈混合控制算法的降噪效果和系统的局限性,针对传统的组合方法的耦合效应,研究了两种新的组合方法进行解耦。（2）研究发现在模态和扩散等不同的声场特性下,次级声源、误差传声器、噪声源的布放位置影响着区域性降噪性能。本文重点研究次级声源和误差传声器布放位置对系统降噪效果的影响。在消声室进行人耳附近区域性降噪实验,以前馈反馈混合控制有源降噪为主要算法,设计电路结构、搭建实验环境并对系统进行测试。设计两种次级声源布放方案,横向对比不同方案下的前馈、反馈、混合控制降噪效果,验证系统最佳降噪性能。（3）实验需要多通道测量,要求对信号的多种特征参数进行同步分析,本文选用合适的硬件架构,借助计算机的强大运算处理能力,结合Lab VIEW与虚拟仪器的设计思想,以降低系统开发周期与成本并提升系统的可扩展性和灵活度,开发了一种低时延、高同步性的音频信号采集分析系统。
余蕾蕾[3]（2021）在《Reed-Solomon码的快速算法设计与实现》文中研究说明Reed-Solomon（RS）码作为一种经典的差错控制编码最早来源于通信编码领域。近年来随着全球数据量的急剧增加,人们对于在相同容错能力下使用比备份策略具有更低存储开销的编码技术日益青睐。RS码由于拥有最优存储效率的特点因此被广泛应用于多种存储系统,比如RAID、Azure、GFS、CEPH等。RS码虽然应用广泛但当前依然面临着新的挑战。在数字通信系统中,RS码对比一些着名的通信编码比如LDPC码、LT码、Raptor码等虽然拥有零接收开销的优势,但是其码率受到有限域大小限制的特点使得它无法应用于无码率码场景（比如多播场景）。在数据存储系统中,大量以RS码为基础的具有局部修复特性或者低修复带宽的变种纠删码（比如局部可修复码、重生码等）近年来被不断开发出来,RS码高的编译码复杂度限制了它们在低延迟存储系统中的应用前景。本文针对于RS码在上述两种应用中表现出的不足分别提出一种快速编译码算法。除此之外,针对可逆线性变换本文也提出了一种高性能的In-Place变换算法。本文的主要创新点和成果罗列如下:1.利用二进制扩展域中的域塔结构使RS码的码长突破原始有限域的大小,进而提出一种基于FFT的低复杂度无码率RS码编译码算法。为了优化该算法的计算效率,FFT的输出调度算法也在本文中被给出。该无码率RS码在给定信道丢失概率的情况下可以将编译码复杂度降低到O（lg k）每信息封包,其中k表示原始信息封包的数量。2.本文研究了 RS码的校验矩阵（范德蒙矩阵）与具有递归结构的Reed-Muller矩阵之间的关系,然后提出RS码校正子的快速计算方法。基于此快速计算方法,RS码校验数在4到7之间的快速编码算法被提出来。理论分析表明该算法编码每个信息比特仅需要3个异或操作。3.由于RS码构建在有限域上,因此研究有限域上的代数操作对于加速RS码的编译码过程具有重要意义。本文基于SIMD技术中SSE指令集加速有限域乘法查表的方法,给出了使用AVX指令集加速有限域查表的优化方法。并且使用降域的方法使有限域F216上的查表效率显着提高。4.RS码的编译码过程本质上是一种线性变换,本文针对可逆线性变换,提出了可用于节省存储空间的In-Place变换算法。该算法基于对流水线友好的高斯消去法,因而相比文献中已存在的In-Place线性变换算法（LS算法）具有更高的执行效率。在大数据猛烈发展而移动设备越来越精巧的当今,该In-Place线性变换算法能够为大规模矩阵-向量乘法减少对大内存数据设备的依赖提供技术基础。
武钰龙[4]（2020）在《基于伏特拉级数的功放线性化技术研究》文中研究表明随着现代移动通信的高速发展,频谱资源和传输信道日趋紧张,而提倡高效率、低能耗和低成本通信方式的绿色通信理念必将得到广泛重视和大力推广。射频功率放大器（Power Amplifier,PA）作为现代移动通信系统的核心部件,其线性度的提高对于提升整个通信系统通信质量、传输效率和降能耗降成本影响重大。在通信系统中通常采用前馈、负反馈和预失真等技术手段提升功放的线性度,其中数字预失真（Digital Predistortion,DPD）技术最具发展前景和工程应用价值。基于伏特拉（Volterra）级数的功放建模及预失真方法作为数字预失真技术中的一个重要分支,因其具有线性化性能优异、支持宽带场景、易于实现等诸多方面优势,在功放的线性化中得到了较为广泛的应用。结合国内外功放线性化技术的研究现状,本论文总结阐述了F类射频功率放大器的非线性特点及线性化技术的基本原理,对基于Volterra级数的功放典型行为模型进行了重点研究分析,从经典Volterra级数出发引入了一种新的输出补偿记忆多项式（OCMP）模型,在研究对比现有预失真系统学习结构特点的基础上,引入迭代学习控制（ILC）数字预失真结构,并进一步对ILC结构的学习算法进行了改进,实验结果表明所提算法较好的提升了功放的线性度。1、针对现有功放Volterra级数模型复杂度较高和系数提取困难的特点,从传统Volterra级数出发,重点关注功放的记忆效应,在此基础上引入了输出交叉项,提出了一种新的输出补偿记忆多项式（OCMP）模型,采取仿真和实验方式进行验证分析,实验中分别对一款F类氮化镓功放和Doherty功放进行线性化处理,最终使输出信号ACPR降低到-52 dBc以下,OCMP模型与MP模型、DDR模型和GMP模型相比在模型复杂度上具有明显的优势。2、分析对比了数字预失真系统两种主要实现结构直接学习结构（DLA）和间接学习结构（ILA）的特点,引入迭代学习控制（ILC）结构,并将ILC结构与基于Volterra级数的功放模型有效结合,该方法简化降低了模型参数辨识的复杂度,ILC学习结构与ILA学习结构相比ACPR值改善了接近1 dBc。3、对迭代学习控制（ILC）学习结构的学习算法进行对比分析,由于瞬时增益ILC算法受系统噪声影响较大,而线性ILC算法采用常数增益,对非线性特性较强的功放建模能力有限,提出了分段线性ILC算法,该方法能够对强非线性特性的功放进行准确建模,同时对系统噪声具有较强的鲁棒性。
万磊[5]（2020）在《考虑生化介质作用纳米梁非线性振动分析与控制研究》文中研究说明生化介质信息的检测大部分通过生物或化学方法进行,存在检测时间长、费用高等问题。为解决该问题,本文从纳米梁非线性振动的角度提出一种可用于生化介质信息检测的物理检测方法。通过研究纳米梁的非线性振动分析与控制,发现生化介质作用与纳米梁非线性振动之间的关系。本文研究了基于电容式微机械声学传感器、场效应管和RLC电路的考虑生化介质作用的纳米梁非线性振动分析与控制,通过理论分析与算例计算分析相结合,分析纳米梁的非线性振动行为,研究生化介质对纳米梁非线性振动的影响规律。首先,研究了基于电容式微机械声学传感的纳米梁非线性振动控制。电容式微机械声学传感器具有高带宽、易集成阵列化、无需匹配层、灵敏度高等优点,可用于纳米梁振动信号的检测。考虑有时滞和无时滞两种情况,建立纳米梁非线性振动控制方程,应用多尺度方法得到幅频响应方程,研究控制增益等参数与纳米梁非线性振动之间的关系。考虑生化介质的影响,研究生化介质对纳米梁非线性振动行为的影响。其次,研究了考虑生化介质作用的纳米梁非线性振动分析。建立考虑生化介质作用纳米梁非线性振动微分方程,利用多尺度方法得到纳米梁的幅频响应曲线,分析生化介质浓度和偏摩尔体积等参数与纳米梁非线性振动之间的关系。然后再以场效应管作为纳米梁振动信号传感器,研究基于场效应管的考虑生化介质作用的纳米梁非线性振动控制,分析控制增益等参数和生化介质参数与纳米梁非线性振动之间的关系。最后,以RLC电路为基础,研究考虑生化介质作用纳米梁与RLC电路耦合系统。建立纳米梁与电路耦合系统的微分方程,利用多尺度方法得到耦合系统的幅频响应方程,检测RLC电路的变化以提取纳米梁的振动信号,研究RLC电路与纳米梁耦合系统的内共振振动规律以及生化介质对纳米梁非线性振动的影响。研究结果表明,利用电容式微机械声学传感器、场效应管和RLC电路可以较好地控制纳米梁的非线性振动,并且生化介质对纳米梁非线性振动有很大影响。在一定范围内,改变控制参数、系统参数和生化介质参数可以对纳米梁非线性振动进行调节。对于不同性质的生化介质,纳米梁非线性振动行为会产生变化,可以利用纳米梁进行生化介质信息的物理检测。
何凯[6]（2020）在《面向IoT的频率综合器中小数分频器设计》文中提出物联网（Internet of Things,IoT）是能够让不同物体实现相互联系的通信网络,由于IoT应用需要大量传感器节点,锁相环频率综合器作本振的射频收发机是IoT传感器节点的核心部分,需要降低功耗、减小面积。论文的研究目的是,通过设计功耗低、空闲音少的小数分频器来提高应用于IoT的频率综合器性能。论文首先综述了小数分频器的研究背景以及小数分频器设计面临的问题,然后介绍了小数分频器各个模块的结构和工作原理,在此基础上,论文设计了由可编程分频器和数字∑-△调制器组成的小数分频器,提出了一种只有5条支路的模2/3分频器的改进设计作为双模预分频器的同步电路,它通过将组合逻辑电路嵌入到真单相时钟分频器来提高电路工作频率,通过简化触发器结构来降低功耗。另外,为了提高锁相环输出频谱纯度,本文还设计了一种位宽为20bit的最大序列长度的3阶∑-△调制器,通过在一阶调制器单元中增加反馈支路,将调制器序列长度扩展到23×20量级,改善了调制器的噪声性能。本次设计基于TSMC 55nm CMOS工艺,完成了电路图设计及前仿真、版图设计及后仿真和流片测试。流片测试结果表明:在1V电源电压下,在不同模式下,分频器的相位噪声不超过-146d Bc/Hz@1MHz。后仿真结果表明:电源电压为1V时,不同工艺角下,小数分频器的功耗最高为0.679m W,工作频率范围是1GHz～4.5GHz,连续分频比范围是56～255,可编程分频器在1k Hz频偏处的相位噪声不超过-143d Bc/Hz,在1MHz频偏处的相位噪声不超过-160d Bc/Hz。
吕树花[7]（2020）在《二分坐标下降算法在系统辨识和稀疏系统中的应用》文中研究指明在通信领域需要信号处理应用都可以归结为求解线性最小二乘（Least Squares,LS）问题;这些应用包括系统辨识,信号检测,自适应天线阵列等。实际上,求解线性LS问题等同于求解线性方程组。最大似然算法可以取得线性方程最优解,但是面对复杂系统,它的运算量非常高的,实际操作性低。因此很多研究者设计低复杂度的次优算法,而这些次优算法求解线性方程时通常需要矩阵求逆操作。直接求逆需要O（N3）（N是系统规模大小）个操作数。二分坐标下降（Dichotomous Coordinate Descent,DCD）算法不需要乘法/除法操作,可以高效率地求解线性方程,非常适合硬件实施。在众多的DCD类算法中,我们主要研究Cyclic和Leading DCD算法的改进和应用。Cyclic DCD算法适合于解决需要大量迭代更新次数的系统方程。如果需要解决的问题的结果是具有稀疏性的情况,例如多径信道估计或者是多用户检测中有些用户长期不活动。对于这种系统方程求解所需要的迭代更新次数比较少的情况,Leading DCD算法比Cyclic DCD收敛速度快。递推最小二乘算法（Recursive Least Square,RLS）在众多自适应算法中以收敛速度快而闻名,是自适应系统辨识算法的首选,但是它的每个样本都需要O（N2）个操作数（N是滤波器的阶数）。当N数值很大时,RLS算法的复杂度将非常高。因此,非常需要降低典型的RLS算法每个样本所需要的操作数。在时变系统中,当固定遗忘因子λ较大时,RLS算法稳定误差小,但是收敛速度慢。当λ较小时,RLS收敛速度快,但是稳定误差较大。我们将Leading DCD迭代融入到RLS算法当中,将自适应RLS算法转换成求解滤波器权重的正则方程组,用DCD迭代求解正则方程,从而降低了每个样本所需要的运算量。另外,针对时变系统,不需要额外附加参数的估计的前提下,我们通过计算系统噪声功率实时更新遗忘因子,因此提出了一种改进型基于DCD迭代的可变遗忘因子RLS算（VFF-DCD-ERLS）。数据结果显示,所提出的VFF-DCD-ERLS算法比RLS、DCD-ERLS和DCD-SRLS算法的收敛速度快,稳态误差低。即使系统噪声能量突然变化时,所提出的VFF-DCD-ERLS算法仍然可以保证快速收敛,低稳态误差,体现了强鲁棒性。DCD算法计算线性系统方程组所需要的复杂度通常取决于系统规模,结果稀疏性以及系统矩阵条件数。当稀疏系统并且系统矩阵是小条件数时,Leading DCD算法可以提供快速收敛。当系统矩阵是大条件数,并且结果不是强稀疏即结果中非零个数大于总元素个数的1/8时,Cyclic DCD算法比Leading DCD算法稳定误差低,但是在开始的几次迭代中,Leading DCD比Cyclic DCD算法的收敛速度低。因此我们考虑合并Leading DCD和Cyclic DCD算法,提出了Leading-Cyclic DCD算法。Leading-Cyclic DCD算法分为两步:首先,Leading DCD算法用较少的迭代次数获得结果;然后,Cyclic DCD算法将Leading DCD的输出作为初始输入用大量更新迭代次数获取更精确的软输出结果。数据结果表明所提出的Leading-Cyclic DCD算法在系统矩阵是大条件数（>100）且稀疏度γ>1/8的系统中,比Leading DCD算法和Cyclic DCD算法收敛速度快,稳定误差低。
丁俊豪[8]（2019）在《基于深度学习的麦克风阵列声源定位算法研究》文中提出随着人工智能技术进入实用化阶段,语音成为很多应用场景的入口,为了让设备能更好地参与语音交互,需要利用麦克风阵列对声源进行定位。实际环境中的噪声和混响会严重影响声源定位系统的性能,传统方法通过增加麦克风数量、加大阵列尺寸、提高采样频率等改善硬件条件的方式来提升系统的抗噪和抗混响能力,这种做法既增加了系统的复杂度,又提高了设备的成本。在智能语音交互应用中,出于对产品成本和体积的考虑,麦克风数量和阵列尺寸受到很大的限制,在噪声和混响的干扰下,传统声源定位算法的性能会急剧下降。本文提出了一种基于深度学习的声源定位算法,通过模型训练实现声源方位的分类,对于改善语音交互产品的声源定位性能具有实际应用价值。本文首先介绍了三种传统声源定位算法:基于时延估计的声源定位、基于可控波束形成的声源定位、基于高分辨率谱估计的声源定位。根据各种算法的特点和局限性,选择时延估计方法用于深度学习特征提取。其次,论文阐述了深度学习的相关理论和实现算法,并分析了实际环境中声源的空间分布与麦克风阵列信号之间的关系。在理论分析的基础上,从声源方位分类的角度,提出了基于深度学习的声源定位算法。再次,本文引入了一种基于反射对称性原理的Image算法用于模拟室内特定声学通道的房间冲激响应,并在全空间随机生成大量麦克风阵列信号训练数据。最后,采用TensorFlow搭建全连接神经网络模型,分别选择四种不同的时域特征,对深度学习分类模型进行训练,利用训练好的分类器对麦克风阵列信号进行分类,从而确定声源的方位。为了评估深度学习方法的性能,本文以传统时延估计算法为参照,在49种环境条件下进行对比实验。实验结果表明:在综合环境条件下,深度学习方法在双麦克风小型阵列上的定位准确率相对传统方法有20%-38%的提升,从而验证了本文提出的基于深度学习的声源定位方法可以获得更高的定位准确率和环境鲁棒性。
翁建业[9]（2019）在《双带并发功率放大器的线性化研究》文中提出随着通信技术的发展,传输信号的带宽需求越来越高,频谱资源越发紧张,载波聚合技术已然兴起,为保证信号发射的质量和信息传输的可靠性,作为载波聚合技术的关键双带并发功率放大器的线性化问题尤为重要。本文主要研究双带并发功率放大器线性化的核心手段数字预失真以及对作为双带并发功放的扩展双输入Doherty功放的线性化进行探索。本文主要工作以及创新点如下:1.本文从双带并发发射机的不同架构出发,研究了双带并发功放的非线性失真分量:带内互调失真、带内交调失真以及被滤除的带外互调失真,基于这些失真分量从基带信号推导了四种应对不同场景的双带并发功放行为模型。2.本文通过已有的双带间接学习结构和双带直接学习结构的分析对比,结合两者的优缺点,引入迭代学习控制算法用于双带并发功放线性化,提出一种新型基于迭代学习控制的双带数字预失真结构。实验表明:工作在宽带F类功放饱和输出的高增益压缩情况下,两个频带20MHz-LTE信号经过增益算法迭代5次ACPR就可以改善20dB、NMSE改善25dB;常数算法迭代8次也可以达到预期的效果,两种算法具有优越的收敛性。在同等行为模型下,该结构的线性化性能优于双带间接学习结构,与双带直接学习结构相近:低频带ACPR改善了16.2dB,NMSE改善18dB,高频带ACPR改善了18.9dB,NMSE改善18.4dB,迭代算法简单,线性化效果优秀。3.本文提出了新型基于迭代学习控制的双输入Doherty信号分离架构。介绍了双输入Doherty的特征提取的过程以及其非线性失真情况。有别于传统的当作静态数字分离函数单输入单输出进行数字预失真非线性矫正方式,本文通过固定峰值路函数控制功放效率,迭代识别载波分离函数控制功放线性度,充分利用了附加的射频输入给双输入Doherty功放带来的额外自由度,这使得数字预失真器能够通过识别阶段的迭代来补偿剩余误差。实验结果表明,在指定信号情况下,迭代算法可以在效率只下降2%的情况下20MHz-LTE信号ACPR改善30dB,NMSE改善32dB。而载波分离函数经过广义记忆多项式模型的拟合,运用于其他不同的信号ACPR也都能达到-45dBc以下的通信标准,验证了基于迭代学习控制的双输入Doherty信号分离架构对线性和效率控制的优越性。
李占利,陈立朝,陈振华,刘娅茹[10]（2019）在《云环境下多方保密计算最大值、最小值及其统计学应用》文中研究指明安全多方计算是近年来密码学的研究热点,本文主要研究保密科学计算中最值（最大值、最小值）问题的安全多方计算,关于该问题现有的解决方案不多,而且目前尚未出现架构在云计算环境下的解决方案.针对此问题,本文首先对保密数据进行0-1编码,使得保密数据隐藏于所编码的0-1数组中,然后利用多密钥NTRU全同态加密算法,分别设计了在云计算环境下解决最大值、最小值问题的协议,并且,在半诚实模型下,利用模拟范例的方法,对本文提出协议的安全性进行了证明.本文分析表明:在性能方面,和以往协议相比,本文提出的的最大值、最小值解决方案,不仅是首次架构在云计算环境下的解决方案,而且该方案还可以抗量子攻击;在效率方面,由于本文构造的协议都架构在云计算平台上,这能为用户节省大量的计算成本,所以本文给出的协议取得了更高的效率.最后,本文将设计的两个新协议应用在统计学领域,解决了一个新问题—多方保密计算极差问题,该方案简洁安全.
二、X~n+X~(-n)的求值问题（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、X~n+X~(-n)的求值问题（论文提纲范文）
（2）人耳附近空间有源降噪系统（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.2.1 多通道信号采集分析系统研究现状 |
| 1.2.2 区域性降噪国内外研究现状 |
| 1.3 本文主要工作 |
| 第二章 信号的采集与测量 |
| 2.1 引言 |
| 2.2 多通道信号采集系统功能与设计 |
| 2.3 模块化设计 |
| 2.3.1 硬件模块 |
| 2.3.2 软件模块 |
| 2.4 性能测试与误差分析 |
| 2.4.1 时延与同步性 |
| 2.4.2 信号参量的误差分析 |
| 第三章 基础理论 |
| 3.1 引言 |
| 3.2 最小均方算法 |
| 3.3 算法性能分析 |
| 3.3.1 收敛条件 |
| 3.3.2 收敛速度 |
| 3.3.3 计算量分析 |
| 第四章 人耳附近区域有源降噪 |
| 4.1 引言 |
| 4.2 理论研究 |
| 4.2.1 局部有源静区 |
| 4.2.2 模态分析法 |
| 4.2.3 扩散声场分析法 |
| 4.2.4 目标函数 |
| 4.3 自适应有源前馈主动噪声控制算法 |
| 4.3.1 .次级通道建模 |
| 4.3.2 滤波-XLMS算法性能分析 |
| 4.4 自适应有源反馈主动噪声控制算法 |
| 4.5 自适应有源前馈反馈混合主动控制算法 |
| 4.5.1 传统组合方法 |
| 4.5.2 简化组合方法 |
| 4.5.3 解耦传统组合方法 |
| 第五章 多通道自适应主动控制实验及数据分析 |
| 5.1 区域性噪声控制系统实验平台 |
| 5.1.1 ANC系统实验搭建 |
| 5.1.2 布放设计 |
| 5.2 区域性降噪实验数据测量与分析 |
| 5.2.1 方案一下不同噪声源的降噪对比分析 |
| 5.2.2 方案二下不同噪声源的降噪对比分析 |
| 5.2.3 两种次级源布放方案的降噪效果对比分析 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的论文 |
| 作者简介 |
（3）Reed-Solomon码的快速算法设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 差错控制编码概述 |
| 1.2 Reed-Solomon码简介 |
| 1.2.1 基于多项式的码构造 |
| 1.2.2 基于校验矩阵的码构造 |
| 1.2.3 代数运算与SIMD技术 |
| 1.3 Reed-Solomon码的应用 |
| 1.3.1 数字通信系统 |
| 1.3.2 数据存储系统 |
| 1.4 Reed-Solomon码的研究意义与研究现状 |
| 1.5 本文主要内容和贡献 |
| 1.6 本文的组织架构 |
| 第2章 无码率Reed-Solomon码的快速编译码算法 |
| 2.1 引言 |
| 2.2 准备工作 |
| 2.2.1 有限域的设定 |
| 2.2.2 LHC基底上的FFT |
| 2.3 一种新的无码率RS码 |
| 2.3.1 编码算法 |
| 2.3.2 译码算法 |
| 2.4 复杂度分析 |
| 2.4.1 编码复杂度 |
| 2.4.2 译码复杂度 |
| 2.4.3 复杂度比较 |
| 2.5 FFT的输出调度算法 |
| 2.6 基于SIMD的实现 |
| 2.6.1 基础指令介绍 |
| 2.6.2 有限域F_(2~8)上的查询 |
| 2.6.3 有限域F_(2~(16))上的查表 |
| 2.7 软件实现与性能评估 |
| 2.7.1 码长方面 |
| 2.7.2 丢失概率方面 |
| 2.7.3 封包大小方面 |
| 2.8 本章小结 |
| 第3章 校验数在4到7之间的Reed-Solomon码快速算法 |
| 3.1 引言 |
| 3.2 准备工作 |
| 3.2.1 有限域与校验矩阵的设计 |
| 3.2.2 RM变换及其性质 |
| 3.3 快速编码算法 |
| 3.3.1 快速校正子计算 |
| 3.3.2 编码算法 |
| 3.3.3 译码算法 |
| 3.3.4 举例(14,10) RS码 |
| 3.4 优化与扩展 |
| 3.4.1 编译码优化 |
| 3.4.2 任意校验符号数 |
| 3.5 理论分析 |
| 3.5.1 复杂度分析 |
| 3.5.2 平均操作量 |
| 3.6 软件实现与性能评估 |
| 3.7 本章小结 |
| 第4章 对流水线友好的In-Place线性变换 |
| 4.1 引言 |
| 4.2 准备工作 |
| 4.2.1 In-Place线性变换介绍 |
| 4.2.2 数据阻塞问题 |
| 4.3 一种新的In-Place线性变换算法 |
| 4.3.1 对流水线友好的高斯消去法 |
| 4.3.2 新的In-Place算法 |
| 4.4 实验模拟与比较 |
| 4.5 两种In-Place算法的误差讨论 |
| 4.5.1 LS算法的舍入误差 |
| 4.5.2 新In-Place算法的舍入误差 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（4）基于伏特拉级数的功放线性化技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 线性化技术研究现状及发展趋势 |
| 1.3 论文的主要内容与结构安排 |
| 第二章 基于Volterra级数的F类功率放大器线性化 |
| 2.1 F类功率放大器的行为特性及线性度评价指标 |
| 2.1.1 F类功率放大器的非线性特性 |
| 2.1.2 功放的记忆效应 |
| 2.1.3 评价功率放大器线性度的主要指标 |
| 2.2 数字预失真的基本原理 |
| 2.3 基于Volterra级数的行为模型 |
| 2.3.1 MP模型 |
| 2.3.2 GMP模型 |
| 2.3.3 DDR模型 |
| 2.3.4 Volterra级数模型的参数辨识 |
| 2.4 线性化方案及主要考虑 |
| 2.5 本章小结 |
| 第三章 基于输出补偿记忆多项式模型的功放建模 |
| 3.1 OCMP模型的提出 |
| 3.2 OCMP模型的参数辨识 |
| 3.3 OCMP模型复杂度分析 |
| 3.3.1 OCMP模型基函数分析 |
| 3.3.2 模型复杂度分析 |
| 3.4 模型仿真分析 |
| 3.5 本章小结 |
| 第四章 基于迭代学习控制的数字预失真学习结构 |
| 4.1 数字预失真系统学习结构 |
| 4.1.1 直接学习结构 |
| 4.1.2 间接学习结构 |
| 4.2 迭代学习控制概念 |
| 4.3 基于ILC的功放线性化 |
| 4.3.1 基于ILC的功放线性化方法 |
| 4.3.2 算法收敛条件分析 |
| 4.3.3 学习算法的选取 |
| 4.3.4 算法初始化 |
| 4.4 ILC结构与Volterra级数功放模型的结合 |
| 4.5 ILC-DPD仿真测试分析 |
| 4.5.1 ILC结构三种学习算法对比 |
| 4.5.2 ILC结构与DLA、ILA结构对比 |
| 4.6 本章小结 |
| 第五章 测试及验证分析 |
| 5.1 预失真系统实验平台 |
| 5.1.1 预失真实验平台 |
| 5.1.2 数据对齐 |
| 5.2 OCMP模型验证 |
| 5.2.1 F类氮化镓功放实验验证 |
| 5.2.2 Doherty功放实验验证 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 个人简历及研究成果 |
| 致谢 |
（5）考虑生化介质作用纳米梁非线性振动分析与控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.2 研究现状 |
| 1.2.1 纳米梁非线性振动及物质扩散对纳米梁的影响研究现状 |
| 1.2.2 电容式微机械声学传感器、场效应管、RLC电路研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 考虑生化介质作用CMUT传感纳米梁非线性振动控制 |
| 2.1 基于CMUT传感的纳米梁非线性振动控制 |
| 2.1.1 基于CMUT传感的纳米梁振动模型 |
| 2.1.2 算例计算与分析 |
| 2.1.3 小结 |
| 2.2 基于CMUT传感的纳米梁非线性振动时滞控制 |
| 2.2.1 基于CMUT传感的纳米梁时滞控制模型 |
| 2.2.2 算例计算与分析 |
| 2.2.3 小结 |
| 2.3 考虑生化介质作用CMUT传感纳米梁非线性振动控制 |
| 2.3.1 纳米梁与生化介质扩散表面应力的关系 |
| 2.3.2 考虑生化介质作用CMUT传感纳米梁振动控制模型 |
| 2.3.3 算例计算与分析 |
| 2.3.4 小结 |
| 2.4 本章小结 |
| 第三章 考虑生化介质作用场效应传感纳米梁非线性振动控制 |
| 3.1 考虑气体扩散表面应力的纳米梁非线性振动分析 |
| 3.1.1 考虑扩散表面应力纳米梁振动模型 |
| 3.1.2 算例计算与分析 |
| 3.1.3 小结 |
| 3.2 考虑生化介质作用场效应传感纳米梁非线性振动控制 |
| 3.2.1 考虑生化介质作用场效应传感纳米梁振动控制模型 |
| 3.2.2 算例计算与分析 |
| 3.2.3 小结 |
| 3.3 本章小结 |
| 第四章 考虑生化介质作用纳米梁与RLC电路耦合系统 |
| 4.1 考虑生化介质作用纳米梁与RLC电路耦合系统振动模型 |
| 4.2 算例计算与分析 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文研究总结 |
| 5.2 研究展望 |
| 参考文献 |
| 在读期间公开发表的论文 |
| 致谢 |
（6）面向IoT的频率综合器中小数分频器设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 小数分频器概述 |
| 2.1 小数锁相环概述 |
| 2.1.1 小数锁相环的工作原理 |
| 2.1.2 小数锁相环的关键指标 |
| 2.1.3 小数锁相环的系统分析 |
| 2.1.4 小数锁相环的噪声分析 |
| 2.2 可编程分频器概述 |
| 2.2.1 可编程分频器的工作原理 |
| 2.2.2 可编程分频器的高速单元 |
| 2.2.3 可编程分频器的关键指标 |
| 2.3 ∑-△调制器概述 |
| 2.3.1 ∑-△调制器的工作原理 |
| 2.3.2 ∑-△调制器的关键指标 |
| 2.4 本章小结 |
| 第三章 可编程分频器设计 |
| 3.1 整体架构 |
| 3.2 双模预分频器设计 |
| 3.2.1 模2 分频器设计 |
| 3.2.2 低功耗模2/3 分频器的改进设计 |
| 3.3 P计数器设计 |
| 3.3.1 计数单元设计 |
| 3.3.2 静态D触发器设计 |
| 3.4 S计数器设计 |
| 3.5 仿真结果 |
| 3.5.1 低功耗改进设计的模2/3 分频器 |
| 3.5.2 可编程分频器 |
| 3.6 本章小结 |
| 第四章 ∑-△调制器设计 |
| 4.1 最大序列长度DDSM设计 |
| 4.1.1 DDSM结构设计 |
| 4.1.2 DDSM关键模块硬件描述语言实现 |
| 4.2 仿真结果 |
| 4.3 本章小结 |
| 第五章 版图设计、后仿真验证及流片测试 |
| 5.1 版图设计 |
| 5.2 后仿真验证 |
| 5.3 流片测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（7）二分坐标下降算法在系统辨识和稀疏系统中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 术语表 |
| 1 绪论 |
| 1.1 概述 |
| 1.2 主要内容及贡献 |
| 1.3 论文组织结构 |
| 1.4 数学符号注释 |
| 2 二分坐标下降算法 |
| 2.1 线性系统方程求解方式 |
| 2.2 实数相除 |
| 2.3 向量相除 |
| 2.4 Cyclic DCD算法和Leading DCD算法 |
| 2.4.1 Cyclic DCD算法 |
| 2.4.2 Leading DCD算法 |
| 2.5 本章小结 |
| 3 基于二分坐标下降的新型RLS时变系统辨识算法 |
| 3.1 系统模型和RLS算法 |
| 3.1.1 ERLS算法 |
| 3.1.2 SRLS算法 |
| 3.1.3 横向RLS算法 |
| 3.2 DCD算法 |
| 3.3 VFF-DCD-ERLS算法 |
| 3.4 仿真结果及分析 |
| 3.5 本章小结 |
| 4 稀疏系统中快速收敛Leading-cyclic DCD算法 |
| 4.1 Leading DCD算法和Cyclic DCD算法求解正则方程 |
| 4.2 Leading-Cyclic算法 |
| 4.3 仿真结果及分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 个人简历及攻读硕士学位期间研究成果 |
| 致谢 |
（8）基于深度学习的麦克风阵列声源定位算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 发展历程及研究现状 |
| 1.3 声源定位方法概述 |
| 1.4 实际应用中声源定位方法存在的问题 |
| 1.5 本文研究内容和结构安排 |
| 第2章 麦克风阵列与传统声源定位方法 |
| 2.1 引言 |
| 2.2 麦克风阵列基础 |
| 2.2.1 声场模型 |
| 2.2.2 环境模型 |
| 2.3 基于时延估计的声源定位方法 |
| 2.3.1 时延估计技术 |
| 2.3.2 几何关系定位 |
| 2.4 基于可控波束形成的声源定位方法 |
| 2.5 基于高分辨率谱估计的声源定位方法 |
| 2.6 小结 |
| 第3章 基于深度学习的声源定位方法 |
| 3.1 引言 |
| 3.2 深度神经网络 |
| 3.2.1 感知机 |
| 3.2.2 人工神经网络 |
| 3.2.3 全连接神经网络 |
| 3.2.4 神经网络训练算法 |
| 3.2.5 过拟合 |
| 3.3 声源的空间分布与深度学习分类 |
| 3.4 麦克风阵列信号仿真 |
| 3.4.1 室内声学环境特征 |
| 3.4.2 IMAGE算法 |
| 3.5 小结 |
| 第4章 基于深度学习的声源定位实验与分析 |
| 4.1 引言 |
| 4.2 声源定位仿真实验 |
| 4.2.1 仿真数据生成 |
| 4.2.2 基于TensorFlow搭建DNN网络模型 |
| 4.3 实验结果分析 |
| 4.3.1 不同信噪比对声源定位系统的影响 |
| 4.3.2 不同混响时间对声源定位系统的影响 |
| 4.3.3 不同算法对环境条件的适应性 |
| 4.3.4 结果分析 |
| 4.3.5 结论 |
| 4.4 小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（9）双带并发功率放大器的线性化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.3 本文结构和内容安排 |
| 第二章 双带并发功率放大器行为建模 |
| 2.1 双带并发发射机架构 |
| 2.2 功率放大器的非线性 |
| 2.2.1 单带功率放大器非线性 |
| 2.2.2 双带并发功率放大器非线性 |
| 2.3 双带并发功放行为模型 |
| 2.3.1 2-D-DPD模型 |
| 2.3.2 双带Phase-Aligned Volterra模型 |
| 2.3.3 简化2-D-DPD模型 |
| 2.3.4 双带I/Q不平衡模型 |
| 2.4 模型性能评价标准 |
| 2.4.1 NMSE |
| 2.4.2 ACPR |
| 2.4.3 EVM |
| 2.5 本章小结 |
| 第三章 基于迭代学习控制双带数字预失真结构 |
| 3.1 数字预失真概念 |
| 3.2 双带DPD间接学习结构 |
| 3.3 双带DPD直接学习结构 |
| 3.4 基于迭代学习控制双带数字预失真结构 |
| 3.4.1 双带迭代学习控制算法 |
| 3.4.2 基于迭代学习控制双带预失真器 |
| 3.5 双带数字预失真结构效果仿真对比 |
| 3.6 双带并发数字预失真信号对齐算法 |
| 3.6.1 输入输出信号对齐 |
| 3.6.2 输入信号对齐 |
| 3.7 本章小结 |
| 第四章 双输入Doherty的线性化研究 |
| 4.1 双输入Doherty架构 |
| 4.2 双输入Doherty信号分离标准研究 |
| 4.2.1 双输入Doherty特征提取 |
| 4.2.2 分离函数的拟合 |
| 4.2.3 双输入Doherty的非线性 |
| 4.2.4 双输入Doherty的线性化处理 |
| 4.3 本章小结 |
| 第五章 实验验证分析 |
| 5.1 双带并发数字预失真实验 |
| 5.1.1 迭代学习控制算法收敛性能试验 |
| 5.1.2 双带数字预失真学习结构线性化效果比较 |
| 5.2 双输入Doherty线性化信号分离的实验 |
| 5.2.1 特征提取以及函数信号分离 |
| 5.2.2 线性高效率信号分离验证 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（10）云环境下多方保密计算最大值、最小值及其统计学应用（论文提纲范文）
| 1 引言 |
| 1.1 相关工作 |
| 1.2 本文贡献 |
| 2 预备知识 |
| 2.1 安全多方计算的安全性定义 |
| 2.2 多密钥NTRU全同态加密[37] |
| 3 问题的描述与转化 |
| 3.1 问题描述 |
| 3.2 问题转化 |
| 3.3 具体协议 |
| 3.4 安全性分析 |
| 3.5 效率分析 |
| 4 最大值、最小协议在统计学上的简单应用—多方保密计算极差 |
| 4.1 问题描述 |
| 4.2 问题的转化 |
| 5 总结与展望 |
四、X~n+X~(-n)的求值问题（论文参考文献）
- [1]全委托的公共可验证的外包数据库方案[J]. 周搏洋,陈春雨,王强,周福才. 软件学报, 2021(12)
- [2]人耳附近空间有源降噪系统[D]. 吕长明. 南京信息工程大学, 2021(01)
- [3]Reed-Solomon码的快速算法设计与实现[D]. 余蕾蕾. 中国科学技术大学, 2021(09)
- [4]基于伏特拉级数的功放线性化技术研究[D]. 武钰龙. 电子科技大学, 2020(01)
- [5]考虑生化介质作用纳米梁非线性振动分析与控制研究[D]. 万磊. 山东理工大学, 2020(02)
- [6]面向IoT的频率综合器中小数分频器设计[D]. 何凯. 东南大学, 2020(01)
- [7]二分坐标下降算法在系统辨识和稀疏系统中的应用[D]. 吕树花. 郑州大学, 2020(02)
- [8]基于深度学习的麦克风阵列声源定位算法研究[D]. 丁俊豪. 深圳大学, 2019(01)
- [9]双带并发功率放大器的线性化研究[D]. 翁建业. 电子科技大学, 2019(12)
- [10]云环境下多方保密计算最大值、最小值及其统计学应用[J]. 李占利,陈立朝,陈振华,刘娅茹. 密码学报, 2019(02)