卷积混叠盲信号分离的一种线性化方法

卷积混叠的盲信号分离是盲源分离问题中的难点．针对独立同分布的非高斯信号的卷积混叠,提出了一种新的盲解卷积方法——“两步提取法”：第一步消除所有源信号的延迟分量,提取仅含有源信号的线性混叠分量,使其转化为线性混叠盲源分离问题,称之为“卷积线性化”;第二步对“卷积线性化”后的估计信号进行分离,最终分离出源信号．同时,利用统计和矩阵理论,证明了设计“卷积线性化”滤波器的方法．仿真试验结果显示了该方法的可行性．     

基于网络处理器的防火墙集成虚拟专用网模块

随着通信网络的发展,网络安全需求也趋于多样化,能够防御来自多技术层面安全威胁的网络设备显得越来越重要。集成了虚拟专用网(virtual private network,VPN)的网络防火墙是一种灵活、高效、可以实现多方位防御的网络安全设备。通过对Intel IXP2850网络处理器和它加/解密单元结构、功能、优点的分析,给出以该加/解密单元为解决方案的网络防火墙集成VPN模块的设计。     

欠定情形下语音信号盲分离的时域检索平均法

探讨欠定情形（即观察信号的个数少于源信号个数）下的盲信号分离,提出一种新的方法,即时域检索平均法（SAMTD）,该方法可解决目前在频域中难以处理的一类问题,它利用一类语音信号在时域中的稀疏持续性,回避像K均值聚类或势函数等常用统计聚类方法.为估计混叠矩阵,它剔除那些不与基矢量共向或反向的数据样本,以提高其估计的准确性.在源信号的恢复上,提出了一个超完备线性几何ICA改进算法.几个语音信号实验的仿真数据展示了所提方法的性能和实用性.     

信号的稀疏性分析

在工程应用中，许多信号统计上都服从或者近似服从广义Gaussian分布（GGD：Generalized Gaussian Distribution）.着重讨论了广义Gaussian信号的稀疏性问题.首先，针对广义Gaussian信号，推导出了反映信号稀疏性的数学公式.按照这个公式，Laplacian信号的度量值为1，Gaussian信号度量值为2.通过计算信号的度量值，并将其与Laplacian信号和Gaussian信号的度量值进行比较，可以很直观地知道该信号的稀疏程度.同时，给出了一些稀疏盲分离实例.仿真结果表明：（1） 在源信号极其稀疏的情况下，比如稀疏性度量值只有0.083（仿真1），借助稀疏性能够很好地实现欠定盲分离（UBSS：Undetermined Blind Source Separation）；（2） 当观测信号数目比较少的情况下，如仅有3个观测信号，只有当源信号比Laplacian信号更为稀疏时，如稀疏度量值为0.7012（仿真2），对于欠定盲信号分离问题，才可能取得较好的盲分离效果.     

网络处理器中的快速GTP隧道检查方法

针对网络处理器中快速存储资源有限和微引擎缺乏存储管理方法等制约实现快速、大量GPRS隧道协议（GPRS tunneling protocol, GTP）隧道检查的问题。提出了基于布隆过滤器(Bloom filter, BF)的数据隧道端点标识（data tunnel endpoint identifier Bloom filter, DTEID BF）方法,该方法将冲突问题转化为误判率问题,通过合理利用快速存储资源减少读写操作周期,采用并行运算提高处理速度,给出了应用该方法的具体步骤和参数选择方法。通过在IXP2850中实现DTEID BF方法并进行吞吐量和延时测试,证明该方法在吞吐量上接近1 Gb/s,在最大延时和平均延时指标上优于Trie方法。     

时滞离散时间双向联想记忆模型的研究

提出一类时滞离散时间双向联想记忆神经网络模型,研究了平衡点的全局吸引性,并且以具体仿真算例给出了利用平衡点的全局吸引性建立这类双向记忆神经网络的方法.     

时滞离散时间双向联想记忆模型的研究

提出一类时滞离散时间双向联想记忆神经网络模型,研究了平衡点的全局吸引性,并且以具体仿真算例给出了利用平衡点的全局吸引性建立这类双向记忆神经网络的方法。     

中立型控制系统的BIBO控制器设计

就中立型连续控制系统给出了一种新的Razumikhin型有界定理 ,基于这个定理提出相应的反馈BIBO镇定控制器的设计方法 .     

基于稀疏元分析的欠定混叠自适应盲分离方法

传统盲分离理论假设源信号相互独立，通常采用独立元分析方法等实现盲分离，无法解决实际应用中出现的欠定混叠、相关源信号混叠等挑战性盲分离问题．稀疏元分析是国际上最近出现的一个新的研究热点，稀疏元分析盲分离方法具有实现欠定混叠盲分离和相关源信号混叠盲分离的能力，因而为广大研究人员所关注．但到目前为止，对于稀疏元分析的研究还很不成熟，特别是非常欠缺有效的算法．仅有的少数几个算法仍然面临许多问题，比如：基于Lewicki和Sejnowski（2000）所给Lewicki—Sejnowski自然梯度的稀疏元分析方法，是目前讨论欠定混叠盲分离的一种有效自适应算法，它较通常的K-均值聚类法有更多的优势．但Lewicki—Sejnowski自然梯度只是一种近似表示，缺乏严格的理论依据．由稀疏元分析代价函数出发，基于矩阵理论以及文中所建立的一个新的数学公式，从理论上导出了一个新的且严格的自然梯度，从而为这类稀疏元分析方法提供了严格的理论基础．在此基础上，给出了稀疏信号欠定混叠的新自适应盲分离算法．该方法具有实现欠定混叠和相关源混叠盲分离的能力（见仿真1）．仿真结果表明，所给的新自然梯度比Lewicki—Sejnowski自然梯度更为稳定可靠，同时算法具有较好的抗噪性．