摘要：通过线性逼近硬实时系统任务的工作负荷量的方法,一个更加接近精确响应时间的时间上限能有效地降低调度分析时间。同时该上限用于任务集的充分性可调度测试时具有线性时间的复杂度。这种线性上限的可调度性测试能够用于交互的系统工具设计、基于搜索的系统优化以及任务集的动态接纳新任务的设计中。并且新的调度系统模型无时间死线、抖动大小限制,适用范围更广。相关的实验也表明响应时间上限可调度性分析提高了准确调度测试的效率。

摘要：通过线性逼近硬实时系统任务的工作负荷量的方法,一个更加接近精确响应时间的时间上限能有效地降低调度分析时间。同时该上限用于任务集的充分性可调度测试时具有线性时间的复杂度。这种线性上限的可调度性测试能够用于交互的系统工具设计、基于搜索的系统优化以及任务集的动态接纳新任务的设计中。并且新的调度系统模型无时间死线、抖动大小限制,适用范围更广。相关的实验也表明响应时间上限可调度性分析提高了准确调度测试的效率。

摘要：针对一类系统模型的输入输出函数不满足连续可导条件的非线性系统,设计了一种基于线性近似的模型预测控制方案。运用Stirling插值公式对非线性函数进行线性近似处理,并将模型预测控制性能指标重构为一个二次型最优化问题,通过对二次型最优化问题的求解得到了模型预测控制的最优控制序列。为了减少计算量,忽略了线性近似过程中产生的非线性高阶项。仿真结果表明,该模型预测控制方案控制效果满意,且具有降低控制能量消耗和缩短控制时间的优点。

摘要：针对含抽水蓄能电站的输电线路规划中存在的非线性和非凸问题,提出了一种基于MILP的输电线路扩展规划启发式算法。首先将混合整数线性问题(MILP)传输扩展规划(TEP)模型的精确解与元启发式算法的随机解相结合;然后引入了基于MILP的启发(MBH)算法来解决线性近似和元启发式过程中出现的问题;最后在IEEE RTS-24节点测试系统的单阶段TEP验证了所提出算法的有效性。

摘要：研究统计回馈神经网络（ＳＲＮＮ）的非线性自适应预测控制．基于混合统计模型，利用信息几何的处理方法，将ＳＲＮＮ 的参数估计转化为一般的线性ＡＲＭＡ 系统的最小均方误差参数估计算法，最终获得ＳＲＮＮ 参数估计．获得ＲＮＮ 预测的参数估计以后，可以十分方便地利用线性ＡＲＭＡ 系统的控制规律来设计ＳＲＮＮ 的预测控制规律，解决了非线性ＳＲＮＮ 预测参数估计、复杂非线性系统控制规律设计等问题．在研究单隐元ＳＲＮＮ 的基础上，进一步探讨了多隐元ＳＲＮＮ 的自适应预测控制问题．

摘要：作为欧洲流密码发展计划eSTREAM的7个最终获选算法之一,Trivium的安全性考察表明至今为止还没有出现有效的攻击算法。该文针对2轮Trivium,通过找出更多线性逼近方程,对其进行了多线性密码分析,提出了一种更有效的区分攻击算法。与现有的单线性密码分析算法相比,该算法攻击成功所需的数据量明显减少,即:若能找到n个线性近似方程,在达到相同攻击成功概率的前提下,多线性密码分析所需的数据量只有单线性密码分析的1/n。该研究结果表明,Trivium的设计还存在一定的缺陷,投入实用之前还需要实施进一步的安全性分析。

摘要：提出了一种二进制数的指数/对数运算的线性近似的改进算法,并VLSI实现。该算法能较好地提高精度,相比于现有最新文献提出的算法,对数运算的相对误差减少了46.1%,指数运算的相对误差减少了32.2%。实现时,设计了前导1探测电路和减小误差的误差补偿电路。该算法VLSI实现简单,只需组合逻辑就能在一个时钟周期内得到计算结果。

摘要：介绍了一种称为GDSP的针对多协议处理的16位定点专用DSP,它具有一条指令完成取双操作数、运算及结果写回memory的特点,针对算法特点设计的三角函数运算单元CDC、二进制对数/指数运算的算法改进及VLSI实现的对数运算单元LOG和指数运算单元ANTILOG,能快速精确的完成三角函数和对数/指数的求解。该DSP系统在保证精度的同时,具有强大的运算能力。

摘要：从明暗恢复形状(SFS)是三维重构的有效技术之一。在对SFS算法分析的基础上,针对SFS算法易受高光分量影响的缺点,设计了基于多项式拟合的高光消除方法对输入图像进行预处理,然后对预处理后的图像采用Oren-Nayar光照模型建立辐照度方程,并利用Tsai的线性近似方法对辐照度方程进行求解,进而获得高度信息以实现物体的三维重构。实验结果表明,所提出的方法能较好地消除输入图像中高光分量的不利影响,有效提升三维重构效果。

摘要：针对大数据的人体行为识别时实时性差和识别率低的问题,提出了优化投影对线性近似稀疏表示分类(OP-LASRC)的监督降维算法,与线性近似稀疏表示(LASRC)快速分类算法结合用于大数据的行为识别。利用LASRC的残差计算规律设计OP-LASRC实现监督降维:在追求一个线性投影时减小训练样本的本类重构残差及增大类间重构残差,保留样本的类别特征。对降维后的行为数据用LASRC算法分类:用L2范数估算稀疏系数,取前k个最大的稀疏系数对应的训练样本,用L1范数和残差计算得到识别结果。在KTH行为数据库上的实验表明,OP-LASRC降维后,LASRC在分类时识别率高达96.5%,执行时间比同类算法短,抗噪声能力强,证明了OP-LASRC的高效和强鲁棒性,能完美匹配LASRC用于大数据的行为识别。