提出了一种在基带采样率内对任意带通信号的正交采样技术。载频位于ADC(模/数转换器)基带采样率内的任意带通信号,经1/2抽取和(-1)n调制,再由全通线性多相滤波器内插后,得到其复包络的调制输出XI(n)和XQ(n)。

求给定偶图的所有完备匹配问题在LSI/VLSI的布图设计方面有着重要的应用。本文提出了一种求解这一问题的算法。(1)提出了许配树的概念并讨论了其性质;(2)证明了任意一棵许配树T(xi)对应于给定偶图的所有完备匹配的定理;(3)给出了求给定偶图的所有完备匹配的算法。本算法已在BST 386 CAD工作站上用C语言实现。运行结果证明了算法的正确性。算法已作为正在研充的VLSI积木块布图设计系统中的一个模块。

在车载网络(VANETs)中，联邦学习(FL)通过协同训练机器学习模型，实现了车辆间的数据隐私保护，并提高了整体模型的性能。然而，FL在VANETs中的应用仍面临诸多挑战，如模型泄露风险、训练结果验证困难以及高计算和通信成本等问题。针对这些问题，该文提出一种面向联邦学习的可验证隐私保护批量聚合方案。首先，该方案基于Boneh-Lynn-Shacham (BLS)动态短群聚合签名技术，保护了客户端与路边单元(RSU)交互过程中的数据完整性，确保全局梯度模型更新与共享过程的不可篡改性。当出现异常结果时，方案利用群签名的特性实现车辆的可追溯性。其次，结合改进的Cheon-Kim-Kim-Song (CKKS)线性同态哈希算法，对梯度聚合结果进行验证，确保在联邦学习的聚合过程中保持客户端梯度的机密性，并验证聚合结果的准确性，防止服务器篡改数据导致模型训练无效的问题。此外，该方案还支持车辆在部分掉线的情况下继续更新模型，保障系统的稳定性。实验结果表明，与现有方案相比，该方案在提升数据隐私安全性和结果的可验证性的同时，保证了较高效率。

海量机器类终端(或MTC终端)同步入网时，其业务呈现瞬时突发性，这使得基于齐次或复合泊松假设的多信道S-ALOHA稳态性能分析办法难以直接应用。该文以第i个随机接入时隙内第j次进行随机接入的用户数Mi(j)作为状态变量，提出了一种沿Mi(j) 的j方向迭代进行多信道S-ALOHA暂态性能分析的办法及其近似形式。该迭代办法可建立第i个随机接入时隙内第j次进行随机接入的用户数与第x个随机接入时隙内新到用户数的直接关系(其中xi)，也可给出接入时延概率密度函数、概率分布函数和均值的求解办法。以3GPP MTC业务参考模型进行数值仿真，验证了所提迭代办法及其近似形式的有效性。相关研究可为承载网络的优化设计提供参考。