研究低信噪比和高动态环境下P码直接捕获算法的搜索策略与参数设计.利用非相干积累与峰值位置约束的唐判决算法,增强灵敏度性能;提出了一种改进的搜索策略,将时域不确定范围分段,以适应高动态环境;通过一个实例介绍算法参数设计的方法,优化了单次检测概率、虚警概率、非相干积累次数、唐检参数与时域分段数.仿真结果表明,改进的搜索策略降低了漏检概率达30%;设计的参数可以在接收信号功率为-133 dB(mW量级),运动速度为900 m/s,加速度为20g,时间不确定范围为±1 s的情况下,虚警概率低于10-7,检测概率大于90%,捕获时间低于50 s.
针对计算字符串相似度的RKR-GST算法,分析了与该算法相关的技术并给出算法的流程图,然后在Visual Studio 2008中对该算法进行了实现,详细描述了实现过程中涉及的类与数据结构图,最后对算法的复杂度及算法运行过程中一些参数的选取进行...
详细信息
针对计算字符串相似度的RKR-GST算法,分析了与该算法相关的技术并给出算法的流程图,然后在Visual Studio 2008中对该算法进行了实现,详细描述了实现过程中涉及的类与数据结构图,最后对算法的复杂度及算法运行过程中一些参数的选取进行了讨论。RKR-GST算法在剽窃检测、DNA序列匹配等领域具有广阔的应用前景,该算法在.NET中的实现具有良好的可移植性与可扩展性,可以在多个应用领域中推广使用。
随着Chat GPT的成功,“大模型”(Large Language Models)一词越来越多地进入公众视野,成为当前AI领域最热门的技术方向之一。AI数据训练是否属于合理使用大模型全称“大规模预训练模型”,指参数规模超过亿级的“预训练深度学习算法”,...
详细信息
随着Chat GPT的成功,“大模型”(Large Language Models)一词越来越多地进入公众视野,成为当前AI领域最热门的技术方向之一。AI数据训练是否属于合理使用大模型全称“大规模预训练模型”,指参数规模超过亿级的“预训练深度学习算法”,基于“大数据+大算力+大算法参数网络结构”进行训练,实现海量知识“记忆”。
暂无评论