选择特殊符号
选择搜索类型
请输入搜索
LED 轻型分组密码是在CHES 2011 会议提出的，LED 算法分组长度为64 bit，支持64/128 bit 的密钥长度，加密轮数为32 轮。
LED 轻型分组密码是在CHES 2011 会议提出的，LED 算法分组长度为64 bit，支持64/128 bit 的密钥长度，加密轮数为32 轮。
算法第一轮之前进行一次轮密钥加，以后每4 轮进行一次轮密钥加操作。算法的1 步包括4 轮，每一轮包括轮常量加、S 盒、行移位和列混淆4 个操作。
为提高加密速度及减小硬件实现规模，LED 算法没有密钥扩展算法，轮密钥即为初始密钥。实现只需966 个门电路，是同类分组密码中最少的，适于硬件实现但仍保留了合理的软件实现能力。算法状态采用GF(24)上的4×4 矩阵，每个元素4 bit。
这不是公式能算的准确的，要看具体灯的。你需要控制回路电流在15-20mA就行
短跑的就是计算150厚度，按其水平投影面积计算，包含一半的梯井调出的板应该是单独计算，计入在挑檐板中吧
一般都是300宽 3MM厚，这样每米重量为0.3*3*7.85＝7.065kg，这样一吨为1000/7.065＝141m
单神经元自适应算法在LED照明控制中的应用
单神经元自适应算法在LED照明控制中的应用
为实现LED照明的恒照度控制,首先建立了LED的照度模型,然后采用单神经元自适应算法设计LED的照度控制器。仿真结果表明,单神经元自适应控制器能够实现LED照度的稳定控制,取得了较为理想的控制效果。
基于FPGA的LED屏彩色图像增强算法设计
基于FPGA的LED屏彩色图像增强算法设计
色调是反映彩色图像中色彩信息的重要参数,为了在进行图像效果增强的同时保持色调不变,通常的做法是先把图像从RGB转化到HIS色彩空间,然后在保持H变量(色调)不变的情况下,进行I(亮度)的增强。但是由于这种方法需要进行色彩空间的相互转化,大大增加了计算量。文章通过对简化HIS模型的分析,提出了一种直接对R、G、B分量进行处理的彩色图像增强方法。该方法可以运用已有灰度图增强算法进行彩色图像的增强,由于不需要进行色彩空间的转化,大大减少了计算量。FPGA可用来并行实时处理海量的图像数据,文章利用FPGA的这一特点作为实时图像直方图均衡增强算法的解决方案,并通过改进直方图均衡图像增强算法使其在FPGA中具体实现,可用于实时性要求高的LED屏显示。实验结果表明,该方案使彩色图像的增强效果明显,运行效率高。
因为大部分照明光源所发出的光皆通称为白光，故光源的色表温度或相关色温度即用以指称其光色相对白的程度，以量化光源的光色表现。根据Max Planck的理论，将一具完全吸收与放射能力的标准黑体加热，温度逐渐升高光度亦随之改变；CIE色坐标上的黑体曲线(Black body locus)显示黑体由红——橙红——黄——黄白——白——蓝白的过程。黑体加温到出现与光源相同或接近光色时的温度，定义为该光源的相关色温度，称色温，以绝对温K(Kelvin,或称开氏温度)为单位(K=℃+273.15)。因此，黑体加热至呈红色时温度约527℃即800K，其温度影响光色变化。
光色愈偏蓝，色温愈高；偏红则色温愈低。一天当中光的光色亦随时间变化：日出后40分钟光色较黄，色温约3,000K；正午阳光雪白，上升至4,800-5,800K，阴天正午时分则约6,500K；日落前光色偏红， 色温又降至约2,200K。因相关色温度事实上是以黑体辐射接近光源光色时，对该光源光色表现的评价值，并非一种精确的颜色对比，故具有相同色温值的两种光源，可能在光色外观上仍有些许差异。仅凭色温无法了解光源对物体的显色能力，或在该光源下物体颜色的再现程度如何。
旋转门算法除了平行四边形算法之外，还能用三角形算法来表示。
图遍历算法
图遍历算法是最基本的图算法之一，由指定节点开始，按照一定规则遍历图结构中所有的连通节点，包括宽度优先搜索(Breadth First Search,BFS)和深度优先搜索(Depth First Search, DFS)等核心算法。
作为最基本的图遍历算法，宽度优先搜索算法代表了图遍历算法的计算特性，具有非常重要的研究意义。一方面，BFS算法是最短路径、邻接查询、可达性查询等算法的实现基础，广泛应用于图分割、信念传播统计以及网络社区结构发现等领域;另一方面，BFS算法作为典型的数据密集型算法，体现了数据密集型应用对高性能计算系统的需求，广泛应用于大规模并行计算系统的数据处理能力评测，已经成为Parboil, Rodinia和Graph500等基准测试程序的核心算法。
在实际应用中，图的规模在不断增大，相应的，对图的存储和处理开销不断增加，有效地实现大规模并行BFS算法具有十分重要的意义。
稀疏线性方程组求解法
稀疏线性方程组的求解是对自然科学和社会科学中许多实际问题进行数值模拟时的关键技术之一。在高层建筑、桥梁、水坝、防洪堤的结构设计中，需对变形与应力情况进行模拟；在油气资源探测与分析、数值天气预报、飞行器的动力学分析中，需利用流体力学方程组进行模拟;在进行恒星大气分析与核爆实验时，常需利用辐射流体力学与粒子统计平衡等规律进行模拟。在对这些问题进行分析模拟时，通常利用偏微分方程建立数学模型。在对偏微分方程的离散求解过程中，稀疏线性方程组求解算法扮演着十分重要的角色。在许多不以偏微分方程建模的问题中，稀疏线性方程组求解同样发挥了重要的作用。在空中交通控制、电力线路中的最优电流问题中，需利用数学规划求解;在对采纳某项政策时在某给定条件下对国内、国际多个区域的相应经济指标进行预测时，需利用CGE模型进行分析；在可靠性分析、排队网络分析与计算机系统性能评估中，常利用具有大量状态的离散Markov链进行模拟。在这些问题的求解中，稀疏线性方程组的求解都占有重要位置，并且往往是整个计算过程中的性能瓶颈，稀疏线性方程组的高效求解是计算数学和工程应用中十分重要的课题之一。
解稀疏线性方程组的方法包括直接法(direct method)与迭代(iterative method)两类。直接法指在不考虑计算舍入误差的情况下，通过包括矩阵分解和三角方程组求解等有限步的操作求得方程组的精确解，因此又称精确法;迭代法指给定一个初始解向量，通过一定的计算构造一个向量列(一般通过逐次迭代得到一系列逼近精确值的近似解)，向量列的极限为方程组理论上的精确解。迭代法对存储空间的需求低，在求解高阶非病态稀疏线性方程组方面具有一定优势。然而，迭代法不适合求解病态问题，性能因问题而异，并且面临精度控制、收敛速度慢或不收敛等问题。与迭代法相比，直接法的通用性好，求解结果精度高，性能稳定。当矩阵分解结果能够被多次后续计算重用以及多右端项时，直接法的优势尤其明显。在有限元分析、模拟电路瞬态仿真等应用领域的商用软件均采用直接法求解器作为标准的稀疏线性方程组求解器。但直接法的缺点在于对存储资源要求较高，无法处理高阶稀疏矩阵。
一般来说，迭代法的求解速度高于直接法。但是，如果使用直接法时矩阵分解过程能够被很多后续计算重复使用，则后续的三角阵求解可以非常快速实现，此时直接法在性能上具有优势。典型例子是模拟电路瞬态仿真，这时需要多次以Newton-Raphson方法求解非线性方程，每一次求解均会在工作点附近展开为线性方程，而且所有线性方程的矩阵分解方式都是固定的，因此求解该类问题最好的方法是直接法。稀疏矩阵的矩阵分解在GPU上的实现是很困难的，主要难点在于现有算法的数据依赖性导致可利用的并行性不足。此外，矩阵元素的排列顺序对计算过程中间结果矩阵的非零元素个数有很大影响，同时矩阵分解后的非零元素的分布与原来矩阵可能很不相同。
迭代法的理论基础相对复杂，并且具有多种不同的具体算法，但其基本形式均为从一个猜测解出发，通过多次迭代逐渐收敛，当误差满足一定条件时迭代中止。共扼梯度法(CG)是迭代法的主流方法之一，特别适合于特征值为良态分布的对称正定方程组；其它迭代法包括Jacobi、逐次超松弛(SOR)、广义极小剩余(GMRES)、预条件共扼梯度(PCG)等。迭代法的核心算法是稀疏矩阵向量乘(SpMV)，因此实现SpMV的高效并行结构也是实现迭代法的基础。
直接法由高斯消元法发展向来，求解过程包括矩阵排序(matrix ordering)符号分解(symbolic factorization)、数值分解(numerical factorization)、三角方程组求解((triangular solves)四个步骤。其中，矩阵排序和符号分解属于预处理部分。矩阵排序通过启发算法置换稀疏矩阵的行列，试图在后续计算中维持矩阵的稀疏性或数值稳定性。符号分解则是预先对矩阵分解后的稀疏结构进行预测，预先分配存储空间并记录数据相关性。直接法的计算瓶颈在于数值分解部分和三角方程组求解部分，高效的直接法求解依赖于二者的高效实现。
对于一个稀疏线性方程组是选择直接法还是迭代法求解，一般有如下原则：对于低阶矩阵或大型带状矩阵所对应的线性方程组，用直接法求解；而对于大型(非带形)矩阵所对应的线性方程组，用迭代方法求解。实际上，选用何种方法还要看具体的应用背景，比如，对于线性规划和一些结构工程应用，只有直接法是切实可行的。对于精度要求很高的问题，还可以采用由直接法得到初始解再用迭代法进行迭代的方法求解，这种方法称为迭代精化法。
LED色温色温值算法