根据AES算法的特点，从3方面对算法硬件实现进行改进:列混合部分使用查找表代替矩阵变换，降低算法实现的运算复杂度，采用流水线结构优化关键路径-密钥拓展，提升加密速度，利用FPGA定制RAM（BRAM）预存查找表进一步提升加密速度。优化后的AES算法在Virtex-6 xc6vlx240T（速度等级 -3） FPGA上实现，结果发现，AES算法共占用1 139个Slice，最大频率达到443.99 MHz，通量达到56.83 Gbit/s，效率达到49.89 （Mbit/s）/Slice；然后，对AES算法进行接口逻辑声明，将优化后AES算法封装成自定制IP核；最后，采用基于NIOS II的SOPC技术，构建了一个嵌入式AES算法加密系统，实现了数据通信中的高速加密。

1.3 IP核的概念、分类和设计流程 1.3.1 IP核的概念和分类 随着 EDA（Electronic Design Automation）技术的迅猛发展，Verilog HDL（Hardware Description Language）和VHDL两种硬件描述语言的迅速推广和应用，使得将具有一 定功能的电路生成独立的宏单元（Macrocell）或软核，建立一个可供不同设计者引用 的 IP核库成为需要和现实。在新电路的研制中，将己有的 IP核和自己的设计进行整合， 从而实现既定目标的 SOC解决方案，不仅可以减少重复劳动，提高设计效率，还能大 大增强设计的可靠性，缩短研发周期。这样的设计方法已成为现在 IC设计的潮流。 在 IC设计领域，IP核是指独立自主研发的具有一定功能的电路模块。通常将经过 功能验证的、可综合（Synthesis）的、实现后门级电路大小在 5000门以上的 Verilog HDL 或VHDL模型称之为“软核”（Soft Core）；将在某一 FPGA器件上实现的、经验证正 确的、总电路在 5000门以上的电路结构代码文件称为“固核”（Firm Core）；将利用某 一固定工艺的标准单元库实现的、经验证正确的、5000 门以上的电路结构版图称之为 “硬核”（Hard Core）。上面所说的这些电路模块通称为 IP核。 显而易见，在具体的实现手段和工艺没有确定的逻辑设计阶段，软核具有最大的 灵活性，它很容易借助 EDA综合工具和其他的逻辑整合在一起，从而实现新的设计目 标和功能。而基于一定工艺手段的，通过了版图后仿真的硬核，可以直接和其他设计 版图整合，因而在应用上具有最大的实用价值。 从设计方法学的视角来看，使用 IP设计方法进行复杂电路的设计并不是一场革命， 它是八十年代流行的利用标准单元进行设计的扩展和衍生。然而，IP 的潜在能力确是 革命性的，基于 SOC-IP 的设计方法和 IP 核的商业化大大加快了芯片的开发速度。随 着新方法学的发展，在芯片设计中使用 IP核己经成为一个流行趋势，设计者可以把精 力集中在更高的抽象层次上，IP产业为 SOC的出现和发展提供了前提和基础[43]。 1.3.2 IP核的设计流程 IP核的设计与其它工程设计问题没有本质的不同，它是人们通过抽象与分解，最 后实现解决复杂 IP核设计的一种方法，简而言之，就是自上而下（TOP-DOWN）设计 复杂系统，而自下而上具体实现。常用简化的 IP核设计流程如图 1.1所示[44]。 1. 确定规格 IP 核的规格至少包括以下内容：概述、功能需求、性能需求、物理需求、详细的 结构模块框图、对外系统接口的详细定义、可配置功能描述、需要支持的制造测试方

提出了一种基于分水岭变换和核聚类算法的图像分割算法.通过分水岭变换把图像分割成多个小区域,为实现过分割小区域的合并,利用 Mercer核把各小区域的灰度平均值映射到高维特征空间,使原来没有显现的特征突现出来,在特征空间进行更准确的聚类,为下一步图像分析提供较为准确的分割区域.实验结果证明了该算法的可行性和有效性.

出口业务流程与出口报价还盘成交核算

环境科学中的机器学习方法 神经网络与核方法.doc

【matlab代码】 对2个高斯核线性组合信号的tfrwv时频分析.m

本文以Intel® Knights Corner 3115A为研究对象，结合Intel Xeon E5-2650处理器，对MIC架构、编程方式及程序运行模式进行了介绍，并结合HPC具体应用环境给出了相应的优化方法，最后针对该平台进行了初步测试及分析。文章内容对初接触MIC架构的人员具备一定的参考价值。

精伦身份证读卡器阅读软件，建筑工地实名制管理使用很方便，直接解压后双击ReaderDemo.exe无需安装即可直接使用

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

% 基于 PCA 的故障检测％ % 输入：z0 [N x 2] = 训练数据% z1 [N x 2] = 测试数据% 其中： N = 样本数％ % 此代码可视化 PCA 如何计算% 用于故障检测中的多元数据。 % 它还使用 MATLAB 的 ks密度% 估计数据 PDF，以便计算% 基于 T^2 的控制上限。 ％ % simpledata.mat 具有样本温度 [K] % 和浓度 [mol/L] 数据来自% 模拟 CSTR 的含量。 ％ % 输出是原始数据的图， % 归一化数据和 PCA 投影数据。 % 另外，环代表基于 T^2 的% 不同用户的控制上限 - % 定义的置信水平被绘制。 ％ % 您可以在第 77 行编辑置信限。 ％ % 此代码用于教育目的。 ％ % 加载 simpledata.mat 并运行以下命令： % >> pcabased_fault_detection(train,