8、椭圆曲线的扭点与有限域上的椭圆曲线

椭圆曲线的扭点与有限域上的椭圆曲线

1. 扭点情况分析

当 (p|n) 时,我们首先确定椭圆曲线 (E) 上的 (p) - 幂扭。根据相关命题,乘以 (p) 的乘法不是可分的,乘以 (p) 的核 (E[p]) 的阶严格小于该自同态的次数 (p^2)。由于 (E[p]) 中每个元素的阶为 1 或 (p),所以 (E[p]) 的阶是 (p) 的幂,只能是 1 或 (p)。
- 若 (E[p]) 是平凡的,那么对于所有 (k),(E[p^k]) 必定是平凡的。
- 若 (E[p]) 的阶为 (p),可以证明对于所有 (k),(E[p^k] \simeq \mathbb{Z}_{p^k})。

将 (n = p^r n’)(其中 (r \geq 0) 且 (p \nmid n’)),则 (E[n] \simeq E[n’] \oplus E[p^r])。因为 (p \nmid n’),所以 (E[n’] \simeq \mathbb{Z} {n’} \oplus \mathbb{Z} {n’}),而 (E[p^r] \simeq 0) 或 (\mathbb{Z} {p^r})。最终可得 (E[n] \simeq \mathbb{Z} {n’} \oplus \mathbb{Z} {n’}) 或 (\mathbb{Z} {n} \oplus \mathbb{Z}_{n’})。

2. 韦伊配对

韦伊配对是研究椭圆曲线 (n) - 扭的重要工具,在多个方面有应用,如证明哈塞定理、解决离散对数问题以及用于密码学等。

设 (E) 是域 (K) 上的椭圆曲线,(n) 是不被

内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合Koopman算子理论递归神经网络(RNN)的数据驱动建模方法,旨在对非线性纳米定位系统进行有效线性化建模,并实现高精度的模型预测控制(MPC)。该方法利用Koopman算子将非线性系统映射到高维线性空间,通过递归神经网络学习系统的动态演化规律,构建可解释性强、计算效率高的线性化模型,进而提升预测控制在复杂不确定性环境下的鲁棒性跟踪精度。文中给出了完整的Matlab代码实现,涵盖数据预处理、网络训练、模型验证MPC控制器设计等环节,具有较强的基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)可复现性和工程应用价值。; 适合人群:具备一定控制理论基础和Matlab编程能力的研究生、科研人员及自动化、精密仪器、机器人等方向的工程技术人员。; 使用场景及目标:①解决高精度纳米定位系统中非线性动态响应带来的控制难题;②实现复杂机电系统的数据驱动建模预测控制一体化设计;③为非线性系统控制提供一种可替代传统机理建模的有效工具。; 阅读建议:建议结合提供的Matlab代码逐模块分析实现流程,重关注Koopman观测矩阵构造、RNN网络结构设计MPC控制器耦合机制,同时可通过替换实际系统数据进行迁移验证,深化对数据驱动控制方法的理解应用能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值