应用CPLD器件实现CRC码

随着半导体技术和大规模集成电路的发展，使一些应用比较广泛的算法利用硬件得以实现，从而满足人们对执行速度的较高要求。算法的硬件化和硬件设计的软件化成为集成电路的发展方向，基于比较流行的CPLD器件，使用Verilog HDL语言对系统循环码的算法进行硬件描述，并给出产生的逻辑仿真结果。     

硅微机械平面电感的衬底效应

提出了一种品质因数(Q)的计算方法,分析了对于平面螺旋电感Q值产生决定性影响的各种因素.在微机械电感传统模型的基础上对涡流效应产生的寄生电阻和有损衬底电容进行了细致的研究,并且得到了理论结果.研究结果表明,Q值的大小与几何参数和工作频率均有关.通过理论分析和计算,可以得到结构优化的方法.     

对甲苯磺酸催化合成草酸二异戊酯的研究

以草酸和异戊醇为原料,对甲苯磺酸为催化剂,环己烷为带水剂,合成了新型柴油十六烷值改进剂草酸二异戊酯。考察了酸醇的物质的量比、反应时间、催化剂用量和带水剂用量等因素对酯收率的影响。结果表明:当反应温度为回流温度(85~100℃),n(草酸)∶n(异戊醇)=1∶3.5,催化剂用量为草酸质量的1.5%,带水剂用量为10mL/0.1 mol草酸,反应时间110~120 m in时,草酸二异戊酯的收率大于88%。与现有工艺相比,采用对甲苯磺酸为催化剂,环己烷为带水剂,具有反应温度低、反应时间短、带水剂的毒性较小、草酸二异戊酯的收率和纯度较高等优点。产物经红外光谱和气相色谱分析,证明确为草酸二异戊酯且纯度大于98%。     

联合 LTP 和 LPQ 的人脸识别方法

提出一种联合局部三值模式（LTP）和局部相位量化（LPQ）的人脸识别方法,该方法首先对预处理后的人脸分别采用LTP算子、LPQ算子提取各自的直方图,然后,通过特征选择将两者联合为LTP＿LPQ直方图,最后通过最近邻分类器进行分类识别。在ORL和YALE标准人脸数据库上的实验表明,该方法能有效地提高人脸的识别率。     

基于主题和关键词特征的比较文本分类方法

比较文本对于企业竞争产品分析至关重要,但目前面向问答领域的比较文本分类研究较少。针对问答文本中比较信息丰富、主题集中的特点,提出了基于主题特征和关键词特征扩展的比较文本分类方法。通过预训练主题模型,推断问答文本的主题概率分布作为其主题特征;针对向量拼接、求和导致关键词信息流失的问题,设计GRU自编码器实现关键词向量特征提取。综合文本主题信息和关键词语义,从语言、产品、情感、社交、主题、关键词角度构建比较文本分类特征,最后使用多种分类器对问答文本进行分类。实验结果表明,构建的特征行之有效,比较文本分类效果较好。     

调频连续波高度表的计算机仿真

介绍了使用SPW软件对调频连续波高度表进行计算机仿真的情况,包括高度表的工作原理、数学模型的建立和和性能仿真等内容,并给出了定性和定量的仿真结果.仿真主要针对噪声信道和理想信道,在VHF/UHF波段及S波段进行了模拟测高,结果表明工作频率对高度表的测高精度影响不大,但宽带调频高度衷具有更好的测高精度和更强的抗干扰能力.     

基于形态学滤波和小角度边缘搜索的运动自适应去隔行

为实现隔行扫描到逐行扫描的视频格式转换,提出了一种运动自适应的去隔行算法,主要包括运动估计、运动向量的形态学滤波、小角度边缘搜索、时空插值权重自适应插值等。该算法通过同极性场的像素块绝对值差和(SAD)与运动阈值的比较实现运动估计,并对运动向量进行形态学滤波处理,消除噪声影响。在小角度边缘搜索中采用自适应搜索半径和并行搜索树的策略实现最小6°的检测精度。最后,通过时空权重自适应的插值算法实现去隔行处理,取得了很好的处理效果。     

一种针对TomcatFilter型的MemShell检测技术研究

近些年来,随着计算机技术的不断发展和应用,Web应用技术也在快速更迭,与其一起发展的还有木马后门技术,但传统的木马后门技术已经不能满足攻击者的需求,因而基于内存攻击的方式不断涌现,包括powershell内存载入攻击、.NET assembly托管代码注入攻击以及内存马(Memory WebShell,MemShell)攻击等,这些攻击方式为现有的安全防御检测机制带来了极大的挑战。因而业界对面向解决基于内存的攻击尤其是内存马的攻击展现出了强烈的需求。但当前业内针对内存马的检测能力较弱,学术界也缺乏对该领域的研究工作,所以本文提出了一种针对Tomcat Filter型的内存马检测方法。通过研究发现,内存马其最核心技术便是无文件(Fileless)及不落地(Living off the Land),但尽管如此,内存马最终会在内存中展现其功能并执行命令,所以内存是所有威胁的交汇点,因此本文将Java虚拟机(Java Virtual Machine,JVM)作为起始点,首先利用JVM内存扫描技术遍历出JVM内存中加载的所有Filter类型对象,但需要注意的是这些对象并非都是有威胁的,并且每一个对象都具有一定的特征,所以可以对这些特征通过人工经验进行分类并且筛选出具有代表性的特征向量,然后获取每一个Filter类型对象的所有代表特征向量,并根据特征向量的值梳理出异常表现序列;最后,利用朴素贝叶斯算法将大量正常和异常的Filter对象的异常表现序列作为训练样本,计算出对应项的条件概率并形成贝叶斯分类器。利用训练出的贝叶斯分类器就可以构建出一个内存马检测模型,该模型能够有效得针对该类型的内存马进行检测。实验结果表明,本文提出的方法针对Tomcat Filter型内存马的检测,实现了零误报率和94.07%的召回率。