周期序列线性复杂度的k位置错误谱

周期序列的线性复杂度是衡量流密码系统安全性能的一个重要指标。事实表明周期序列中的若干位置上值的变化会影响改变后的周期序列的线性复杂度。基于此点该文提出了周期序列的线性复杂度k位置错误谱的概念以便于追踪错误位置对线性复杂度的影响。特别是对周期为2n的二元序列,发现了这类序列线性复杂度的1位置错误谱的周期并且给出了具有同样图像谱特征的序列数目。并把结果推广到了定义在Fp上周期为pn的序列上。     

2n周期二元序列的2位置错误谱

K错线性复杂度描述了k个位置发生变化后序列的线性复杂度的最小值,反映了序列的稳定性.但k错线性复杂度不能全面反映序列的稳定性,所以对k位置错误谱进行了研究,加深对k错线性复杂度的理解,更好得反映序列的稳定性.一般认为k错线性复杂度低的序列是不稳定的,不适合作为密钥序列,但是有的序列只有在改变某些位置才会引起线性复杂度的下降,k位置错误谱描述了错误位置的不同对线性复杂度的影响.主要是研究周期为2n的二元序列,发现这类序列线性复杂度的2位置错误谱的一些特征.     

排除光流错误跟踪点的鲁棒方法

针对光流法用于跟踪光照变化和部分遮挡情况下的物体容易产生漂移的问题,通过比较跟踪点与该点补集映射关系产生的投影点之间的距离,提出了一种光流错误跟踪点排除方法——异类距法.首先证明了异类距排除误差最大元素的正确性;然后在静止场景受光照变化和部分遮挡情况下,给出了异类距排除错误跟踪点以及摄像机姿态矩阵在时间序列上的分布.针对视频序列的抖动情况,与传统方法进行比较的实验结果表明,该方法对于排除错误跟踪点是鲁棒的.     

融合全局词语边界特征的中文命名实体识别方法

目前在中文命名实体识别的任务中经常采用有监督的字序列标注模型。我们在实际应用中发现,基于字序列标注模型的中文命名实体识别模型对于词语边界的识别错误是影响识别效果的主要因素之一,边界错误平均占错误结果中的47.5%。该文通过在平均感知机模型中引入全局的词语边界特征,使得人名、地名、机构名识别的F值平均提升了0.04并降低了边界错误占错误结果的比例。     

基于手机触摸屏传感器多点触摸身份认证算法

针对智能手机所面临的信息安全威胁问题,提出一种基于手机触摸屏传感器的多点触摸身份认证方法。首先由触摸屏传感器采集手指滑动原始数据序列,通过平滑去噪、位置及长度归一化预处理;然后提取手势运动一阶、二阶归一化导数序列及运动方向为身份验证特征序列;最后采用模板匹配方法,使用动态时间规整算法匹配比较注册模板特征序列与测试特征序列,判断用户身份真实性。仿真结果表明,所提算法对不同用户身份认证的平均错误拒绝率和错误接受率分别为3.83%和2.07%,与使用径向基函数为核函数的支持向量分布估计(SVDE)算法相比,平均错误拒绝率和错误接受率分别降低1.81%和2.35%。经性能分析,所提算法能明显提高身份认证的准确性。     

基于形态特征的时间序列相似性搜索算法

时间序列相似性搜索是数据挖掘的一个重要基础性研究内容,它的相似性定义主要是基于欧氏距离,这类算法的缺点:如果时间序列产生偏移,会产生错误的结果.基于形态特征的时间序列相似性快速搜索算法,以界标为分界点,利用界标提取了时间序列的特征,将时序分为若干子序列,并对每个子序列进行线性化,将线性化后的子序列进行预处理;同样将查询序列进行基于界标的分段算法,然后利用一种改进的快速相似性搜索算法,可以快速地搜索到与查询序列相似的序列.?＃ 箅例表明了算法的有效性.     

基于网格概率的离群点检测算法

随着移动网络、智能终端的迅猛发展,基于位置的服务LBS(Location-based Service)越来越热门,因此基站位置信息的正确与否成为关注的重点.针对基站地理位置存在部分错误这一现象,提出了基于网格概率的离群点检测算法来核查错误的基站.首先,根据基站分布的规则将数据空间分成若干网格单元;其次,根据用户轨迹签到信息关联出其在动态时间范围内经过的基站序列,将基站序列映射到网格中,计算出临近网格单元集合;最后,根据基站分布特点对网格单元内目标基站的临近基站求隶属概率,筛选出离群点,即错误的基站.实验表明,该算法的时间复杂度低且核实准确率较高.     

阶数为2的pq周期广义割圆序列的自相关值

给出了关于阶数为2的pq周期广义割圆序列自相关值的几个猜想,这类序列是由Ding和Helleseth构造的,大量的实验结果验证了猜想的正确性,但没有找到理论证明的方法。结果表明这类序列的自相关值为5-, 4-或3-值,序列具有“好”的自相关性质,而且这类序列也具有大的线性复杂度,可以作为流密码中的密钥流序列或作为随机数发生器。     

基于点特征的序列图像匹配方法研究

提出了用3个向量描述Harris角点方向特征的方法,该算法首先用Harris角点检测得到特征点,并把SIFT算法中使用的特征描述方法引入到特征点描述中;然后利用欧氏距离对点特征进行匹配;提出一种简单高效的排除错误匹配的方法。该算法对数字城市中序列图像匹配具有光照强度、平移、旋转不变性。实验结果表明,该算法匹配准确率较高,具有实用价值。     

基于预测的序列异常数据挖掘

本文中，我们分析了给定的股票时间序列。首先，基于稳定化时间序列，我们通过模型识别和估计．给出了一个初始模型，用以预测股票价格。然后，我们可通过股票检测来发现股票时间序列的异常点。最后．通过修正这些异常点，便可完善模型，逐步提高股票的预测精度。     

周期为2^n的二元序列的整体稳定性

讨论周期为2^n的二元序列k-错误线性复杂度问题。周期为2^n的二元序列线性复杂度严格大于2^n-1。从二元周期序列的整体稳定性开始给出最小的k,使得全体周期为2^n的二元序列中至少有一半序列的k-错误线性复杂度不大于2^n-1。对全体周期为2^n的平衡序列和非平衡序列分别进行研究,给出相应最小的k。     

针对H.264/AVC的时域错误隐藏算法

H.264/AVC采用了新的编码特征工具,充分利用它们能有效地改进错误隐藏的性能。树型结构的可变分块大小运动估计,使得与错误宏块直接相邻的分块数最多可达16个。本文提出一种基于平面拟合的时域错误隐藏算法。通过把与受损宏块直接相邻的每个分块的运动矢量定义为3维空间的一个点,采用平面拟合的方法表征小范围内相邻运动矢量的变化趋势,拟合得到受损宏块的运动矢量实现时域错误隐藏。对多种视频序列的仿真实验结果表明,相对于典型的错误隐藏算法,主观视觉质量和客观质量评价都有一定的提高。     

基于有向模板和颜色加权SVD的图像匹配算法

为快速稳定地匹配视频序列,并考虑SVD算法的高效性,根据视频序列的特点,对SVD匹配算法进行改进,提出了一种适合视频序列的匹配算法。该算法使用Harris角点检测算子检测兴趣点,使用有向模板提取具有旋转不变性的特征,并通过引入颜色加权法改进SVD算法中的相似性度量函数。同时,又提出一种基于运动一致性约束的误配点剔除方法,首先拟合匹配点间的运动模型,然后自适应地调整参数将错误的匹配点剔除。该算法使用有向模板消除图像间旋转变换的影响,使用颜色特征降低兴趣点匹配时的不确定性,通过运动一致性约束降低误配点数量。实验结果表明,该算法在图像间存在旋转变换关系和不同的光照条件时都可以获得很好的匹配结果,特别是在图像间基线距离较大时仍能得到大量的匹配点并具有很高的正确匹配率,能很好满足实际需要。     

汉语语音理解中自动纠错系统的研究

根据汉语语音的特点,通过总结在连续汉语语音识别的汉字序列中出现错误的规律,写出相应的用于查错和校正的词法和句法语义规则．利用“词汇语义驱动”的分析方法,找出汉字序列中的错误并校正,最终得到正确的汉字序列.     

交换机的软件故障解析

系统错误：交换机系统是硬件和软件的结合体。在交换机内部有一个可刷新的只读存储器。它保存的是这台交换机所必需的软件系统。这类错误也和我们常见的Windows、Linux一样,由于当时设计的原因,存在一些漏洞,在条件合适时,会导致交换机满载、丢包、错包等情况的发生。所以交换机系统提供了诸如Web、TFTP等方式来下载并更新系统。     

Java异常处理机制的研究

在程序设计中,程序中的错误主要包括编译性错误和运行性错误两种。其中编译错误主要是由于程序中存在语法错误,无法通过程序语言的编译系统而产生的错误,如Java语言语法规定关键字或者标识符要区分大小写,程序设计中如果不遵循该原则,编译时就会出错;而运行错误主要指程序在运行过程中产生的错误,这类错误可能是逻辑错误也可能是系统错误,如程序中出现死循环或者数组引用超范围等错误。     

改进的基于重要点的时间序列数据分段方法

时间序列数据是日常生活中十分常见的一类数据,由于它具有维数高,数据量大的特点,对这类数据进行压缩表示,是进一步进行数据挖掘的前提。首先将基于重要点的表示方法与其他几种表示方法进行了比较,然后对基于重要点的表示方法进行了改进,采用优先级队列作为辅助,在用户可以指定的压缩比例下,选出重要点。实验证明,该方法取得了良好的效果。     

基于高阶变异的多错误定位实证研究

错误定位是软件调试中最昂贵的活动之一.基于变异的错误定位(MBFL)技术假定被大多数失败测试用例杀死的变异体能够很好地定位错误的位置.之前的研究表明MBFL在单错误定位上有很好的定位效果,但关于MBFL在多错误定位上的表现没有被深入研究过.近年来,高阶变异体被提出用于构造难以被杀死的复杂错误,但高阶变异体是否能提升MBFL的错误定位精度是未知的.本文中,我们研究了一阶变异体和高阶变异体在多错误定位场景下的表现.进一步,我们依据不同的变异位置将高阶变异体划分成3类:准确高阶变异体、部分准确高阶变异体和不准确高阶变异体.探索哪类变异体在错误定位上更有效.基于5个程序上的实证研究,我们发现在多错误定位场景下,高阶变异体比一阶变异体有更好的定位效果.更进一步,我们发现不同种类的高阶变异体的影响是不容忽视的.具体而言,准确高阶变异体比不准确高阶变异体有更高的贡献.因此研究人员应提出更有效的方法生成这类变异体用于未来的MBFL研究.     

C语言的逻辑错误几例

对Ｃ语言源程序运行调试,程序出错一般有二种情况:一是语法错误,是指源程序出现了违背Ｃ语言语法规则的错误,对这类错误,编译程序会给出“出错信息”,包括“错误”(Ｅｒｒｏｒ)和“警告”(Ｗａｒｎｉｎｇ),并且告诉你在哪一行出错,只要细心查看,是可以很快发现并排除错误;二是逻辑错误,程序运行后,没有给出出错信息,但程序执行结果与原设计不相符,这类错误,大多属于逻辑错误,这种错误比语法错误更难排除,往往需要仔细检查和分析才能发现。Ｃ语言有不同于其它高级语言的特点,学过其它高级语言的人,往往按照使用其它高级语言的习惯来写Ｃ程序,…     

渐进方法结合蚁群算法求解多序列比对问题

在所有多重序列比对算法中,渐进比对方法由于简单的算法和高效的计算在生物信息学中得到了广泛的应用。但是渐进方法最大的缺点是在早期阶段形成的错误不能在后期的计算中纠正过来。针对这个问题,我们设计了ProAnt比对算法,即渐进方法和蚁群算法相结合来求解多重序列比对问题。首先,对输入的多个序列进行预处理,用蚁群算法和概率一致性更新计算出所有字符对在最终比对中出现的概率,称为“后验概率”,计算后验概率是为了预防早期错误的发生。然后我们将后验概率作为字符对之间的匹配得分,用渐进方法得到最终的比对结果。用BAliBASE数据库对算法进行测试,实验结果显示,该算法能够在保持合理的运算时间的前提下显著改善渐进比对方法的正确性。