标准模型下群签名的批验证协议*

首次对标准模型下群签名的批验证协议进行了研究。利用小指数测试技术和双线性对映射的特殊性质,为目前效率较高的两个群签名方案按照多人签署相同消息和不同消息这两种情况,分别设计了相应的批验证协议。相较于单独验证,认证效率大大提高。     

一种高效的网格资源监测算法ACTC的改进算法

资源监控是网格计算的关键组成部分。资源监控算法既要保证网格系统中资源信息高保真度又要考虑资源信息在网络传输中的负担最低。ACTC算法就是为实现以上目的而被提出,但是算法中对资源信息更新量的动态门槛值(d_threshold)计算方式不合理,有可能导致算法演变成低级的单纯依靠时间敏感机制(TSM)来发送资源更新通知,并且算法中遗漏了一些极端情况的考虑。提出了新的d_threshold计算公式和限制条件,进行性能改进和完善,并对改进前后两算法进行实验对比。实验表明,改进后算法提高了资源信息准确性,并使监控系统     

考试综合管理信息系统的关键技术研究

基于.NET技术成功开发了考试综合管理信息系统,针对考试管理工作面临的问题,提出了相应的解决方案,并以此为依据介绍了该系统开发过程中的自动编排算法、安全策略等关键技术。该系统已成功运用,并解决了高校日益复杂的考务管理工作。     

BP神经网络训练算法的分析与比较

BP神经网络被广泛应用于模式识别、信号处理和自动控制等领域,其广泛性是由于它能实现任何连续映射,但由于BP网络训练所固有的复杂性,目前尚没有任何一种完全的算法能适用于任何BP网络的训练。本文介绍了MATLAB神经网络工具箱中各种训练算法的特点及其函数的参数形式,并对它们的收敛速度和内存消耗情况进行了比较,说明了其各自适用的网络。     

矩阵的奇异值分解及数值实现

奇异值是矩阵的一个良好特征,它可以将许多实际问题得到转化。本文简述了矩阵的奇异分解的理论及相关性质,并简略介绍了奇异值分解的相关应用与进展,通过对矩阵奇异值分解的分析提出了计算矩阵奇异值分解的一种快速算法,并通过实例进行计算,验证算法的正确性。     

基于LMS算法改进Cupo相位抖动补偿方法

为了增加FIR-ALE(Finite Impulse Response-Adaptive Linear Enhancer)相位噪声补偿系统的补偿能力,本文基于LMS算法对Cupo的FIR-ALE系统进行改进,并对8PSK调制方式下的信号进行了Matlab仿真,通过对信号功率谱、误比特率以及星座图的分析,对比了两种方法.仿真结果表明,改进后的系统对于幅度为5°、频率为120 Hz的相位抖动,能够将抖动衰减25 dB左右;对于幅度为15°、频率为25 Hz的相位抖动,改进后的LMS系统能将抖动衰减35 dB左右.而且,随着相位抖动幅度的增大,改进的LMS方法的补偿能力同Cupo的FIR-ALE方法比较,性能逐渐提高.     

韧性断裂准则在板料成形中应用研究进展

对板料成形中的成形极限应力图、最大变薄率、成形极限图以及韧性断裂准则等预测成形极限的方法进行了综述和分析,提出了利用韧性断裂准则能够较好地预测塑性差的板料成形极限,而且还能考虑应变路径的变化.利用有限元方法模拟时,韧性断裂准则既可以运用到完全耦合的弹塑性损伤模型的增量方法中,也可以运用到一步有限元逆算法中.指出了为准确地预测成形极限,除了提高有限元模拟精度外,应找到一种本质地反映材料性能的准则.     

双向搜索多约束路由启发式计算方法

为提高大型通信网络中搜索满足多约束条件路由的速度,提出一种双向搜索路由的计算方法.首先从源和目的节点同时出发,计算到达各中间节点的可达路径.然后在各可达路径中进行路径的筛选.可达路径是采用邻接矩阵变换方式获得的,筛选路径是根据非线性开销函数,采用启发方式择优选取.当两方向搜索的节点数累计达到n-2后,对接合并两方向到达中间节点的路径,从中再选择最佳路径作为路由输出.通过算例详细介绍了可达路径计算及启发式选优方法.阐述了算法的正确性及特点,分析了最大时间杂性.通过仿真实验评估,不仅更进一步验证了新算法的正确性,而且表明新算法在搜索路由速度上要优于其他算法.     

求解背包问题的病毒协同进化粒子群算法

为提高粒子群算法的搜索性能,提出一种基于病毒进化理论的改进离散粒子群算法:病毒协同进化粒子群算法.在粒子群中引入生物病毒机制和宿主与病毒基于感染操作的思想,病毒采用与粒子等长的编码方式,执行反向代换、结合等操作,利用病毒的水平感染和垂直传播能力较好地维持个体的多样性和对解空间的局部搜索能力.通过解决背包问题对算法进行验证,仿真表明所提算法搜索性能优于遗传算法、模拟退火及标准粒子群等其他算法.该算法能有效求解背包问题等NP难题.     

PSO-SVM模型的构建与应用

为了使支持向量机(SVM)获得更好的分类效果,针对人为选择参数的随机性,提出了利用粒子群算法(PSO)进行参数自动选取的优化方法,构建了PSO-SVM模型.在个人信用评估中,通过对粒子适应度函数的设置来控制造成较大损失的第二类误判,应用结果表明:模型在训练和测试样本中的分类精度可以达到95%,第二类误判率分别仅为0.78%和2.02%.利用PSO对SVM中的参数进行优化,可以避免人为选择的随机性,并且在解决分类问题中表现出较好的稳健性.