論文元數(shù)據(jù)搜索，找到相關信息共 4 條：
1995, 17(5): 492-499.
刊出日期：1995-09-19
設C是虧格為g的不可約代數(shù)曲線;C*(D,G)為C上的代數(shù)幾何碼,該碼的設計距離為d*=deg(G)-2g+2。本文首先從理論上證明所給算法的合理性,然后給出一種基于基本累次算法(FIA)的譯碼算法。該算法是G.L.Feng等人(1993)提出的算法的改進。它可對[(d*-1)/2]個錯誤的接收向量進行譯碼。運算量與存貯量約為G.L.Feng等人算法的一半,且便于軟硬件實現(xiàn)。
2004, 26(6): 966-970.
刊出日期：2004-06-19
關鍵詞:
機動目標模型;跟蹤算法
在當前統(tǒng)計模型的基礎上，結合實時輸入估計算法(Feng xinxi等，1996)的思想，提出了一種新的機動目標模型，并利用其方差調整關系建立了自適應跟蹤算法。大量仿真結果表明該模型能夠準確描述目標的各種機動情況，跟蹤算法具有良好的跟蹤性能，具有實際應用價值。
2007, 29(1): 201-204.
doi: 10.3724/SP.J.1146.2005.00574
刊出日期：2007-01-19
通過對Xu(2004)和Zhang(2004)提出的兩種環(huán)簽名方案進行分析，指出了這兩種環(huán)簽名方案都容易受到群成員改變攻擊(group-changing attack)，并給出了攻擊方法；另外，Zhang的方案還容易受到多已知簽名存在偽造(multiple-known-signature existential forgery)攻擊。為防范這兩種攻擊，對這兩種環(huán)簽名方案進行了改進，改進后的方案在最強的安全模型(Joseph, 2004提出)中仍是安全的。
2022, 44(8): 2949-2956.
doi: 10.11999/JEIT210537
刊出日期：2022-08-17
針對目前圖像隱寫檢測模型中線性卷積層對高階特征表達能力有限，以及各通道特征圖沒有區(qū)分的問題，該文構建了一個基于多層感知卷積和通道加權的卷積神經(jīng)網(wǎng)絡(CNN)隱寫檢測模型。該模型使用多層感知卷積(Mlpconv)代替?zhèn)鹘y(tǒng)的線性卷積，增強隱寫檢測模型對高階特征的表達能力；同時引入通道加權模塊，實現(xiàn)根據(jù)全局信息對每個卷積通道賦予不同的權重，增強有用特征并抑制無用特征，增強模型提取檢測特征的質量。實驗結果表明，該檢測模型針對不同典型隱寫算法及不同嵌入率，相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的檢測準確率，與最優(yōu)的Zhu-Net相比，準確率提高1.95%～6.15%。
