論文元數(shù)據(jù)搜索，找到相關(guān)信息共 3 條：
2021, 43(8): 2121-2127.
doi: 10.11999/JEIT200769
刊出日期：2021-08-10
該文提出一種通用的時(shí)間數(shù)字轉(zhuǎn)換器(TDC)碼密度校準(zhǔn)信號(hào)產(chǎn)生方法，該方法基于相干采樣理論，通過合理設(shè)置TDC主時(shí)鐘和校準(zhǔn)信號(hào)之間的頻率差，結(jié)合輸出信號(hào)保持電路，產(chǎn)生校準(zhǔn)用的隨機(jī)信號(hào)，在碼密度校準(zhǔn)過程中，隨機(jī)信號(hào)均勻分布在TDC的延時(shí)路徑上，實(shí)現(xiàn)對(duì)TDC的bin-by-bin校準(zhǔn)?；赬ilinx公司的28 nm工藝的Kintex-7 現(xiàn)場(chǎng)可編程門陣列(FPGA)內(nèi)部的進(jìn)位鏈實(shí)現(xiàn)一種plain TDC，利用該方法校準(zhǔn)plain TDC的碼寬(抽頭延遲時(shí)間)，研究校準(zhǔn)了2抽頭方式下的TDC的性能參數(shù)，時(shí)間分辨率(對(duì)應(yīng)TDC的最低有效位，Least Significant Bit, LSB)為24.9 ps，微分非線性為(–0.84～3.1)LSB，積分非線性為(–5.0～2.2)LSB。文中所述的校準(zhǔn)方法采用時(shí)鐘邏輯資源實(shí)現(xiàn)，多次測(cè)試考核結(jié)果表明，單個(gè)延時(shí)單元的標(biāo)準(zhǔn)差優(yōu)于0.5 ps。該校準(zhǔn)方法采用時(shí)鐘邏輯資源代替組合邏輯資源，重復(fù)性、穩(wěn)定性較好，實(shí)現(xiàn)了對(duì)plain TDC的高精度自動(dòng)校準(zhǔn)。該方法同樣適用于其他類型的TDC的碼密度校準(zhǔn)。
2007, 29(1): 201-204.
doi: 10.3724/SP.J.1146.2005.00574
刊出日期：2007-01-19
通過對(duì)Xu(2004)和Zhang(2004)提出的兩種環(huán)簽名方案進(jìn)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(duì)這兩種環(huán)簽名方案進(jìn)行了改進(jìn)，改進(jìn)后的方案在最強(qiáng)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(duì)目前圖像隱寫檢測(cè)模型中線性卷積層對(duì)高階特征表達(dá)能力有限，以及各通道特征圖沒有區(qū)分的問題，該文構(gòu)建了一個(gè)基于多層感知卷積和通道加權(quán)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)隱寫檢測(cè)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(qiáng)隱寫檢測(cè)模型對(duì)高階特征的表達(dá)能力；同時(shí)引入通道加權(quán)模塊，實(shí)現(xiàn)根據(jù)全局信息對(duì)每個(gè)卷積通道賦予不同的權(quán)重，增強(qiáng)有用特征并抑制無用特征，增強(qiáng)模型提取檢測(cè)特征的質(zhì)量。實(shí)驗(yàn)結(jié)果表明，該檢測(cè)模型針對(duì)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(cè)準(zhǔn)確率，與最優(yōu)的Zhu-Net相比，準(zhǔn)確率提高1.95%～6.15%。
