基于二维独立均匀分布对抗自编码的模式识别研究

标准对抗自编码模型能够以自监督方式自适应提取输入样本的特征,并通过对抗机制对提取的特征施加特定的先验分布,从该先验分布进行采样输入解码器,则可生成与输入样本近似的样本。但在实际应用中,有时需要生成指定类别的样本;对于模式识别任务,通常还需要对多类别样本的特征进行提取,并强化特征间差异,从而进行聚类分析。针对上述需求,本文提出基于二维独立均匀分布对抗自编码的分析模型。在该模型中,根据类别信息构建二维均匀分布,便于对不同类别的可视化特征进行专属约束,从而强化不同类别特征间的差异;此外,通过自监督与对抗训练,使得对应特定类别信息的均匀分布样本能够生成指定类别的样本。方法经网络公开数据MNIST数据集进行了验证,研究表明,该方法能够利用与类别信息相关的二维独立均匀分布对隐变量进行约束,提高了特征聚类性能,并能够生成指定类别的样本。

DESS盒的输入输出特性分析

对DES S盒的输入输出分布特性进行了深入分析,利用DES加密准则及一系列函数的定义,给出S盒的输入输出分布表达式。分析了f函数及S盒的输入输出分布特性,结果表明,相邻两个S盒的输入是独立均匀分布的,但其输出并不是均匀的。运用这种特性可对DES进行已知明文的攻击。

带1位记忆多值组合生成器输出序列的概率性质

本文给出了带1位记忆多值组合生成器输出序列独立均匀分布的充要条件,并研究了序列的条件分布特性。

Turbo类码在非标准信源—信道上的有效性

给出信源为非均匀二进制独立同分布源和信道为非标准信道下有关Turbo码的设计和有效性的问题。编码器的设计针对非均匀独立源来说应是最佳化的。译码算法根据信源在非平均形式下的冗余性进行修正;同时根据信道的不同特性而对译码算法提出不同的修正方案。从而得出结论,Turbo类码在信源和信道均为非标准情况下仍然是有效的。