亚力克对小鼠脑损伤后还原型谷胱甘肽的影响:随机正交试验

目的亚力克(ALEC)是由α-亚麻酸(A)、L-赖氨酸(L)、维生素E(E)及维生素C(C)组成的复方,通过正交试验设计,以脑组织中乳酸含量为指标,确定4者比例(ALEC为432187188)。研究ALEC对小鼠脑损伤后还原型谷胱甘肽(GSH)及谷胱甘肽过氧化物酶(GSH-PX)和超氧化物歧化酶(SOD)的影响。方法采用小鼠急性持续性缺氧脑损伤模型。结果小鼠经持续性低氧处理后,脑组织中GSH含量及GSH-PX、SOD活性明显降低(P<0.01,t=2.5665～6.9902,2.2195～8.1458,1.4817～12.2546),缺氧前给予ALEC高、中、低3个剂量,均可增加脑组织中的GSH含量及活性。其中高、中剂量组作用明显,低剂量组可增加脑组织中GSH含量,但无统计学意义。结论持续性低氧脑损伤可致脑组织中GSH含量及GSH-PX、SOD活性降低,ALEC可对抗这种下降作用。

随机正交辛阵的性质和构造方法

分析讨论了正交辛矩阵的性质 ;研究了现有两种构造随机正交辛矩阵算法的特点 ;给出了一种构造完全随机的正交辛矩阵的数值实现方法 .该完全随机的正交辛矩阵在求解Hamilton矩阵的保结构算法的数值试验中有重要用途 .

(mg+(m-1)r,mf-(m-1)r)-有向图的随机正交因子分解

设r≥2是一个正整数,G是一个(mg+(m-1)r,mf-(m-1)r)-有向图,且f(x)≥g(x)≥r-1对任意x∈V(G)都成立,则G是一个随机(m,r)-正交的(g,f)-可因子化有向图.

随机(m,r)-正交的(g,f)-可因子化图

引入（ｍ，ｒ）－正交（ｇ，ｆ）－因子分解的概念，证明了若Ｇ是（ｍｇ＋（ｍ－１）ｒ，ｍｆ－（ｍ－１）ｒ）－图，则（ｉ）当ｇ≥ｒ时，Ｇ是随机（ｍ，ｒ）－正交的（ｇ，ｆ）－可因子化图；（ｉ）对Ｇ的任一有ｍｒ条边的星Ｈ，Ｇ的（ｇ，ｆ）－因子分解与Ｈ随机（ｍ，ｒ）－正交．

随机（m,k）—正交的（g,f）—可因子化图的一个充分条件

设g和f分别是定义在图G的顶点集合V（G）上的整数值函数，且对每个x∈V（G）有k-1≤g（x）＜f(x)，给出了（mg+m-1,mf-m+1)－图是随机（m,k）－正交的(g,f）－可因子化图的一个充分条件。

关于随机（m,r）—正交的（g,f）—可因子化图

设G是一个(mg+(m-1)r,mf-(m-1)r)-图,且g（x）≥r-1。给出了G是随机(m,r）-正交的(g,f）-可因子化图的一个充分条件。

基于正交随机空间投影的数字音频扩谱水印

数字音频水印是在原始音频样本中嵌入加密的标志信息以实现音频内容的注释和版权保护。对于任何一种音频水印的算法,必须满足水印的透明性和鲁棒性两个基本要求。提出了一种新的基于正交随机空间投影的数字音频扩谱水印算法,它将音频样本的中频子带重新排列成MxN的矩阵形式,并投影到随机的正交子空间上,然后将扩谱后的水印序列嵌入到相应的投影系数中,为了避免产生听觉上失真,算法中利用心理声学模型控制水印产生的听觉噪声。水印的检测过程可以通过扩谱序列的相关进行盲检测,实验结果表明采用该算法能够很好地保证水印在听觉上的不可觉察性,与现有的数字音频水印算法相比,该算法对数字音频信号的压缩、滤波、加噪声和加入回波等处理具有更好的鲁棒性。

基于正交随机波束成型的多用户多波束选择策略

针对正交随机波束成型(ORBF)当系统用户少时性能下降严重的问题,提出一种基于ORBF的多用户多波束选择策略.其基本思想是针对ORBF选定的优化用户集再次反馈部分信道信息,使得在系统用户数较少时系统总速率得到有效提高,并对功率平均分配和自适应功率分配两种情况分别进行了分析.仿真结果表明,该策略在增加部分反馈信息和提高发射机复杂性的条件下,可极大地提高系统总速率.

基于终端分组的非正交随机接入资源分配方案

为了解决机器到机器(Machine to Machine,M2M)通信中的冲突碰撞、资源短缺等问题,提出了基于终端分组的非正交随机接入和数据传输(Non-Orthogonal Random Access and Data Transmission based on Terminal Grouping,TG-NORA-DT)方案。首先,根据能量消耗速度对机器类型通信设备(Machine Type Communication Devices,MTCDs)进行分组,并对组设定优先级,优先级高的组MTCDs优先分配接入资源。其次,利用到达时间的差异,识别出选择相同前导码的多个MTCDs,且在随后的接入过程中实现冲突MTCDs的功率复用。最后,基于TG-NORA-DT方案,提出一种资源分配方法,以实现在物理随机接入信道(Physical Random Access Channel,PRACH)和物理上行共享信道(Physical Uplink Shared Channel,PUSCH)间的资源合理分配。仿真结果表明,与正交随机接入数据传输协议(Orthogonal Random Access and Data Transmission Protocol,ORADTP)和非正交随机接入的数据传输(Non-Orthogonal Random Access-Data Transmission,NORA-DT)方案相比,TG-NORA-DT方案提高了系统吞吐量和资源利用率,降低了前导码冲突概率,其中资源利用率提高了20%以上。

与任意图(m,r)-正交的(g,f)-因子分解

设ｇ和ｆ是定义在图Ｇ的顶点集Ｖ（Ｇ）上的整值函数．证明了如下结果：设ｒ是一个正整数，Ｇ是一个（ｍｇ＋（ｍ－１）ｒ，ｍｆ－（ｍ－１）ｒ）－图，且ｇ（ｘ）≥—１，对ｘ∈Ｖ（Ｇ）．则 Ｇ是一个随机（ｍ，ｒ）－正交的（ｇ，ｆ）－可因子化图．

基于随机矩阵变换的隐私保护聚类方法

在保护隐私的情况下挖掘有用的信息是近年来数据挖掘领域研究的热点之一。针对Johnson-Lindenstrauss定理中数据高维特征空间映射到低维特征空间数据点之间距离基本保持不变的原理,提出了基于随机正交矩阵的隐私保护聚类方法。实验结果表明,该方法计算简单,在不影响聚类结果的情况下起到了保护隐私的作用。

随机变系数线性结构关系EV模型的参数估计

利用随机加权正交回归最小二乘法给出了随机变系数线性结构关系EV模型中的参数估计.

正交随机测度的极大族的构造和唯一性

本文解决了正交随机测度极大族的构造和极大族的唯一性问题

类(L)点过程所产生的正交随机测度

引言 [1]中的正交随机测度论概括了多种不能按轨道进行的随机积分,当然最典型的代表是可料过程对平方可积鞅的随机积分。但是在试图把被积函数从可料扩充到可选时,就只有限制在拟左连续(局部)平方可积鞅的情形才得到满意的结果。鞅具有可料跳对积分的正交性似乎是一种障碍。在半鞅的积分表示中有一项表示跃度有界的纯断鞅部分,它表成了对跃度点过程补偿的积分,既然积出来是局部平方可积鞅,自然可以设想。

确定性矩阵可分离压缩成像

针对可分离压缩传感使用的可分离随机正交矩阵在处理大尺度图像等高维信号感知时难度太大或成本过高的问题,引入确定性测量矩阵,提出确定性矩阵可分离压缩传感,可将如托普利兹矩阵及循环矩阵等具有确定性结构的矩阵作为可分离压缩传感的左、右可分离矩阵.该方案可以降低独立元素的数目,从而显著降低前端物理实现的难度与成本.数值模拟实验分别评估了该方法在不同采样率及不同图像尺寸下的压缩重建性能,结果表明该方法在独立元素非常少的情形下得到与原随机正交矩阵相近的重建质量,证明了其可行性.

增强隐私保护度的数据混淆机制研究

针对数据隐私保护的安全问题,提出了一种基于数据混淆的隐私数据保护机制.首先介绍了相关背景及理论基础,然后论述了所采取的隐私保护二次数据混淆方法,即先基于非固定位置置换的数据混淆进行第一次简易混淆,再基于随机正交矩阵思想进行第二次数据混淆,并通过混淆可逆变换,准确地把原始数据提供给使用者.通过实验表明,该机制在有效保护隐私数据的同时,能明显提高其安全保护系数和等级.

基于最小均方误差估计和稀疏性先验的图像去噪

提出一种基于稀疏表达理论和最小均方误差估计的图像去噪算法,主要内容包括:在贝叶斯复原框架下,根据图像在冗余字典下的稀疏表达模型,建立原始图像表达系数的最小均方误差复原方程;利用随机正交匹配追踪算法,研究复原方程的数值求解算法,对图像表达系数进行近似求解,进而对原始图像进行恢复.对一组标准测试图像的仿真实验表明,提出的算法能够较好地去除图像中的噪声,并且复原图像具有较好的主观视觉质量和较高的峰值信噪比客观评价指标.

有关正交随机测度的一些结果

本文给出正文随机测度和数值测度的零一律及拓扑群成为局部紧的充分条件．

一种面向无人机数据链的新型FH-OFDM通信方法

为提升无人机数据链的抗干扰性能,基于传统的跳频正交频分复用(FH-OFDM)、随机交织、信道编码等抗干扰技术,提出一种新型伪随机正交码FH-OFDM的通信方法,构建整体传输方案模型,推导发送和接收端信号的数学表达式,并分析高斯信道下的误码性能,给出误比特公式,同时分析高斯白噪声条件下的抗噪声性能及部分频带干扰和全频带干扰下信号的抗干扰性能。仿真结果表明,该通信方法相对于传统的FH-OFDM传输方法具有更优的抗干扰性能,抗干扰容限提高超过1dB。

BinaryFace:基于深层卷积神经网络的人脸模板保护模型

随着生物识别技术的广泛应用,人们越来越担心生物模板信息的安全性和隐私性。为此人们提出很多生物模板信息的保护算法,但其一般需要牺牲可识别性来换取高安全性。为了在保证高安全性的同时尽可能提高可识别性,本文提出一种新的由特征转换和生物加密组成的二阶段人脸模板保护方案。在特征转换阶段,基于VGGFace提出一种新的基于卷积神经网络的BinaryFace网络,通过设计新的随机正交映射矩阵、量化损失函数和最大熵损失函数实现人脸模板的二进制转换。同时为了减少网络参数,设计新的深度可分离瓶颈卷积层,BinaryFace相比VGGFace在参数和浮点数(Flops)上分别减少约75%和约35%。在生物加密阶段,将人脸二进制模板转换中随机正交映射生成的纠错码输入模糊承诺方案,生成加密的人脸模板并存储到数据库中。在验证阶段,通过相同的流程恢复出纠错码,并与原始纠错码进行哈希校验得到最终的匹配结果。在评测阶段,本文提出的方法在CMU-PIE、FEI、Color FERET等3个数据集上,相比之前的工作在GAR上有约6.5%的提升,同时将EER降低了约4倍。