期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到66篇文章
< 1 2 … 4 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于EMD最优匹配的分层联邦学习算法
1
作者 吴小红 李佩 +1 位作者 顾永跟 陶杰 《计算机工程》 北大核心 2025年第2期170-178,共9页
联邦学习允许多个客户端在不共享私有数据的情况下协同训练高性能的全局模型。在跨组织场景的水平联邦学习环境下,客户端本地数据分布中的统计异质性将降低全局模型的性能。为提升联邦学习的全局模型性能,同时避免牺牲客户端隐私和增加... 联邦学习允许多个客户端在不共享私有数据的情况下协同训练高性能的全局模型。在跨组织场景的水平联邦学习环境下,客户端本地数据分布中的统计异质性将降低全局模型的性能。为提升联邦学习的全局模型性能,同时避免牺牲客户端隐私和增加计算成本,提出一种新的混合联邦学习算法FedAvg-Match,其基本思路是通过改进联邦学习算法提升客户端的模型质量。该算法面向以不平衡标签分布为特征的数据异构性,在分层联邦学习框架下设计客户端分组聚合算法来减轻客户端数据异构性对模型性能的影响。针对客户端优化分组问题,设计一种基于动态规划的客户端匹配算法DP-ClientMatch,根据客户端的数据分布距离EMD得到最优的客户端分组匹配。在MNIST、Fashion-MNIST和CIFAR-103个数据集上的实验结果表明,与其他联邦学习算法相比,在高度统计异质性的联邦学习场景下,FedAvg-Match算法使全局模型测试精度最少可提高10百分点,可以显著提高联邦学习全局模型在图像分类任务上的性能。 展开更多
关键词 联邦学习 非独立同分布数据 最优匹配 EMD最优匹配 模型质量
在线阅读 下载PDF
I.I.D.随机变量部分和之随机和的极限定理 被引量：18
2
作者 江涛 苏淳 唐启鹤 《中国科学技术大学学报》 CAS CSCD 北大核心 2001年第4期394-399,共6页
论文研究了部分和之随机和的大数律和中心极限定理 ,所得结果推广了文献[4 ]中部分和之和的大数律和中心极限定理 .此外 ,论文还研究了由部分和之和所定义的停时 。
关键词 大数律 中心极限定理 部分和 随机和 独立同分布 随机变量
在线阅读 下载PDF
I.I.D.随机变量部分和之和的完全收敛性 被引量：7
3
作者 兰冲锋 吴群英 《吉林大学学报（理学版）》 CAS CSCD 北大核心 2012年第3期507-510,共4页
用截尾等方法研究独立同分布(i.i.d.)随机变量序列部分和之和的完全收敛性,得到了与i.i.d.随机变量序列部分和完全收敛性相同的等价条件,补充了部分和之和的极限定理.
关键词 独立同分布(i.i.d.) 部分和之和 完全收敛性
在线阅读 下载PDF
面向开放世界的联邦学习综述:挑战、技术与应用
4
作者 陆浩天 董育宁 卢官明 《南京邮电大学学报(自然科学版)》 北大核心 2025年第3期99-108,共10页
随着数据隐私保护意识的日益提升和实际应用环境的动态变迁,联邦学习作为一种隐私保护型的机器学习技术备受瞩目。然而,现实世界的应用场景往往是开放且动态的,使得开放世界下的联邦学习成为当前研究的热点之一。全面梳理了当前开放环... 随着数据隐私保护意识的日益提升和实际应用环境的动态变迁,联邦学习作为一种隐私保护型的机器学习技术备受瞩目。然而,现实世界的应用场景往往是开放且动态的,使得开放世界下的联邦学习成为当前研究的热点之一。全面梳理了当前开放环境下联邦学习所面临的问题,对现有方法进行了系统的分类综述,并探讨了其在网络流分类领域的潜在应用。首先,针对非独立同分布数据问题,不仅回顾了传统场景下的解决方案,还引入了动态联邦学习场景;其次,鉴于数据标签稀缺的问题,归纳了联邦半监督学习的相关算法;最后,探讨了联邦环境下的未知类处理方法,并展望了未来的研究方向和网络流分类中的应用前景。 展开更多
关键词 联邦学习 非独立同分布 联邦半监督学习 联邦开放集识别
在线阅读 下载PDF
非独立同分布数据下联邦学习的隐私保护算法
5
作者 张愈杰 龙士工 +1 位作者 张珺铭 刘光源 《计算机工程与设计》 北大核心 2025年第4期1047-1055,共9页
针对联邦学习中客户端数据统计多样性以及隐私保护问题,提出一种基于差分隐私的联邦学习聚类模型循环交换算法(DPFed-CMRE)。通过聚类将数据分布类似的客户端分为一类,通过各类模型循环交换使全局模型适应客户端数据的不同分布,同时应... 针对联邦学习中客户端数据统计多样性以及隐私保护问题,提出一种基于差分隐私的联邦学习聚类模型循环交换算法(DPFed-CMRE)。通过聚类将数据分布类似的客户端分为一类,通过各类模型循环交换使全局模型适应客户端数据的不同分布,同时应用差分隐私技术保护客户端数据隐私,通过自适应梯度裁剪优化噪声分配,降低模型的性能损失。为验证算法的有效性,在3个标准数据集上进行大量实验,实验结果表明,提出算法提升了联邦学习在客户端数据高度非独立同分布(Non-IID)以及高隐私保证情况下的性能。 展开更多
关键词 联邦学习 差分隐私 自适应 非独立同分布 聚类 梯度裁剪 隐私保护
在线阅读 下载PDF
基于本地漂移和多样性算力的联邦学习优化算法
6
作者 张一鸣 曹腾飞 《计算机应用》 北大核心 2025年第5期1447-1454,共8页
针对联邦学习(FL)在边缘计算应用中所面临的非独立同分布(non-IID)数据和异构算力挑战,为了避免non-IID数据导致客户端模型更新出现较大偏差,从而引发模型不稳定的收敛,引入本地漂移变量的概念;并通过校正本地模型参数,将本地训练过程... 针对联邦学习(FL)在边缘计算应用中所面临的非独立同分布(non-IID)数据和异构算力挑战,为了避免non-IID数据导致客户端模型更新出现较大偏差,从而引发模型不稳定的收敛,引入本地漂移变量的概念;并通过校正本地模型参数,将本地训练过程与全局聚合过程分离,优化FL在non-IID数据训练过程中的性能。此外,鉴于边缘服务器算力的多样性,提出一种新的策略:从全局模型中划分出一个简化的神经网络子模型下发给算力受限的边缘服务器进行训练,而高算力的边缘服务器则使用整个全局模型进行训练;低算力边缘服务器训练所得的参数将上传至云服务器,通过冻结部分参数提高整个模型的拟合速度。结合以上2种方法,提出一种基于本地漂移和多样性算力的联邦学习优化算法(FedLD),旨在解决联邦学习在边缘计算应用中所面临的non-IID数据和多样性算力带来的异构挑战。实验结果表明,FedLD比FedAvg、SCAFFOLD和FedProx算法收敛更快、准确率更高,相较于FedProx,在50个客户端参与训练时,FedLD在MNIST、CIFAR-10和CIFAR-100数据集上分别将模型准确率提升了0.39%、3.68%和15.24%;与最新的FedProc算法相比,FedLD通信开销更低;在K最近邻(KNN)算法、长短期记忆(LSTM)模型和双向门控循环单元(GRU)模型上的对比实验结果也表明,结合FedLD后,这3种模型的预测精度均有约1%的提升。 展开更多
关键词 联邦学习 边缘计算 异构性 非独立同分布数据 客户端漂移 多样性算力
在线阅读 下载PDF
I.I.D.随机变量部分和之和重对数律的精确渐近性
7
作者 邹广玉 《辽宁工程技术大学学报（自然科学版）》 CAS 北大核心 2016年第5期548-551,共4页
为研究独立同分布(i.i.d.)随机变量序列部分和之和重对数律的精确渐近性质,在矩条件较弱的情形下,采用截断的方法,证明了ε→0时的几个精确渐近性质;在矩条件较强的情形下,利用Berry-Esseen不等式进行逼近,得到了ε→α+1(1/2)的精确渐... 为研究独立同分布(i.i.d.)随机变量序列部分和之和重对数律的精确渐近性质,在矩条件较弱的情形下,采用截断的方法,证明了ε→0时的几个精确渐近性质;在矩条件较强的情形下,利用Berry-Esseen不等式进行逼近,得到了ε→α+1(1/2)的精确渐近性质.研究结论表明,i.i.d.序列部分和之和重对数律的精确渐近性质与部分和的结论类似,这就将i.i.d.序列部分和精确渐近性的结果推广到部分和之和的情形,丰富了i.i.d.序列部分和之和精确渐近性的结果. 展开更多
关键词 独立同分布 部分和之和 重对数律 Berry-Esseen不等式 精确渐近性
在线阅读 下载PDF
非独立同分布下联邦半监督学习的数据分享研究 被引量：1
8
作者 顾永跟 高凌轩 +1 位作者 吴小红 陶杰 《计算机工程》 CAS CSCD 北大核心 2024年第6期188-196,共9页
联邦学习作为一种保护本地数据隐私安全的分布式机器学习方法,联合分散的设备共同训练共享模型。通常联邦学习在数据均有标签情况下进行训练,然而现实中无法保证标签数据完全存在,提出联邦半监督学习。在联邦半监督学习中,如何利用无标... 联邦学习作为一种保护本地数据隐私安全的分布式机器学习方法,联合分散的设备共同训练共享模型。通常联邦学习在数据均有标签情况下进行训练,然而现实中无法保证标签数据完全存在,提出联邦半监督学习。在联邦半监督学习中,如何利用无标签数据提升系统性能和如何缓解数据异质性带来的负面影响是两大挑战。针对标签数据仅在服务器场景,基于分享的思想,设计一种可应用在联邦半监督学习系统上的方法Share&Mark,该方法将客户端的分享数据由专家标记后参与联邦训练。同时,为充分利用分享的数据,根据各客户端模型在服务器数据集上的损失值动态调整各客户端模型在联邦聚合时的占比,即ServerLoss聚合算法。综合考虑隐私牺牲、通信开销以及人工标注成本3个方面的因素,对不同分享率下的实验结果进行分析,结果表明,约3%的数据分享比例能平衡各方面因素。此时,采用Share&Mark方法的联邦半监督学习系统FedMatch在CIFAR-10和Fashion-MNIST数据集上训练的模型准确率均可提升8%以上,并具有较优的鲁棒性。 展开更多
关键词 联邦半监督学习 联邦学习 数据非独立同分布 鲁棒性 聚合算法 数据分享
在线阅读 下载PDF
基于分布共识的联邦增量迁移学习 被引量：4
9
作者 崔腾 张海军 代伟 《计算机学报》 EI CAS CSCD 北大核心 2024年第4期821-841,共21页
相同生产工艺的工业过程协同建模是解决工业难测参数在线软测量的有效方法,但因生产原料、设备等因素差异,所形成的分布式数据往往呈现非独立同分布特性(Nonindependent Identically Distribution,Non-IID).同时,受生产环境变化影响,数... 相同生产工艺的工业过程协同建模是解决工业难测参数在线软测量的有效方法,但因生产原料、设备等因素差异,所形成的分布式数据往往呈现非独立同分布特性(Nonindependent Identically Distribution,Non-IID).同时,受生产环境变化影响,数据分布特性会随时间发生变化.因此,工业建模场景对模型的个性化配置和自主调整能力提出了更高的要求.为此,本文提出一种结构与参数并行优化的联邦增量迁移学习方法(Federated Incremental Transfer Learning,FITL).所提方法在增量式联邦学习框架下,建立了基于模型输出信息的联邦共识组织,并利用横向联邦进行组内增强;进而,面向联邦共识组织,通过最小化组间共识差异增量迁移不同共识组织信息;最后,结合组内横向增强和跨组织迁移学习,构造增量迁移下的联邦学习模型.在工业数据集和基准数据集上的实验结果表明,与现有方法相比,所提模型能更好地实现不同工况Non-IID情况下的协同建模.在过程工业回归任务和公开数据集的分类任务中,FITL能在多工况环境下相较基线方法提升9%和16%的模型预测精度. 展开更多
关键词 协同建模 分布式数据 非独立同分布 迁移学习 联邦学习
在线阅读 下载PDF
基于联邦学习的船舶AIS轨迹预测算法
10
作者 郑晨俊 曾艳 +3 位作者 袁俊峰 张纪林 王鑫 韩猛 《计算机工程》 CAS CSCD 北大核心 2024年第2期298-307,共10页
联邦学习是一种可以在弱通信环境下有效解决数据孤岛问题的分布式机器学习方法。针对海上船舶轨迹实时预测问题,提出基于Fedves联邦学习框架与卷积神经网络-门控循环单元(CNN-GRU)模型的船舶轨迹预测算法(E-FVTP)。根据Fedves联邦学习框... 联邦学习是一种可以在弱通信环境下有效解决数据孤岛问题的分布式机器学习方法。针对海上船舶轨迹实时预测问题,提出基于Fedves联邦学习框架与卷积神经网络-门控循环单元(CNN-GRU)模型的船舶轨迹预测算法(E-FVTP)。根据Fedves联邦学习框架,通过规范客户端数据集规模以及客户端正则项,在保持原有客户端数据特征的前提下,减小数据非独立同分布特征对全局模型的影响,加快收敛速度。面向海洋通信资源短缺场景,建立基于船舶自动识别系统(AIS)数据的CNN-GRU船舶轨迹预测模型,解决了船舶终端设备计算能力不足的问题。在MarineCadastre开源和舟山海洋船舶航行AIS数据集上的实验结果表明,E-FVTP在预测误差比集中式训练降低40%的情况下,收敛速度提升67%、通信代价降低76.32%,可实现复杂海洋环境中船舶轨迹的精确预测,保障海上交通安全。 展开更多
关键词 联邦学习 船舶轨迹预测 自动识别系统 深度学习 非独立同分布
在线阅读 下载PDF
联合双维度用户调度的自适应联邦边缘学习
11
作者 张九川 潘春雨 +2 位作者 周天依 李学华 丁勇 《计算机工程与应用》 CSCD 北大核心 2024年第4期153-162,共10页
联邦边缘学习无需传输本地数据,在保护用户隐私的基础上,大大降低了上行链路压力。联邦边缘学习通过智能边缘设备,利用本地数据集训练局部模型后上传模型参数至中心服务器;中心服务器聚合本地上传的局部模型参数形成全局模型后进行更新... 联邦边缘学习无需传输本地数据,在保护用户隐私的基础上,大大降低了上行链路压力。联邦边缘学习通过智能边缘设备,利用本地数据集训练局部模型后上传模型参数至中心服务器;中心服务器聚合本地上传的局部模型参数形成全局模型后进行更新,然后将更新后的模型下发给智能边缘设备开始新一轮迭代。但是局部模型精度以及局部模型训练时间,对全局模型聚合以及模型更新过程会产生重大影响。因此提出自适应动态批量梯度下降策略,在局部模型训练过程中自动调整梯度下降抽取的批量大小,优化联邦学习的局部模型精度及收敛速度。针对用户数据的非独立同分布特性,设计一种联合双维度用户调度策略的自适应动态批量梯度下降算法,通过收敛时间和数据多样性进行双维度约束。经MNIST数据集、fashion MNIST数据集和CIFAR-10数据集的训练测试,算法在有效降低聚合等待时间的同时能够进一步提高全局模型精度和收敛速度。与固定批量为64、128、256的梯度下降算法相比,该算法的全局模型精度在运行100 s时提升分别为32.4%、45.2%、87.5%。 展开更多
关键词 联邦边缘学习 批量梯度下降 用户调度 非独立同分布数据
在线阅读 下载PDF
基于异步分层联邦学习的数据异质性处理方法研究
12
作者 郭昌昊 唐湘云 翁彧 《计算机工程与科学》 CSCD 北大核心 2024年第7期1237-1244,共8页
在物联网设备遍布的时代,时刻都在产生大量数据,数据分布和数据量各不相同,因此数据异质性普遍存在。针对物联网环境中智能设备的联邦学习挑战,传统联邦学习的同步机制解决数据异质性(NON-IID)问题并不理想,且面临着单点故障和维护全局... 在物联网设备遍布的时代,时刻都在产生大量数据,数据分布和数据量各不相同,因此数据异质性普遍存在。针对物联网环境中智能设备的联邦学习挑战,传统联邦学习的同步机制解决数据异质性(NON-IID)问题并不理想,且面临着单点故障和维护全局时钟的复杂性问题,而异步机制则可能带来额外的通信开销和NON-IID数据分布导致的过时性问题。分层联邦学习结合异步机制在应对数据异质性的问题时更加灵活,为此,提出了一种基于分层联邦学习的异步分层联邦学习方法。首先,使用BIRCH算法分析物联网中各节点的数据分布并进行簇的划分;然后,对簇中的数据进行拆分与验证,目的是找到数据质量高的节点,然后将数据质量高的簇中的节点打散,重组到其他数据质量低的簇中,形成新的簇;最后,进行簇内聚合和全局聚合的两阶段模型训练。此外,基于MNIST数据集,对提出的方法进行了评估。结果表明,与经典方法相比,所提方法在NON-IID数据集上收敛速度提高,而且在模型精度上提高了15%以上。 展开更多
关键词 物联网 联邦学习 异步联邦学习 分层联邦学习 数据异质性 数据分布
在线阅读 下载PDF
次线性期望空间下独立同分布序列的一个强大数定律
13
作者 王宝珍 吴群英 《应用数学》 北大核心 2024年第1期24-30,共7页
利用与概率空间不同的研究方法,研究次线性期望空间中独立同分布随机变量序列的加权和在某些条件下的一个强大数定律,从而将该定理从传统概率空间扩展到次线性期望空间.
关键词 次线性期望空间 独立同分布序列 强大数定律
在线阅读 下载PDF
基于相似度聚类和正则化的个性化联邦学习 被引量：1
14
作者 巫婕 钱雪忠 宋威 《计算机应用》 CSCD 北大核心 2024年第11期3345-3353,共9页
联邦学习(FL)应用场景中,常面临客户端数据异质性和不同任务需求需要提供个性化模型的问题,但现有的部分个性化联邦学习(PFL)算法中存在个性化与全局泛化的权衡问题,并且这些算法大多采用传统FL中根据客户端数据量加权聚合的方法,导致... 联邦学习(FL)应用场景中,常面临客户端数据异质性和不同任务需求需要提供个性化模型的问题,但现有的部分个性化联邦学习(PFL)算法中存在个性化与全局泛化的权衡问题,并且这些算法大多采用传统FL中根据客户端数据量加权聚合的方法,导致数据分布差异大的客户端模型性能变差,缺乏个性化聚合策略。针对上述问题,提出一种基于相似度聚类和正则化的PFL算法pFedSCR。pFedSCR算法在客户端本地更新阶段训练个性化模型和局部模型,其中:个性化模型在交叉熵损失函数中引入L2范数正则化,动态调整参考全局模型的程度,在汲取全局知识的基础上实现个性化;在服务端聚合阶段,根据客户端模型更新的相似度聚类,构建聚合权重矩阵,动态调整聚合权重,为不同客户端聚合个性化模型,让参数聚合策略具有个性化的同时解决数据异构问题。在CIFAR-10、MNIST、Fashion-MNIST 3个数据集上通过狄利克雷(Dirichlet)分布模拟了多种非独立同分布(Non-IID)数据场景,结果表明:pFedSCR算法在各种场景下的准确度和通信效率都优于经典算法FedProx和最新个性化算法FedPCL(Federated Prototype-wise Contrastive Learning)等联邦学习算法,最高可达到99.03%准确度。 展开更多
关键词 联邦学习 非独立同分布 余弦相似度 正则化 个性化联邦学习 隐私安全
在线阅读 下载PDF
基于结构感知的多图学习方法
15
作者 付东来 高泽安 《电子学报》 EI CAS CSCD 北大核心 2024年第7期2407-2417,共11页
多图学习是一种非常重要的学习范式.与多示例学习相比,在多图学习中包表示一个对象,包中的每一个图对应一个子对象.这种数据表示方法能够表达子对象的结构信息.但是,现有的多图学习方法不仅隐含假设包内的图满足独立同分布,而且多采用... 多图学习是一种非常重要的学习范式.与多示例学习相比,在多图学习中包表示一个对象,包中的每一个图对应一个子对象.这种数据表示方法能够表达子对象的结构信息.但是,现有的多图学习方法不仅隐含假设包内的图满足独立同分布,而且多采用将多图学习问题转变为多示例学习问题的技术思路.这类多图学习方法容易损失图自身及图间的结构信息.针对上述问题,本文提出一种基于结构感知的多图学习方法,有效学习图自身和图间的结构信息.该方法利用图核,通过计算图之间的相似度保留图自身的结构信息,通过生成包级图表达图间的结构信息,并且设计包编码器有效学习图间的结构信息.在NCI(1)、NCI(109)和AIDB三个多图数据集上的实验结果表明,所提方法相较于现有方法在准确率、精确率、F1值和AUC上分别平均提高了5.97%、3.44%、4.48%和2.56%,在召回率上平均降低了2.12%. 展开更多
关键词 多图学习 图核 结构信息 包结构图 独立同分布
在线阅读 下载PDF
基于标签分类的联邦学习客户端选择方法
16
作者 张祖篡 陈学斌 +1 位作者 高瑞 邹元怀 《计算机应用》 CSCD 北大核心 2024年第12期3759-3765,共7页
联邦学习作为一种分布式的机器学习方法,在保护数据隐私的同时可以充分挖掘数据中的价值;然而传统的联邦学习训练方法只是随机选择参与客户端,难以适应非独立同分布(Non-IID)数据集。针对Non-IID数据下联邦学习模型精度低、收敛慢等问题... 联邦学习作为一种分布式的机器学习方法,在保护数据隐私的同时可以充分挖掘数据中的价值;然而传统的联邦学习训练方法只是随机选择参与客户端,难以适应非独立同分布(Non-IID)数据集。针对Non-IID数据下联邦学习模型精度低、收敛慢等问题,提出一种基于标签分类的联邦学习客户端选择方法(FedLCCS)。首先,按照频数统计结果分类排序客户端数据集标签;其次,选择拥有高频数标签的客户端参与训练;最后,通过调节自有参数获取不同精度的模型。在MNIST、Fashion-MNIST和Cifar-10数据集上的实验结果表明,结合FedLCCS后的联邦平均(FedAvg)和联邦近端优化(FedProx)这2种基线方法相较于原始方法在初始数据集标签选择比例下的准确率至少提高了9.13和6.53个百分点,收敛速度至少提升了57.41%和18.52%,运行时间至少降低了7.60%和17.62%。以上验证了FedLCCS可以优化联邦模型的精度、收敛速度和运行效率,且能够训练不同准确率的模型以应对多样化的需求。 展开更多
关键词 联邦学习 非独立同分布 客户端选择 频数统计 分类排序
在线阅读 下载PDF
迁移学习研究进展 被引量：493
17
作者 庄福振 罗平 +1 位作者 何清 史忠植 《软件学报》 EI CSCD 北大核心 2015年第1期26-39,共14页
近年来,迁移学习已经引起了广泛的关注和研究.迁移学习是运用已存有的知识对不同但相关领域问题进行求解的一种新的机器学习方法.它放宽了传统机器学习中的两个基本假设:(1)用于学习的训练样本与新的测试样本满足独立同分布的条件;(2)... 近年来,迁移学习已经引起了广泛的关注和研究.迁移学习是运用已存有的知识对不同但相关领域问题进行求解的一种新的机器学习方法.它放宽了传统机器学习中的两个基本假设:(1)用于学习的训练样本与新的测试样本满足独立同分布的条件;(2)必须有足够可利用的训练样本才能学习得到一个好的分类模型.目的是迁移已有的知识来解决目标领域中仅有少量有标签样本数据甚至没有的学习问题.对迁移学习算法的研究以及相关理论研究的进展进行了综述,并介绍了在该领域所做的研究工作,特别是利用生成模型在概念层面建立迁移学习模型.最后介绍了迁移学习在文本分类、协同过滤等方面的应用工作,并指出了迁移学习下一步可能的研究方向. 展开更多
关键词 迁移学习 相关领域 独立同分布 生成模型 概念学习
在线阅读 下载PDF
基于预测的无损图象压缩技术 被引量：4
18
作者 赵军 吴中福 +1 位作者 李华 王康 《计算机应用研究》 CSCD 北大核心 2001年第5期11-14,共4页
预测压缩技术是无损图象压缩的基本技术。分析了基于预测的无损图象压缩方法，综述了预测无损图象压缩技术的研究进展，并对预测压缩算法的设计进行了有益的讨论。
关键词 无损图象压缩 预测 图象编码 图象处理
在线阅读 下载PDF
独立情形下一阶矩收敛的精确渐近性的注记 被引量：6
19
作者 孙晓祥 杨丽娟 《吉林大学学报（理学版）》 CAS CSCD 北大核心 2013年第5期871-875,共5页
假设{X,X i,i≥1}为独立同分布的随机变量序列,记S n=∑n i=1X i.N为标准正态随机变量,利用独立随机变量和的弱收敛定理和尾概率不等式,在拟权函数和边界函数满足适当的条件下,证明了limε→0ε1/s-1∑∞n=n0ψ(n)E{Sn/n-(1/2)-εσgs(n... 假设{X,X i,i≥1}为独立同分布的随机变量序列,记S n=∑n i=1X i.N为标准正态随机变量,利用独立随机变量和的弱收敛定理和尾概率不等式,在拟权函数和边界函数满足适当的条件下,证明了limε→0ε1/s-1∑∞n=n0ψ(n)E{Sn/n-(1/2)-εσgs(n)}+=sσ1-s E N1/s成立的充要条件是EX=0和EX2=σ2. 展开更多
关键词 独立同分布随机变量 矩收敛 精确渐近性 拟权函数
在线阅读 下载PDF
基于测量设备无关协议的量子身份认证方案 被引量：4
20
作者 董颖娣 彭进业 +1 位作者 张晓博 张振龙 《通信学报》 EI CSCD 北大核心 2016年第2期151-156,共6页
借助测量设备无关量子密钥分配协议的安全性,提出了测量设备无关的量子身份认证协议。在此协议下,认证中心和认证方以共享密钥加密认证信息和认证密钥,将其发送至第三方进行贝尔态测量以提取安全的认证信息,实现认证中心对认证方有效认... 借助测量设备无关量子密钥分配协议的安全性,提出了测量设备无关的量子身份认证协议。在此协议下,认证中心和认证方以共享密钥加密认证信息和认证密钥,将其发送至第三方进行贝尔态测量以提取安全的认证信息,实现认证中心对认证方有效认证,并更新共享密钥。分析协议性能显示,系统在不同攻击下认证过程是安全且有效的。 展开更多
关键词 量子身份认证 量子密钥分配 测量设备无关 贝尔态测量
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 4 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部