您现在的位置: 首页> 研究主题> Hadamard矩阵

Hadamard矩阵

Hadamard矩阵的相关文献在1990年到2022年内共计95篇,主要集中在数学、无线电电子学、电信技术、自动化技术、计算机技术 等领域,其中期刊论文78篇、会议论文3篇、专利文献17703篇;相关期刊66种,包括周易研究、武夷学院学报、龙岩学院学报等; 相关会议3种,包括第四届信号与信息处理联合学术会议、中国通信学会通信理论与信号处理专业委员会2005年通信理论与信号处理年会、第八届中国密码学学术会议等;Hadamard矩阵的相关文献由196位作者贡献,包括何亚锦、孙伟、张鑫楠等。

Hadamard矩阵—发文量

期刊论文>

论文:78 占比:0.44%

会议论文>

论文:3 占比:0.02%

专利文献>

论文:17703 占比:99.54%

总计:17784篇

Hadamard矩阵—发文趋势图

Hadamard矩阵

-研究学者

  • 何亚锦
  • 孙伟
  • 张鑫楠
  • 沈克勤
  • 王静
  • 赵杰
  • 卜长江
  • 卢怀因
  • 叶梅
  • 叶瑞松
  • 期刊论文
  • 会议论文
  • 专利文献

搜索

排序:

年份

期刊

    • 庾骏; 黄伟; 张晓波; 尹贺峰
    • 摘要: 哈希作为一种有效的数据表征技术,已经在应对爆炸式增长的多媒体数据中扮演了重要的角色.它由于低存储和高效率的优势,在多媒体检索领域受到了越来越多的关注.目前多模态哈希学习方法在多媒体检索任务中得到了较好的研究和发展.然而,多数的方法通过编码特征的内积重构成对相似度来保持原始数据的结构信息,但是带来较复杂的优化问题.此外一些模型缺乏判别性使得检索性能的提升受到限制.为了克服上述问题,本文提出一种新型的多模态融合哈希方法,在类别信息的监督下利用Hadamard矩阵为数据生成目标编码,通过松弛严格的二值约束增大类间的间隔,同时采用图嵌入的方式促进类内的紧凑性.本文提出的方法既保证了模型具有很好的判别能力也简化了优化过程.在3个公开数据集上的实验结果表明,本文提出的方法在多媒体数据检索中是非常有效的,平均性能上相比最优的对比方法提高了8.47%.
    • 蒋新竹; 袁胜
    • 摘要: 针对现有单像素加密技术大多基于对称加密、传输密钥量过大等不足,文章提出了一种基于单像素成像和公钥密码的图像加密技术,首先利用2组随机数分别作为哈达玛矩阵(Hadamard)的行序列和列序列,对其进行扰乱,随后利用数字微镜将扰乱后的正交矩阵作为调制模板投射到秘密图像上,通过单像素探测器进行探测获取密文,并利用RSA加密算法中的公钥对2组随机数进行加密,完成加密过程。秘密信息的解密过程是加密的逆过程。仿真实验证明,该方法在攻击者窃听率达到50%仍能保证秘密信息不泄露,还原图像清晰可见,并对统计学攻击和唯密文攻击都有一定的抵抗能力,在遭受椒盐、高斯等常见噪声攻击后,还原图像仍可辨认出原始信息,有非常良好的鲁棒性。本方法使用公钥密码加密,提高了系统安全性;通过随机序列产生随机正交矩阵,在保证解密图像质量的前提下,减少了密钥量,提升了加密效率。
    • 蒋新竹
    • 摘要: 计算鬼成像技术已广泛应用于成像领域,其系统的加密是光学加密的重要内容之一。针对现有计算鬼成像加密技术普遍密钥量过大、加密时间较长等问题提出了一种基于计算鬼成像和Toeplitz矩阵的公钥图像加密技术,该技术加密、解密密钥不同,无需传递密钥,属于公钥加密方式,安全性更高。此外,其使用正交矩阵作为测量矩阵,提高了成像质量,同时使用随机生成的Toeplitz矩阵缩小了密钥量,提升了加密效率。
    • 胡章芳; 蹇芳; 唐珊珊; 明子平; 姜博文
    • 摘要: 自动语音识别系统由声学模型和语言模型两部分构成,但传统语言模型N-gram存在忽略词条语义相似性、参数过大等问题,限制了语音识别字符错误率的进一步降低。针对上述问题,提出一种新型的语音识别系统,以中文音节(拼音)作为中间字符,以深度前馈序列记忆神经网络DFSMN作为声学模型,执行语音转中文音节任务,进而将拼音转汉字理解成翻译任务,引入Transformer作为语言模型;同时提出一种减少Transformer计算复杂度的简易方法,在计算注意力权值时引入Hadamard矩阵进行滤波,对低于阈值的参数进行丢弃,使得模型解码速度更快。在Aishell-1、Thchs30等数据集上的实验表明,相较于DFSMN结合3-gram模型,基于DFSMN和改进Transformer的语音识别系统在最优模型上的字符错误率相对下降了3.2%,达到了11.8%的字符错误率;相较于BLSTM模型语音识别系统,其字符错误率相对下降了7.1%。
    • 王石; 李云青; 徐运阁; 曾祥勇
    • 摘要: 本文提出了一种Hadamard MDS矩阵的快速搜索算法.首先,给出了一般类型MDS矩阵的判别方法,其主要思想是利用低阶子方阵的行列式计算高阶子方阵的行列式,从而降低每个子方阵行列式的计算复杂度.其次,对于4阶和8阶Hadamard MDS矩阵,给出了更高效的判别方法.当m(m=4,8)阶Hadamard矩阵的任意i(i≤m/2)阶子方阵均满秩时,即可判定该矩阵为MDS矩阵.利用该判别方法,可以实现对有限域F_(2)^(4)和F_(2)^(6)上4阶和8阶Hadamard MDS矩阵的穷举搜索.该方法还可以用于寻找更大的有限域F_(2)^(n)(n≤16)中异或数最低的Hadamard MDS矩阵.最后,本文建立了有限交换环上4阶Hadamard MDS矩阵与有限域上8阶Hadamard MDS矩阵的联系,并利用此联系进一步优化了8阶对合Hadamard MDS矩阵的搜索算法.
    • 王静; 田松涛; 雷珂; 王相隆; 任亚倩
    • 摘要: 现有的局部修复码大多能满足最小距离最优的边界条件,但是在满足最小距离最优情况下构造维度最优的局部修复码还比较困难。针对上述问题,提出一种基于Hadamard矩阵的最优局部修复码的构造方法,通过对Hadamard矩阵进行扩展,构造局部修复码的校验矩阵,进而通过此校验矩阵构造最优局部修复码。首先,基于Hadamard矩阵构造局部修复码的校验矩阵,通过校验矩阵构造的局部修复码的最小距离可以达到最优最小距离界,但是其维度没有达到最优维度边界条件;为进一步提高维度,将校验矩阵中的关联矩阵0和1元素互换得到新的关联矩阵,通过和新的关联矩阵级联进行扩展,构造的扩展局部修复码不仅可以达到最小距离最优,且能达到维度最优的边界条件。与现有局部修复码相比,该构造的局部修复码是最小距离和维度最优的局部修复码,且其码率也更逼近局部修复码最优码率的边界。
    • 孙伟; 沈克勤; 张鑫楠; 何亚锦
    • 摘要: 针对分布式存储系统部分重复(FractionalRepetition,FR)码大都是同构的问题,提出了基于Hadamard矩阵和基于[7,3,4]简单图形构造异构的FR码的两种新型构造设计算法,构造方法更加简洁.其中基于Hadamard矩阵构造存储容量异构的FR码可实现由同构经过简单变换为异构的编码方式;基于[7,3,4]简单图形构造可扩展异构FR码可实现扩展延伸.经过与RS码理论分析对比发现,设计的两种异构FR码的修复局部性、修复带宽开销进一步降低,且可以实现故障节点精确无编码修复,修复复杂度较低,修复效率较高,减少了修复故障节点的时间.
    • 王静; 孙伟; 何亚锦; 沈克勤; 张鑫楠; 刘向阳
    • 摘要: 针对分布式存储系统故障节点修复问题,提出一种部分重复(FR)码的构造算法.由Hadamard矩阵经过简单变换直接构造FR码.随后引入了分组思想,由8阶Hadamard矩阵构造分组FR码(HGFR),构造更加简洁直观,实现多故障节点在局部修复组内进行精确无编码修复.理论分析发现,与RS码和SRC简单再生码相比,设计的HGFR码在分布式存储系统节点发生故障时的修复局部性、修复复杂度和修复带宽开销都降低,且修复效率提高,减少了故障节点的修复时间.
    • 高钰; 李彬; 房毅宪
    • 摘要: 本文提出一种语义对称分解哈希(Symmetric Semantics Decomposition Hashing,SSDH)算法来实现心电图(Electrocardiogram,ECG)信号的识别检测。SSDH首先利用ECG数据标签生成语义相似矩阵,然后对其进行离散的对称哈希分解,从而生成哈希编码库,最后利用学习的哈希函数建立海明空间与原始数据核化空间的映射关系。针对离散优化,基于语义标签,SSDH排列Hadamard矩阵,无需迭代和任何参数的调试即可快速地生成哈希编码库。在基准ECG数据集的实验结果表明SSDH可以更加快速地实现ECG信号检测,而且识别率明显优于深度模型,为心电智能终端设备提供有效的依据和决策支持。
    • 高钰; 李彬; 房毅宪
    • 摘要: 本文提出一种语义对称分解哈希(Symmetric Semantics Decomposition Hashing,SSDH)算法来实现心电图(Electrocardiogram,ECG)信号的识别检测.SSDH首先利用ECG数据标签生成语义相似矩阵,然后对其进行离散的对称哈希分解,从而生成哈希编码库,最后利用学习的哈希函数建立海明空间与原始数据核化空间的映射关系.针对离散优化,基于语义标签,SSDH排列Hadamard矩阵,无需迭代和任何参数的调试即可快速地生成哈希编码库.在基准ECG数据集的实验结果表明SSDH可以更加快速地实现ECG信号检测,而且识别率明显优于深度模型,为心电智能终端设备提供有效的依据和决策支持.
  • 查看更多

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号