一种新的多重代理多重数字签名方案*

基于离散对数问题,提出了一种新的多重代理多重签名方案,该方案指定了签名验证人,在门方案的基础上又完善了签名过程,最终签名由其中一位代理人给出,从而避免了门方案中不具有追踪性、可滥用签名权的漏洞,签名体现了签名者身份信息,进一步防止了伪造攻击,是一种相对安全的多种代理多重数字签名方案。     

椭圆曲线上的链式验证签名

基于椭圆曲线密码算法,提出了一种新的链式验证签名方案,只有经过链式验证授权组中的成员P1、P2、...、Pn-1的一一授权之后,签名验证者Pn才能验证签名的有效性。分析了所给签名方案的安全性和效率。除了具有链式验证签名的一般特性外,还可以方便地增加或删除链式验证授权者,并在链式验证授权者或签名验证者泄漏子秘密时,可以及时地进行维护。     

环Zn上广义圆锥曲线多重数字签名方案的分析与改进

文章分析了环上广义圆锥曲线多重数字签名LWL方案的安全性,证明了该方案中攻击者可绕过离散对数问题,伪造针对任意消息的签名。针对上述问题,文章提出了一种改进方案,能有效对抗内部成员攻击、流氓密钥攻击和任意消息的签名伪造攻击,安全性更强。最后分析了改进方案的计算效率和通信量,在同等安全强度下,改进方案比RSA型方案通信量少、计算效率更高。     

白油W/O/W型多重乳状液的稳定性研究

以多重乳状液相对体积为衡量标准,用显微镜直接观察,探讨了乳化剂的HLB值、质量分数、亲油亲水乳化剂体积比及油水的相比等对白油W/O/W型多重乳状液体系稳定性的影响。结果表明单一乳化剂体系中适宜的制备条件:乳液中乳化剂质量分数为12.2%,V(Span80)/V(Tween80)=7.5;适合多重乳液稳定的油水相比为:第一相体积比为2.5,第二相体积比为0.2。复合乳化剂体系中适宜的制备条件:第一相乳化剂的HLB值为6.5,V(复合乳化剂)/V(Tween80)=27.5,乳液中乳化剂质量分数为9.5%。     

对模拟纵向数据集缺失值处理的几种方法比较

运用SAS9．0、数据模拟技术,分别模拟纵向完整数据集和具有各种缺失率的随机缺失数据集,采用多重填补法（MI）、期望值最大化法（EM）和回归插补法（Regression）对各缺失数据集进行处理,对结果进行比较和分析。结果表明,对不同缺失率的数据集,MI、EM和Regression法对缺失值的处理各有优劣。     

基于多重网格的地表水文与二维水动力动态双向耦合模型研究

针对流域洪涝模拟模型的计算精度、格式稳定性及计算效率等问题,本文提出基于多重网格技术的地表水文与二维水动力动态双向耦合模型(M-DBCM)。地表水文模型采用非线性水库法模拟降雨产流和径流;二维水动力模型采用浅水方程模拟洪水演进过程。采用不同分辨率的网格划分计算区域,在粗网格区域采用地表水文模型模拟降雨径流过程;在细网格区域采用二维水动力模型模拟洪涝积水区的水流运动。地表水文和二维水动力模型通过内部耦合移动界面(Coupling Moving Interface, CMI)实现无缝连接,保证通过CMI的水量和动量等通量守恒,提高模型的模拟精度。采用时间显式格式同时求解地表水文和水动力模型,在不同区域采用不同的计算时间步长,以提高模型的计算效率。通过典型案例验证本文构建的耦合模型的性能,结果表明本文提出的动态双向耦合模型能够在保证模拟精度的同时提高计算效率。     

“白蚁诱饵剂”包装材料的筛选试验

根据白蚁对不同包装材料的嗜食性,通过室内外试验,筛选出较理想的"白蚁诱饵剂"包装材料.     

带权图的多重分形度量

分形维数及多重分形是分形理论的重要研究内容。复杂网络的多重分形已经得到了较为深入的研究,但对复杂网络多重分形的度量目前并没有可行的方法。带权图是复杂网络研究的重要对象,其中的节点权重及边权重可以为正实数、负实数、纯虚数及复数等多种不同的类型。除节点权重及边权重均为正实数的情形外,其他类型的带权图都具有多重分形特性,且均具有无穷多个复数形式的网络维数。通过对带权图多重分形的研究,文中给出了15种具有多重分形特性的带权图多重分形维数的模所构成的集合,并采用集合的势对带权图的多重分形特性进行度量。研究表明,15种带权图多重分形维数的模所构成的集合均是可数集,其中有2种集合是2重集合,另外13种集合是通常意义上的集合,而且所有的集合均是等势的,其势均为■0。     

基于多重差异特征网络的街景变化检测

街景变化检测对于自然灾害破坏和城市发展变化的研究起着重要作用.其主要目标是将成对的输入图片中变化的区域标注出来,其实质是二分类的语义分割问题.不同时间拍摄的街景图片可能受到如光线、天气、背景噪声、视角误差等诸多干扰因素的影响,这给传统的变化检测方法带来挑战.针对该问题,提出了一种新的神经网络模型(Multiple Difference Features Network,MDFNet).该模型首先使用孪生网络提取成对输入图片的不同深度特征,并使用差异模块对相同深度特征计算差异,以此有效获得不同尺度的变化信息;然后通过JPU模块融合多重差异特征,在不损失细节信息的情况下提取其深层语义信息;最后使用金字塔池化模块结合全局和局部信息生成二分类的变化检测图像.在PCD数据集上的GSV和TSUNAMI部分分别采用5折交叉验证法对模型进行实验,实验结果表明,MDFNet获得了0.787和0.862的F-score,相比排名第二的DOF-CDNet方法,其值提高了约11.9％和2.9％,同时其能够更精准地分割变化细节.因此,所提模型可以有效应对干扰,对于复杂场景也具备优秀的检测能力.