17、不可追踪性与用户画像并非相互排斥

不可追踪性与用户画像并非相互排斥

1. 零知识证明与扩展签名方案基础
  • 零知识证明知识(ZKPK) :简单来说,ZKPK 是一种交互式协议。在该协议中,证明者 P 向验证者 V 证明自己知晓一组能验证给定关系的秘密值,同时不泄露其他任何信息。常见的如离散对数的知识证明($Pok(\alpha : y = g^{\alpha})$)、表示的知识证明($Pok(\alpha_1, \ldots, \alpha_q : y = g_1^{\alpha_1} \ldots g_q^{\alpha_q})$)以及离散对数相等的知识证明($Pok(\alpha : y = g^{\alpha} \land z = h^{\alpha})$)。通过 Fiat - Shamir 启发式方法,这些交互式证明可转化为非交互式证明(即知识签名)。
  • 扩展签名方案 :该概念由 Camenisch 和 Lysyanskaya 提出,是在标准签名方案基础上增加了一些特性。具体特性如下:
    • 可以对分解为多个块的消息($m = m_0 \parallel \cdots \parallel m_{\ell}$)进行签名(Sign 算法)。
    • 存在一个 CSign 算法,允许签名者使用 Pedersen 承诺方案对某些未知值($m_0, \cdots, m_{\ell}$)的承诺 C 进行签名。
    • 能够在不泄露消息和签名的情况下,证明对分块消息的有效签名的知识:$Pok(m = m_0 \parallel \cdots \parallel m_{\ell}, \si
MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 能对比:对比不同优化算法在训练集和测试集上的预测能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值