45、密码学与格理论:历史、概念与算法

密码学与格理论:历史、概念与算法

1. 密码学历史案例

1.1 不同类型的密码系统

在密码学的发展历程中,除了常见的密码本,还存在其他类型的密码系统。例如,有一种密码使用码字模式对剪纸进行加密,推测这可能是一种格栅密码;还有一处提到“按列书写的纸张”,可能指的是列置换密码。

1.2 阿特伯里主教案

阿特伯里主教因三封所谓“叛国”信件而被定罪,这些信件分别署名琼斯、伊林顿和 1378,据称是他口授的。然而,解密者的工作存在内部不一致性。比如,一封加密信件将琼斯和伊林顿描述为不同的人,但他们是否为同一人存疑。辩护律师指出了解密过程存在的问题,但他们要求对密码分析人员进行交叉询问的请求被政治多数派驳回。由于报告中众多代码与字母之间缺乏一致性,难以计算这些密码本的唯一距离。

1.3 何塞·马蒂的密码使用

古巴民族英雄何塞·马蒂在 1895 年 2 月领导反对西班牙殖民统治的起义时,使用了维吉尼亚密码,密钥词为“habana”,对应数字 8, 1, 2, 1, 15, 1,采用 28 个字母的字母表。他在 1894 年 12 月 8 日与两位革命伙伴在纽约流亡期间写下了著名的《古巴起义计划》。不过,马蒂犯了密码学中的大忌,即混合明文和密文。但即便如此,这一失误也未能阻止古巴独立。明文先被书写,留出密文的空间,然后由他人插入密文。但在书写过程中,第 3 行留的空间过少,第 6 行留的空间过多。

2. 格理论基础

2.1 格的定义

设 (a_1, \cdots, a_{\ell} \in R^n) 是 (R) 上的线性无关行向量,则 (L = \sum_{1\leq i\leq \ell} Z a_i = { \sum_{1\leq i\leq \ell} r_i a_i : r_1, \cdots, r_{\ell} \in Z }) 是由 (a_1, \cdots, a_{\ell}) 生成的格(或 (Z) - 模),这些向量构成 (L) 的一个基。若 (\ell = n),则称 (L) 为满秩格。(L) 的一个子集 (K) 若也是格,则称 (K) 为 (L) 的子格。

2.2 格与向量空间的比较

格的概念与 (R^n) 中由 (a_1, \cdots, a_{\ell}) 张成的 (R) - 向量空间 (V = span_R(a_1, \cdots, a_{\ell}) = span_R(L)) 相似。与整数 (Z) 相比,格的优势在于可以讨论整数解以及整除性和模约简等有趣概念;缺点是不能除以任意非零整数,因此没有类似于高斯算法来求解线性方程组,只能使用相对复杂的基约简算法。

2.3 向量的范数

设 (x = (x_1, \cdots, x_n) \in R^n),(x) 的范数(或 2 - 范数,或欧几里得范数)定义为:
[
\lVert x \rVert = \lVert x \rVert_2 = \left( \sum_{1\leq i\leq n} x_i^2 \right)^{1/2} = (x \star x)^{1/2} \in R_{\geq 0}
]
其中 (x \star y = \sum_{1\leq i\leq n} x_i y_i \in R) 是 (R^n) 中两个向量 (x = (x_1, \cdots, x_n)) 和 (y = (y_1, \cdots, y_n)) 的通常内积(文献中有时写作 ((x, y)),或 (\langle x, y \rangle),或 (x \cdot y^T))。若 (x \star y = 0),则称向量 (x) 和 (y) 正交。

2.4 幺模矩阵与格的生成

一个方阵 (U) 是幺模矩阵当且仅当 (\det(U) \in \pm 1)。若 (A, B \in R^{\ell \times n}) 都有线性无关的行,则它们的行向量生成相同的格当且仅当存在一个幺模的 (\ell \times \ell) 矩阵 (U) 使得 (A = UB)。

2.5 格的范数

设 (L) 是由矩阵 (A \in R^{\ell \times n}) 的行生成的格,(L) 的范数定义为 (|L| = \det(A A^T)^{1/2} \in R)。根据定理 13.3,该范数是良定义的,即与 (L) 的生成元选择无关。当 (\ell = n) 时,定义简化为 (|L| = |\det(A)|),几何上,(|L|) 是由 (a_1, \cdots, a_{\ell}) 张成的平行六面体的体积,通常记为 (vol(L))。对于 (\ell = n),哈达玛不等式表明 (|L| \leq \lVert a_1 \rVert \cdots \lVert a_n \rVert)。

2.6 示例

设 (\ell = n = 2),(a_1 = (12, 2)),(a_2 = (13, 4)),则 (L = Z a_1 + Z a_2)。该格的范数为:
[
|L| = \left| \det \begin{pmatrix} 12 & 2 \ 13 & 4 \end{pmatrix} \right| = 22
]
这等于平面 (R^2) 中灰色平行四边形的面积。同时,(22 \leq \lVert a_1 \rVert \cdot \lVert a_2 \rVert = 74\sqrt{5} \approx 165.469)。(L) 的另一个基为 (b_1 = (1, 2)) 和 (b_2 = (11, 0) = 2a_1 - a_2),且 (b_1) 是 (L) 中的“最短”向量,(22 \leq \lVert b_1 \rVert \cdot \lVert b_2 \rVert = 11\sqrt{5} \approx 24.597)。

2.7 连续极小值

设 (L \subset R^n) 是一个 (\ell) 维格,(1 \leq i \leq \ell),第 (i) 个连续极小值 (\lambda_i(L)) 是使得 (L) 中存在 (i) 个线性无关向量,且它们的长度都不超过 (\lambda_i(L)) 的最小实数。特别地,(\lambda_1(L)) 是 (L) 中非零最短向量的长度。若 (\lVert x \rVert = \lambda_1(L)),则称 (x) 为最短向量,且有 (\lambda_1(L) \leq \lambda_2(L) \leq \cdots \leq \lambda_n(L))。

2.8 闵可夫斯基定理

对于 (z \in R^n) 和 (r > 0),考虑以 (z) 为中心、半径为 (r) 的 (n) 维球 (B_n(z, r) = { x \in R^n : \lVert x - z \rVert \leq r })。闵可夫斯基的两个著名定理表明:
[
\lambda_1(L)^n \leq \lambda_1(L) \cdots \lambda_n(L) \leq \frac{2^n |L|}{vol(B_n(0, 1))}
]
进一步的估计可得:
[
\lambda_1(L)^n \leq \lambda_1(L) \cdots \lambda_n(L) \leq n^n |L|
]

2.9 最短向量问题

计算给定格中的最短向量是一个自然的问题,但在随机归约下,该问题是 NP - 难的,不存在高效算法。不过,对于许多应用来说,计算一个“合理短”的向量就足够了,这一问题可以通过著名的 Lenstra, Lenstra & Lovász(1982)格基约简算法(有时称为 LLL 或 L3 算法)在多项式时间内解决。该算法保证得到的“短向量”与最短向量的偏差不超过一个特定因子,这个因子取决于维度而非格本身。

3. 格基约简算法

3.1 格基约简的相关定理

3.1.1 定理 13.9

设 (L \subseteq R^n) 是一个格,基为 (b_1, \cdots, b_{\ell} \in R^n),Gram - Schmidt 正交基为 (b_1^ , \cdots, b_{\ell}^ \in R^n),连续极小值为 (\lambda_1(L), \cdots, \lambda_{\ell}(L))。则对于 (1 \leq i \leq \ell),有:
[
\min { \lVert b_i^ \rVert, \lVert b_{i + 1}^ \rVert, \cdots, \lVert b_{\ell}^* \rVert } \leq \lambda_i(L)
]

3.1.2 推论 13.10

设 (L \subseteq R^n) 是一个格,基为 ((b_1, \cdots, b_{\ell})),Gram - Schmidt 正交基为 ((b_1^ , \cdots, b_{\ell}^ ))。则对于任意非零 (x \in L),有:
[
\min { \lVert b_1^ \rVert, \cdots, \lVert b_{\ell}^ \rVert } \leq \lVert x \rVert
]

3.1.3 定义 13.11

设 (b_1, \cdots, b_{\ell} \in R^n) 线性无关,(b_1^ , \cdots, b_{\ell}^ ) 是对应的 Gram - Schmidt 正交基。则 (b_1, \cdots, b_{\ell}) 是约简基当且仅当对于 (1 \leq i < \ell),有 (\lVert b_i^ \rVert^2 \leq 2 \lVert b_{i + 1}^ \rVert^2)。

3.1.4 定理 13.12

设 (b_1, \cdots, b_{\ell} \in R^n) 是格 (L) 的约简基,则 (\lVert b_1 \rVert \leq 2^{(\ell - 1)/2} \cdot \lambda_1(L))。

3.2 基约简算法

3.2.1 算法描述

算法 13.13:基约简
- 输入 :线性无关的行向量 (a_1, \cdots, a_{\ell} \in Z^n)。
- 输出 :格 (L = \sum_{1\leq i\leq \ell} a_i Z \subseteq Z^n) 的约简基 (b_1, \cdots, b_{\ell})。
1. 对于 (i = 1, \cdots, \ell),执行 (b_i \leftarrow a_i)。
2. 计算 GSO (B^ \in Q^{\ell \times n}),(M \in Q^{\ell \times \ell}),如 (15.73) 和 (15.75) 所示。
3. (i \leftarrow 2)。
4. 当 (i \leq \ell) 时,执行步骤 5 - 10:
- 对于 (j = i - 1, i - 2, \cdots, 1),执行步骤 6 - 6:
- (b_i \leftarrow b_i - \lceil \mu_{ij} \rceil b_j),更新 GSO,[替换步骤]
- 若 (i > 1) 且 (\lVert b_{i - 1}^
\rVert^2 > 2 \lVert b_i^* \rVert^2),则:
- 交换 (b_{i - 1}) 和 (b_i) 并更新 GSO,[交换步骤]
- (i \leftarrow i - 1)。
- 否则 (i \leftarrow i + 1)。
5. 返回 (b_1, \cdots, b_{\ell})。

3.2.2 示例

以示例 13.5 继续,初始时 (b_1 = a_1 = (12, 2))(红色),(b_2 = a_2 = (13, 4))(蓝色)。算法执行过程如下表所示:
| step | (\begin{pmatrix} b_1 \ b_2 \end{pmatrix}) | (M) | (\begin{pmatrix} b_1^ \ b_2^ \end{pmatrix}) | action |
| — | — | — | — | — |
| 4 | (\begin{pmatrix} 12 & 2 \ 13 & 4 \end{pmatrix}) | (\begin{pmatrix} 1 & 0 \ \frac{41}{37} & 1 \end{pmatrix}) | (\begin{pmatrix} 12 \ 2 \ -\frac{11}{37} \ \frac{66}{37} \end{pmatrix}) | row 2 ← row 2 - row 1 |
| 5 | (\begin{pmatrix} 12 & 2 \ 1 & 2 \end{pmatrix}) | (\begin{pmatrix} 1 & 0 \ \frac{4}{37} & 1 \end{pmatrix}) | (\begin{pmatrix} 12 \ 2 \ -\frac{11}{37} \ \frac{66}{37} \end{pmatrix}) | exchange rows 1 and 2 |
| 4 | (\begin{pmatrix} 1 & 2 \ 12 & 2 \end{pmatrix}) | (\begin{pmatrix} 1 & 0 \ \frac{16}{5} & 1 \end{pmatrix}) | (\begin{pmatrix} 1 \ 2 \ \frac{44}{5} \ -\frac{22}{5} \end{pmatrix}) | row 2 ← row 2 - 3 · row 1 |
| 6 | (\begin{pmatrix} 1 \ 2 \ 9 & -4 \end{pmatrix}) | (\begin{pmatrix} 1 & 0 \ \frac{1}{5} & 1 \end{pmatrix}) | (\begin{pmatrix} 1 \ 2 \ \frac{44}{5} \ -\frac{22}{5} \end{pmatrix}) |

最终,算法返回约简基 (x = (1, 2)) 和 (y = (9, -4))。从图 13.3 可以清晰地看到,最终的 (b_1 = x)(绿色向量)比两个输入向量 (a_1, a_2) 短很多,并且计算得到的基 (x, y)(绿色和棕色向量)近乎正交。

通过以上内容,我们了解了密码学历史中的一些案例以及格理论的基本概念和基约简算法,这些知识在密码分析、安全归约和密码系统设计等方面都有着重要的应用。

4. 格理论在密码学中的应用

4.1 密码分析

格理论在密码分析中发挥了重要作用。在 20 世纪 80 年代,除 RSA 之外的第一代公钥密码系统——子集和系统,就被基于格理论的攻击所破解。对于许多新型密码系统,在设计时必须谨慎考虑潜在的基于格理论的攻击。以下是格理论用于密码分析的一般步骤:
1. 构建格 :将密码系统中的相关参数转化为格的形式,例如将加密方程或密钥信息表示为格的基向量。
2. 寻找短向量 :利用格基约简算法(如 LLL 算法)在构建的格中寻找短向量。这些短向量可能包含破解密码系统的关键信息。
3. 分析短向量 :对找到的短向量进行分析,尝试从中提取出与密码系统相关的有用信息,如密钥或明文。

4.2 安全归约

在密码学中,一个重要的问题是确定部分信息的安全性。例如,对于 Diffie - Hellman 密钥交换或 RSA 加密系统,即使整个系统是安全的,也不能确定其部分信息(如 Diffie - Hellman 密钥的前几位或 RSA 模数的素因子的部分信息)是否安全。格理论为解决这类问题提供了证明方法,具体步骤如下:
1. 定义问题 :明确要证明安全性的部分信息和相关的密码系统。
2. 构建格模型 :将密码系统和部分信息转化为格的形式,使得问题可以在格的框架下进行分析。
3. 利用格性质证明 :通过格的性质和相关定理,证明如果部分信息可以被破解,那么整个密码系统也将被破解,从而得出部分信息的安全性与整个系统的安全性等价。

4.3 密码系统设计

自 1996 年以来,格理论被用于设计具有特殊性质的密码系统。这些系统在一个硬度公理下被证明具有一个理想的性质:破解一个“平均实例”的难度与破解一个“最难实例”的难度相同。以下是基于格理论设计密码系统的一般流程:

graph LR
    A[定义格问题] --> B[选择合适的格参数]
    B --> C[设计加密和解密算法]
    C --> D[证明安全性]
    D --> E[实现密码系统]
  1. 定义格问题 :选择一个合适的格问题作为密码系统的基础,例如最短向量问题(SVP)或最近向量问题(CVP)。
  2. 选择合适的格参数 :确定格的维度、基向量等参数,使得密码系统既具有足够的安全性,又具有合理的计算效率。
  3. 设计加密和解密算法 :根据所选的格问题和参数,设计加密和解密的具体算法。
  4. 证明安全性 :利用格理论的相关定理和证明方法,证明密码系统在所选的格问题是困难的假设下是安全的。
  5. 实现密码系统 :将设计好的算法在计算机上实现,并进行性能测试和优化。

5. 总结与展望

5.1 总结

本文介绍了密码学历史中的一些经典案例,包括不同类型的密码系统、阿特伯里主教案和何塞·马蒂的密码使用。同时,详细阐述了格理论的基本概念,如格的定义、向量的范数、幺模矩阵与格的生成、格的范数、连续极小值和闵可夫斯基定理等。还介绍了格基约简算法(LLL 算法)及其相关定理,并通过具体示例展示了算法的执行过程。最后,探讨了格理论在密码分析、安全归约和密码系统设计中的应用。

5.2 展望

随着密码学和计算机科学的不断发展,格理论在密码学中的应用前景十分广阔。未来可能会有更多基于格理论的新型密码系统被提出,这些系统可能会在量子计算时代提供更强的安全性。同时,格基约简算法的效率和性能也有望得到进一步提升,以适应更复杂的密码分析和设计需求。此外,格理论与其他领域(如机器学习、通信技术等)的交叉融合也可能会产生新的研究方向和应用场景。

以下是一个总结格理论在密码学中应用的表格:
| 应用领域 | 作用 | 关键步骤 |
| — | — | — |
| 密码分析 | 破解密码系统 | 构建格、寻找短向量、分析短向量 |
| 安全归约 | 证明部分信息安全性 | 定义问题、构建格模型、利用格性质证明 |
| 密码系统设计 | 设计具有特殊性质的密码系统 | 定义格问题、选择格参数、设计算法、证明安全性、实现系统 |

通过深入研究格理论和其在密码学中的应用,我们可以更好地应对日益增长的信息安全挑战,为未来的信息社会提供更可靠的安全保障。

相关推荐

格理论和密码学(一)

最近在学格,这里开个坑,尽量实训期间搞完

shikaku_的博客 2133

密码学之DES算法

DES(Data Encryption Standard),即数据加密标准,是一种广泛使用的对称密钥加密算法。它是由IBM在20世纪70年代初期设计,并在1977年被美国国家标准局(NBS,现国家标准与技术研究院NIST)正式采纳为联邦信息处理标准(FIPS)。DES算法使用56位密钥对64位的数据块进行加密,产生64位的密文。其加密过程包括初始置换、16轮迭代的Feistel网络、以及最终的逆置换。

零度°C的博客 4416

50、格理论与密码学相关问题探讨

本博客深入探讨了格理论及其在密码学中的应用,涵盖了BDD问题、平滑参数、基约简算法、对偶格等核心概念。内容包括格理论的基础定理、相关密码学构造、基约简算法的实现与实验、子集和密码系统的原理与破解方法,以及多个与离散数学和密码分析相关的练习解析。博客还总结了格理论在现代密码学中的重要地位,并展望了其在未来量子计算和新兴技术中的应用潜力。

x2y3z4a5b的博客 131

45、密码学与格理论:从历史到现代应用

本博客探讨了密码学的发展历史与格理论在现代密码学中的应用。内容涵盖早期密码系统如格栅密码和列置换密码的案例分析,以及格理论的基础知识,包括格的定义、范数、正交性与连续极小值等。重点介绍了伦斯特拉-伦斯特拉-洛瓦兹(LLL)格基约简算法的原理、步骤及其在密码分析、安全证明和密码系统设计中的广泛应用。此外,还讨论了格理论与密码学的紧密联系及其未来发展前景。

x2y3z4a5b的博客 74

45、多元密码学算法解析

本文深入解析了多元密码学算法的基本原理和应用场景,包括Matsumoto-Imai、HFE、MQDSS、SFLASH和SWIFFT等经典算法,介绍了它们的加密解密步骤、安全性及性能特点。同时,文章分析了生日悖论与哈希碰撞的关系,并探讨了多元密码学算法在量子抗性、实际应用及未来发展趋势方面的表现。通过对比和决策流程图,帮助读者根据具体需求选择合适的算法。

pepsi的博客 161

45、多元密码学算法详解

本文深入探讨了多种重要的多元密码学算法,包括松本-今井(Matsumoto-Imai)、隐藏域方程(HFE)、多元二次数字签名(MQDSS)、SFLASH和SWIFFT算法。详细介绍了它们的原理、加密解密过程、安全性基础及应用场景,并分析了各算法的攻击方式与防御策略。文章还总结了这些算法在加密、数字签名和哈希等领域的适用性,展望了其在量子抗性密码学中的未来发展趋势,为信息安全研究提供了有价值的参考。

moss5的博客 122

45、密码学资源与案例剖析

本文详细介绍了密码学相关的学习资源,包括经典书籍和重要网站,并剖析了密码学领域中的十大失败案例,总结了劣质密码学方法(蛇油密码学)的识别迹象。通过分析失败原因和劣质方法特征,文章为密码学学习者和研究者提供了宝贵的经验教训,帮助大家更好地把握密码学的发展方向,避免陷入不安全的加密实践。

purple的博客 217

45、密码学:资源、失败案例与“蛇油”警示

本文探讨了密码学领域的重要主题,包括优质学习资源、历史上的十大失败案例以及‘蛇油’密码学的识别与警示。通过介绍经典书籍和权威网站,帮助读者深入学习密码学知识;分析了诸如Weak GSM加密、Clipper芯片等失败案例的原因与影响;并提出了识别‘蛇油’密码学的十大迹象,帮助读者避免伪科学的陷阱,提升信息安全防护能力。

stone的博客 150

10、公钥密码学中的数学概念解析

本文深入探讨了公钥密码学中的核心数学概念,涵盖数论基础、素数分布规律、光滑整数密度及扩展黎曼假设等重要主题,并通过详尽的证明与计算示例强化理解。同时系统介绍了多项式的基本性质及其在域扩展、因式分解和密码学中的应用,揭示了其与群论、环论和数论的深刻联系。文章还提供了丰富的练习题和未来研究方向,旨在构建完整的数学知识体系,为密码学理论与实践提供坚实支撑。

xgboost6farmer的博客 50

【信息科学与工程学】【安全领域】安全基础-第五篇04 计算理论基础与网络攻击算法

这个扩展表格继续深化了计算理论与网络安全、密码学的交叉,涵盖了代数拓扑、微分几何、表示论、代数几何、动力系统、随机矩阵、范畴论、同伦类型论、域理论、信息几何、K理论、稳定性理论、高阶代数、非交换几何、算术几何等多个前沿数学领域。这个扩展的表格体系进一步深化了计算理论与网络安全的交叉研究,涵盖了从范畴论、同伦类型论、代数几何、微分几何、代数拓扑、动力系统、随机矩阵理论、计算代数、计算数论、计算几何、符号计算到量子信息的广泛领域。这个全面的理论框架为网络安全的深入研究和创新发展提供了丰富的理论基础和思想源泉。

weixin_49199313的博客 1273

格理论与密码学

M=unidrnd(5,v); for i=1:6; A(find(A=0.5))=1; X=diag(A,0); M=triu(M-diag(diag(M))); M=M+X; if(mod(i,2)==0) C=M'*C; else C=M*C; end

格理论于密码学(周福才,徐剑)

这是一本介绍格理论和密码学的中文教程,主要内容有密码学基础,数学基础,格基本理论,格理论的在密码学的应用等,讲的浅显易懂,是不错的教程。

CSP-J第一道模拟题——贪心的小朋友

第一行是一个整数 n,表示糖果的堆数 第二行是由空格分隔的 n 个正整数,即数组 candies,表示每堆糖果的数量。后一个离场的小朋友所拿的糖果总堆数必须小于前一个小朋友(对第一个小朋友没有限制)后一个离场的小朋友所拿的糖果总量必须小于前一个小朋友(对第一个小朋友没有限制)这道题目很简单,但是必须删去无用的部分,看清题目,才能得分哦!输出一行共一个整数,表示最多可能有多少个小朋友吃上了美味的糖果。输出最多可能有多少个小朋友吃上了美味的糖果。离场之后的小朋友才能吃上美味的糖果。每个小朋友可以拿多堆糖果。

weixin_29959235的博客 640

基于IDEA与Mill构建Windows下的Chisel开发环境——香山处理器源码解析实战

本文详细指导如何在Windows系统下使用IDEA集成开发环境和Mill构建工具搭建Chisel开发环境,并以香山处理器源码为实战案例进行解析。内容涵盖环境准备、源码获取、工程构建、IDEA配置优化及代码阅读技巧,帮助开发者高效学习硬件设计语言。

a1b2c3d的博客 718

9 海康视觉平台VisionMaster 上手系列:典型案例之螺丝机案例

海康视觉平台VisionMaster 上手系列:典型案例之螺丝机案例 快速入门 工业机器视觉 机器视觉

HuangGong2022的博客 7181

YOLOv8改进002:添加小目标检测头(小目标检测大量涨点)

YOLOv8 目标检测算法改进之添加小目标检测头,亲测在小目标检测的数据集上有大幅度的涨点效果(mAP直接涨了 0.04 左右)。

m0_46496775的博客 9879

如何实现SOLIDWORKS阵列的“智能变更”?

有时,我们在设计一个零件时,零件上有一排阵列孔,同时零件有不同的长度,我们又希望可以做到零件长度改变时,这排孔可以按长度等距增减孔阵列的个数;或是零件长度加长或缩短时,这排孔保持个数不变,按零件长度增减孔距。 那具体要怎么做呢?接下来,我们一起来看看怎么用SOLIDWORKS中简单的操作来实现这两种智能的变更: 零件长度加长或缩短时,这排孔要按长度等距增减孔阵列的个数。 零件长度加长或缩短时,这排孔保持个数不变,按零件长度增减孔距。 那接下来,我们一起来看看怎么用简单的操作来实现这两种智能的

SOLIDWORKS艾金米 2080

Spring AI + RAG 构建电商智能客服:从 PDF 文档解析到精准问答的全链路实战

核心框架:向量数据库:- PostgreSQL + pgvector (生产推荐)- Redis Stack (轻量级方案)- ChromaDB (快速原型)文档解析:- Apache PDFBox: PDF 文本提取- Spring AI Document Readers: 结构化解析大模型:- 阿里云百炼 (DashScope)- 本地部署:Qwen/ChatGLM/*** 电商领域实体*/@Data@Builder@ToString/*** 商品类型。

一起修行,不孤单。这里有编程语言、开发工具、学习方法论和踩坑笔记。用简单的话说复杂的事,陪你从小白到进阶。周更干货,欢迎一起成长! 383

MINI PCIE接口设计要点:

3.3Vaux(5pins):3.3V电源。PERST#信号通过外接复位电路,可实现模块复位。模块可以通过硬件方式或软件方式关闭射频通信(不包括 GNSS)。LED_WWAN#:(O)漏极开漏,低有效。:(I)低激活系统禁止射频信号(飞行模式),因此需加上拉。UIM_PWR (1 pin):(O)UIM的电源输出。SMB_DATA:SMBus2.0数据信号线。UIM_VPP:(O)A类设备的可变电源电压。SMB_CLK:SMBus2.0时钟信号线。UIM_RESET:(O)UIM的复位信号。

qq_40010777的博客 8248

100天精通Python(爬虫篇)——第114天:爬虫基础模块之requests基础入门

一、request模块大总结 1. 下载安装 2. 常用属性或方法 3. response.text和response.content的区别: 4. 发送带headers参数请求 5. 发送带参数请求 6. 在headers参数中携带cookie 7. 超时参数timeout的使用 8. proxies代理参数的使用 9. 发送post请求...............

努力让自己发光,对的人才能迎着光而来 11万+

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

上一篇: 46、可扩展数据空间的主权云技术:数据管理与协作的新范式
下一篇: 7、嵌入式系统硬件选择与环境适配全解析
pluto
博客等级 码龄25年 46粉丝 1562原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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