期刊文献+
共找到5篇文章
< 1 >
每页显示 20 50 100
基于AC_QS多模式匹配算法的优化研究 被引量:4
1
作者 董志鑫 方滨兴 《智能计算机与应用》 2017年第5期100-103,共4页
随着互联网的日益强大,互联网上数据急剧增多,如何在海量的数据中快速准确地找到所需信息,就显得尤为重要,这就需要多模式串匹配算法。多模式串匹配算法在越来越多的领域里都有应用,比如:信息安全领域中,入侵检测系统、防火墙等,在医学... 随着互联网的日益强大,互联网上数据急剧增多,如何在海量的数据中快速准确地找到所需信息,就显得尤为重要,这就需要多模式串匹配算法。多模式串匹配算法在越来越多的领域里都有应用,比如:信息安全领域中,入侵检测系统、防火墙等,在医学领域、数据挖掘、信息检索等等领域中均有广泛的应用。AC算法在多模式串匹配算法中是一个能达到线性时间的算法,其算法效率较高,AC_QS算法是在AC算法基础上增加坏字符规则,进一步增加了AC算法的匹配效率,但其空间复杂度较高。本文在AC_QS算法的基础上,对算法预处理和匹配过程中继续优化,并对字典树存储时进行了优化,使算法在空间和时间复杂度上得到进一步优化,提高了算法性能。实验结果也验证了该算法的高效性。 展开更多
关键词 多模式 模式匹配 AC算法 qs算法
在线阅读 下载PDF
基于LR-GST变换的稳定层间Q值提取方法
2
作者 宋志华 安智谛 +2 位作者 王玉伟 凌勋 文晓涛 《成都理工大学学报(自然科学版)》 CAS CSCD 北大核心 2023年第4期479-485,共7页
为了解决常规谱比法不稳定及等效Q值储层识别精度低的问题,在基于Lucy-Richardson算法的广义S变换(LR-GST)的基础上,改进了谱比法计算Q值的公式,同时构建反演目标函数将等效Q值转换为层间Q值。结果表明:Q值求取精度与噪声比率、求取方... 为了解决常规谱比法不稳定及等效Q值储层识别精度低的问题,在基于Lucy-Richardson算法的广义S变换(LR-GST)的基础上,改进了谱比法计算Q值的公式,同时构建反演目标函数将等效Q值转换为层间Q值。结果表明:Q值求取精度与噪声比率、求取方法等因素有关,含噪比率不同每种方法的准确性也差异较大。通过合成数据及实际应用表明,本文方法的分辨率及聚集性更高,方法的稳定性更好,得到的Q值在含油气区域异常明显。 展开更多
关键词 品质因子 Lucy-Richardson算法广义s变换 谱比法 q值估计
在线阅读 下载PDF
基于Teager能量的地层Q值提取及储层流体识别 被引量:4
3
作者 段伟刚 郑静静 +1 位作者 王延光 刘浩杰 《地球物理学进展》 CSCD 北大核心 2016年第1期411-416,共6页
地震波在黏弹性介质中传播时,能量会出现明显的衰减异常,并且随频率变化而不同.因此,本文从Q值基本定义出发,提出了一种基于Teager主能量的Q值提取算法.该算法首先由广义S变换得到信号的时频谱,然后在时频域计算地震波的单频Teager-Kai... 地震波在黏弹性介质中传播时,能量会出现明显的衰减异常,并且随频率变化而不同.因此,本文从Q值基本定义出发,提出了一种基于Teager主能量的Q值提取算法.该算法首先由广义S变换得到信号的时频谱,然后在时频域计算地震波的单频Teager-Kaiser能量,并得到Teager-Kaiser主能量,最后计算抽样波长距离内的相对衰减量,得到衰减拟Q值,实现油、气、水层的有效表征.该方法将能量属性与储层定性表征联系在一起,为储层预测提供了一种新思路,实际数据的应用效果表明该方法可以有效的区分油、水层. 展开更多
关键词 Teager-Kaiser能量 吸收衰减 广义s变换 q值提取 储层流体识别
原文传递
一种AES算法中S盒和逆S盒替换的表达式方法 被引量:7
4
作者 覃晓草 李树国 《微电子学与计算机》 CSCD 北大核心 2014年第1期112-115,共4页
S盒替换与逆S盒替换是AES算法性能的主要瓶颈,它直接影响AES芯片的运算速度.在优化Q-M化简法基础上,提出了一种实现AES算法中S盒替换和逆S盒替换的表达式方法,这种表达式方法相比于普遍使用的查表法,其延时减小了8.5%,面积减小了27.4%,... S盒替换与逆S盒替换是AES算法性能的主要瓶颈,它直接影响AES芯片的运算速度.在优化Q-M化简法基础上,提出了一种实现AES算法中S盒替换和逆S盒替换的表达式方法,这种表达式方法相比于普遍使用的查表法,其延时减小了8.5%,面积减小了27.4%,功耗减小了17%. 展开更多
关键词 AEs算法 s盒替换 s盒替换 q—M化简法 表达式方法
在线阅读 下载PDF
并行强化学习算法及其应用研究 被引量:7
5
作者 孟伟 韩学东 《计算机工程与应用》 CSCD 北大核心 2009年第34期25-28,52,共5页
强化学习是一种重要的机器学习方法,然而在实际应用中,收敛速度缓慢是其主要不足之一。为了提高强化学习的效率,提出了一种并行强化学习算法。多个同时学习,在各自学习一定周期后,利用D-S证据利用对学习结果进行融合,然后在融合结果的... 强化学习是一种重要的机器学习方法,然而在实际应用中,收敛速度缓慢是其主要不足之一。为了提高强化学习的效率,提出了一种并行强化学习算法。多个同时学习,在各自学习一定周期后,利用D-S证据利用对学习结果进行融合,然后在融合结果的基础上,各进行下一周期的学习,从而实现提高整个系统学习效率的目的。实验结果表明了该方法的可行性和有效性。 展开更多
关键词 并行算法 强化学习 q-学习 D—s证据理论 路径规划
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部