一种高效的散列查询算法

散列函数在查询算法中起着重要作用,基于此的查询算法在理论上可达到常数级时间复杂度。提出了双次线性映射散列函数,和除留余数法、平方取中法、折叠法等常用的散列函数相比,该函数具有单调性,并在一定程度上消除了堆积现象;和线性散列函数相比,该函数具有受数据分布特性影响小,易推广的特点。通过该散列函数,一个待查元素可以在有序序列中被定位到离真实位置偏差很小的范围之内。基于此提出了一种高效的查询算法。     

双重hash函数的构造及查找性能分析

介绍了双重散列函数的构造方法；证明了其探测序列有Θ(m2)种并指出双重散列处理冲突时堆积很少产生；分析了双重散列函数的查找性能。     

整函数与其导函数分担值集的唯一性

运用正规族理论研究了整函数与其导函数分担值集的唯一性问题.当分担值集的元素个数为n+1(n≥2)个 时,得到整函数和它导函数的各种具体关系.     

基于IBFBP的IPv6路由查找算法

总结目前IPv6路由查找算法优缺点,提出了一种新的IPv6路由查找算法(IBFBP).该算法结合改进的布鲁姆过滤器(IBF)与BP神经网络,将IPv6不同长度网络ID作为IBF的输入,以关键字的特征标志创建标志库(LB)进行学习,提前判断是否发生误判.并且将位数组用counter计数数组来代替,支持可删除操作,进而进行BP神经网络学习过程.理论分析和实验结果表明:该算法比已有神经网络路由查找算法需要学习的条目数平均减少了1 500倍,还降低了误判率和搜索成本,提高了查找效率.     

输入隶属函数不均匀分布时典型模糊控制器的结构分析

针对两输入 (e,Δe)一输出 (u)的典型模糊控制器 ,输入隶属函数为三角形、全交迭、不均匀分布 ,输出隶属函数为单点、均匀分布 ,当采用线性控制规则和 Sum - Product推理方法时 ,证明了输出的解析表达式是一个全局的二维多值继电器与一个局部的线性 PD控制器的和。进而对最常用的输入变量各取 5个模糊集的情况进行了详细分析 ,并将理论结果应用于倒立摆的模型参考模糊自适应控制     

用te(L2(27))刻画L2(27)

令G为有限群,πe(G)为G的元素的阶的集合,k∈πe(G),mk表示G中k阶元的个数,τe(G)={mk|k∈πe(G)}.证明L2(27)可用τe(L2(27))加以刻画,换言之,当G为群且满足τe(G)=τe(L2(27))={1,16 383,16 256,341 376,1 040 256,682 752}时,有G■L2(27).     

m-序列的三阶相关函数及其峰值特性

针对m-序列的三阶相关函数(TCF)及其峰值特性进行了研究．由m-序列的平移相加性和二值自相关性可以推导出m-序列的三阶相关函数具有峰值特性．根据这一特性可以对m-序列进行识别，从而也为识别直接序列扩频(DS-SS)信号提供理论依据．仿真实验说明了TCF峰值的个数及位置与移位寄存器级数及反馈逻辑的关系。得出了一些有关生成m-序列及其检测的重要结论：①除末级外，网络中其他级参加反馈的个数为奇数时，有可能产生m-序列，而参加反馈级数的个数为偶数时，肯定不会产生m-序列；②m-序列一个周期内的TCF峰值个数为M-1。峰值位置具有对称性；移位寄存器的反馈逻辑不同，产生的m-序列的TCF峰值位置也不相同；③考虑加性白色高斯噪声情况下，如果取阈值R1=0．6，则当snr=5dB时，TCF峰值检测的正确率大于98％；而当snr=10dB时，检测的正确率为100％。     

基于Copula函数的Monte Carlo法求VaR

通过半参数法(CML)和拟合优度检验,确定了最优的Copula函数,并将所得的最优Copula函数采用蒙特卡罗模拟法,产生大量模拟的资产组合价值,然后在一个给定的置信度下,通过采用合适的资产收益分布的分位数来测定风险价值(VaR),并运用实证进行分析求解.     

复双曲等距群(U)(1,n；C)的元素的交换子

讨论群的性质时总是先研究群的元素的特点.利用(U)(1,n;C)群中元素在复双曲空间Hnc边界上的不动点的个数,决定元素分类的定义与矩阵的秩,讨论(U),(1,n;C)群中在复双曲空间Hnc边界上有一个公共不动点的两个元素的交换子的情形,得到(U)(1,n;C)中的两个椭圆元素恰好在(e)Hnc中只有一个公共不动点时,两椭圆元素的交换子是抛物元素等结论.     

输出隶属函数不均匀分布时典型模糊控制器的结构分析

针对两输入 (e,Δe)一输出 (Δu)的典型模糊控制器 ,其输入变量采用三角形、全交迭、均匀分布的隶属函数 ,输出变量采用不均匀分布的单点隶属函数 ,当采用线性控制规则和 Sum- Product推理方法时 ,推导了输出的解析表达式 ,分析了其结构特性和极限特性。进而对最常用的输入变量各取 5个模糊子集的情况进行了详细分析 ,研究了输出隶属函数参数对典型模糊控制器性能的影响 ,并将理论结果应用于倒立摆的模型参考模糊自适应控制     

Toffoli门可逆网络计数与级联

分析并证明了同型Toffoli门串联的输出结果与串联门个数之间的关系.为了保证串联过程收敛,给出了Toffoli门串联网络的计数,证明了可逆网络输入向量中Hamming重量的位向量个数与位向量位数之间的关系.提出了一种Toffoli门的串联、并联和混合级联网络的算法,并验证了该算法的有效性.     

一类同余方程解数的均值估计

对于给定的互素的整数 p和 q,以 T(e,n)表示方程 xe≡ 1 (mod pq)的解的个数 ,当整数 e在某个集合上变化时 ,给出了 1|A|∑e∈ Alog T(e,n)的上界估计 .     

解析函数级的性质研究

文章给出了解析函数和级的定义,并讨论了级的定义的选择问题.通过两个定理分析可知,在|z|1内的解析函数的级与|z|=1处奇点个数无关,而影响函数f(z)的级的关键在于奇点的类型.同时推广到在整个z平面上解析的整函数,给出了相应的级的定义,简介了它与|z|1内的解析函数的级的相似性质.     

散列排序算法

本文认为在排序算法中,决定每个数据在新序列中位置的是它的数值大小。基于这种思想,本文介绍了利用散列函数构造的一种算法复杂性为O(N)的排序算法。     

MLP神经网络定点计算及误差分析

通过Matlab仿真实现了MLP(multilayer perceptron)神经网络的硬件定点计算,其中用CORDIC算法实现神经元激活函数(tanh)的计算.分析了计算误差与MLP网络各个部分有限字长的关系,特别是双曲正切型激活函数的误差与CORDIC迭代时输入数据有限字长、中间数据保护位位数以及迭代次数之间的关系,为MLP神经网络计算的硬件算法流程和数据位字长的选择做必要准备.     

合成群列数较少的有限可解群

对于有限群G,记CS(G)和PS(G)分别为G的所有合成群列和主群列的集合,这两个集合中的元素个数∣CS(G) ∣和∣PS(G) ∣在一定程度上决定了G的结构.本文分别给出了∣CS(G) ∣=2,3时可解群G的结构和∣PS(G)∣=2,3时超可解群G的结构.     

多路平衡型矩阵Bloom Filter

海量数据的高效表示和查找成为目前存储系统面临的重要挑战.针对存储系统中大规模动态数据集的表示和查找效率问题,提出一种多路平衡型矩阵Bloom Filter结构(M-BMBF)及其插入和查询算法.M-BMBF根据数据集合大小建立一个r×m矩阵型Bloom Filter,设计多个定位哈希函数将该矩阵Bloom Filter分为多组(多路)以实现平衡插入和高效查询操作.为减缓Bloom Filter中比特的消耗速度,使用一种"最长位匹配"填充算法,新元素的插入将从多路备选Bloom Filter中选择新置为1比特个数最少的Bloom Filter中进行.实验结果表明,相较典型拆分Bloom Filter,M-BMBF能在维持算法消耗时间为常量的基础上,有效节省存储空间,降低误判率.     

HCl分子基态(X1Σ+)的平衡几何与势能函数

采用密度泛函理论的B3LYP方法和二次组态相互作用的QCISD和QCISD(T)等理论方法,在D95(d),6-311G(d,p)和6-311G(3df,3pd)基组下,对HCl分子基态的平衡结构、离解能和谐振频率进行了优化计算,利用QCISD/d95(d)对HCl分子的基态进行了单点能量扫描,并将扫描结果用正规方程组拟合Murrell-Sorbie势能函数.由拟合得到的势能函数,计算与X1Σ 态相应的光谱常数(Be、αe、ωe和ωeχe),其结果与实验符合得较好.     

7Li2分子A1Σ+u态的平衡几何、离解能及其谐振频率

利用分子反应静力学的原理,确定了7Li2分子A1Σ 态的离解极限;利用SAC-CI方法、使用6-311G、6-311 G、6-311G(3df,3pd)、6-311 G(3df,3pd)、D95(3df,3pd)、D95、D95V、D95V(d,p)、cc-PVTZ和AUG-cc-PVTZ等基组,对7Li2分子A1Σu 态的平衡几何进行了优化计算,且将计算结果与精细的单点能扫描结果进行了比较.分析表明,由单点能扫描获得的平衡核间距应更为合理.同时也得出了AUG-cc-PVTZ基组为最优基组的结论.在0.14~1.5 nm范围内对该态进行了单点能扫描,并用最小二乘法拟合出了其解析势能函数.从得到的解析势能函数出发,计算了该态的力常数(f2、f3和f4)及谐振频率(ωe),进而计算了其他光谱常数(Be,αe和ωeχe),理论值与实验结果一致.同时为便于分析和比较,对基态X1Σg 也进行了相应的计算.     

用τe(L2(25))刻画L2(25)

设G是一个群,πe(G)为G的元素的阶的集合.令τe(G)={mk k∈πe(G)},这里mk为G的k阶元的个数.我们证明了L2(25)可以用τe(L2(25))刻画.换言之,如果G是群,并且满足τe(G)=τe(L2(25))={1,1 023,992,4 960,15 840,9 920},那么G■L2(25).