Ship Target Recognition Based on Highly Efficient Scalable Improved Residual Structure Neural Network
-
摘要: 神经网络的深度在一定范围内与识别效果成正相关,为解决超出范围后网络层数增加识别准确率却下降的模型饱和问题,该文提出一种具有高效的微块内部结构和残差网络结构的神经网络模型,用于对舰船目标基于高分辨距离像的分类识别。该方法利用具有小尺度卷积核的卷积模块提取目标的稳定可分特征,同时利用联合损失函数约束目标特征的类内距离提高识别能力。仿真结果表明,该模型相比于其他常见网络结构,在模型参数更少的情况下,识别效果更好,同时具有较强的噪声鲁棒性。Abstract: The depth of neural network is positively correlated with the recognition effect in a certain range. In order to solve the problem that model recognition accuracy decreases when the number of network layers increases after exceeding the range. A neural network model with efficient micro internal blocks structure and residual network structure is proposed, which is used for recognition of ship targets based on High Range Resolution Profile (HRRP) data. In this method, the convolution module with a small scale convolution kernel is used to extract automatically the stable and separable features of target. And the intra-class distance of the target is constrained by the joint loss function to improve the recognition ability. Simulation results show that compared with other common network structures, this model has better recognition performance and stronger noise robustness with fewer model parameters.
-
1. 引言
众所周知,密码函数是序列密码和分组密码中一个重要的密码变换环节,在密码系统的设计中起着举足轻重的作用。为了能够有效抵抗各种密码攻击,密码函数应当具有良好的密码学性质。不同的密码系统侧重的密码学性质不同,但非线性度和弹性阶是两个必须要考虑的性质。Maitra和Sarkar在文献[1]中指出,非线性度和弹性阶相互制约。只有Plateaued函数[2]能达到两者最好的折中。Plateaued函数是包含Bent函数[3]和部分Bent函数[4]的更大的函数类,可具有高非线性度、一定的弹性阶、良好的传播特性,而且可以不具有非零的线性结构,是一类密码学性质优良的函数类。因此,对Plateaued函数构造方法的研究成为一个十分必要的研究课题。
密码函数的构造方法主要分两类:直接构造方法和二次构造方法。关于Plateaued函数直接构造方法的研究成果较少,大多由Bent函数的构造方法推广得来,其中Bent函数两种主要的直接构造方法为文献[5]和文献[6]。之后文献[7]扩展了文献[6]中的构造方法,提出了一种关于Plateaued函数的新的直接构造方法。对于Plateaued函数的其他直接构造方法,可参考文献[8–10]。函数的二次构造方法对于改良函数某些特定的密码学性质具有极其重要的意义,文献[11]推广了间接和(indirect sum)的概念,提出了一种Plateaued函数的二次构造方法;文献[12]通过级联两个Bent函数,给出了一种具有高非线性度且无线性结构的Plateaued函数的构造方法;文献[13]通过固定Bent函数某个变元的值,将一个Bent函数分解为两个Plateaued函数,并利用函数的间接和,给出了一种Plateaued函数二次构造方法。对于Plateaued函数的其他二次构造方法,可参考文献[14–16]。
本文主要对Plateaued函数的直接构造方法进行研究,并分析其相关密码学性质。
2. 预备知识
本文用
F2 表示二元域,Fn2 表示F2 上的n 维向量空间。n 元布尔函数为Fn2 到F2 的映射,用Bn 表示所有n 元布尔函数构成的集合。实数上的加法运算记为+ 和Σi ,二元域上的加法运算记为⊕ 和⊕i 。任意f∈Bn 均可由其代数标准型唯一表示,即f(x)=f(x1,x2,···,xn)=⊕u∈Fn2λu(n∏i=1xuii) 其中,
λu∈F2 。函数f(x) 的代数次数记为deg(f) ,且deg(f)=maxu∈Fn2{wt(u):λu≠0} 其中,
wt(u) 为向量u 的汉明重量。当deg(f)=1 时,称f(x) 为仿射函数,用An 表示n 元仿射函数构成的集合,特别地,当λ0=0 时,称f(x) 为线性函数,用Ln 表示n 元仿射函数构成的集合。函数
f∈Bn 在ω∈Fn2 点的Walsh谱为Wf(ω)=∑x∈Fn2(−1)f(x)⊕ω⋅x 其中,
ω⋅x 为二者的点积。f(x) 的Walsh谱满足能量守恒定理,即∑ω∈Fn2Wf(ω)2=22n f(x) 的非线性度Nf 与其Walsh谱之间满足关系:Nf=2n−1−12maxω∈Fn2|Wf(ω)| 由能量守恒定理可知,
Nf≤2n−1−2n/2−1 ,称非线性度为2n−1−2n/2−1 的n 元布尔函数为Bent函数,显然,n 必为偶数。定义1[2] 设
f∈Bn ,如果存在一个偶数r ,使得#{ω∈Fn2:Wf(ω)≠0}=2r 且对任意的
ω∈Fn2 ,Wf(ω)=0 或±2n−r/2 ,则称f(x) 为r 阶Plateaued函数。设
f∈Bn ,则f(x) 为m 阶弹性函数的充要条件为对任意的ω∈Fn2 ,0≤wt(ω)≤m ,有Wf(ω)=0 。定义2[17] 设
f∈Bn 为2次函数,则其双线性函数定义为Bf(x,y)=f(0)⊕f(x)⊕f(y)⊕f(x⊕y) 其根空间
rad(f) 定义为rad(f)={x∈Fn2:∀y∈Fn2,Bf(x,y)=0} 下面引理1给出了2次函数Walsh谱与其根空间之间的关系。
引理1[17]2次函数
f∈Bn 的Walsh谱分布由其根空间rad(f) 的维数t 唯一确定,如表1所示。表 1 谱值与根空间维数的关系Wf(ω) ω的个数 0 2n−2n−t 2(n+t)/2 2n−t−1+(−1)f(0)2(n−t−2)/2 −2(n+t)/2 2n−t−1−(−1)f(0)2(n−t−2)/2 下面介绍几类关于Plateaued函数的函数结构。
定义3[7] 设
n=r+s ,r 和s 为任意正整数,ϕ 为Fs2 到Fr2 的一个映射,g 为Fs2 上的布尔函数,则Maiorana-McFarland型函数定义为fMM(x,y)=x⋅ϕ(y)⊕g(y) (1) 其中,
x∈Fr2,y∈Fs2 。简记该函数结构为MM型。下面引理2给出其构成Plateaued函数的充分条件。
引理2[7] 令
fMM∈Bn 为MM型函数,则(1)若映射
ϕ 为单射,则fMM(x,y) 为2s 阶Plateaued函数;(2)若映射
ϕ 为2对1映射,则fMM(x,y) 为2s−2 阶Plateaued函数。文献[10]中利用级联函数真值表的方法,给出了一种Plateaued函数的直接构造方法,该方法描述如下:
令
t 和k 为正整数且k<2t<2k ,E⊆Fk2 ,#E=2t 且Fk2 上任意非零线性函数限制在E 上不为常数。对任意的ei∈E ,令γi 为线性函数x⋅ei 的真值表,则以γ0γ1···γ2t−1 为真值表的函数f∈Bk+t 为2t 阶Plateaued函数。该构造方法已被证明属于MM型函数结构[9],即本质为仿射函数的级联,而仿射函数是一类性质较弱的函数,为了弥补该缺点,下面介绍两种级联2次函数的函数结构。
定义4[8] 令
n 和r 为任意正整数,且r<n ,t=⌊r/2⌋ ,s=n−r 。令ψ 为Fs2 到Ft2 的一个映射,ψ1,ψ2,···,ψt 为其坐标函数,令ϕ 为Fs2 到Fr2 的一个映射,ϕ1,ϕ2,···,ϕr 为其坐标函数,g 为Fs2 上的布尔函数,定义fMD(x,y)=⊕ti=1x2i−1x2iψi(y)⊕x⋅ϕ(y)⊕g(y) (2) 其中,
x∈Fr2,y∈Fs2 。简记该函数结构为MD型。显然,当ψ 为零映射时,MM型函数与MD型函数相同。引理3[8] 令
fMD∈Bn 为MD型函数,对任意的a∈Fr2 ,定义集合Ea={{y∈Fs2:∀i≤t,ψi(y)=a2i−1⇒ϕ2i−1(y)=a2i−1,ϕ2i(y)=a2i},r为偶数{y∈Fs2:∀i≤t,ψi(y)=a2i−1⇒ϕ2i−1(y)=a2i−1,ϕ2i(y)=a2i;ϕr(y)s=ar},r为奇数 若对任意的
y∈Fs2 ,ψ(y) 的汉明重量为r0 ,则(1)若对任意的
a∈Fr2 ,#Ea=0 或1 ,则fMD(x,y) 为2(s+r0) 阶Plateaued函数;(2)若对任意的
a∈Fr2 ,#Ea=0 或2 ,则fMD(x,y) 为2(s+r0−1) 阶Plateaued函数。定义5[9] 设
n=r+s ,r 和s 为任意正整数,ϕ1,ϕ2,ϕ3 是Fs2 到Fr2 的3个映射,g 为Fs2 上的布尔函数,定义fQ(x,y)=(x⋅ϕ1(y))(x⋅ϕ2(y))⊕x⋅ϕ3(y)⊕g(y) (3) 其中,
x∈Fr2,y∈Fs2 。简记该函数结构为Q型。以下引理给出了Q型函数构成Plateaued函数的充分条件。引理4[9] 令
fQ(x,y)∈Bn 为Q型函数,且对任意的y∈Fs2 ,向量ϕ1(y) 和ϕ2(y) 线性无关。若当y 遍历Fs2 时,ϕ3(y)+<ϕ1(y),ϕ2(y)> 中的元素两两不相等,则函数fQ(x,y) 为2s+2 阶Plateaued函数。引理5[9]令
fQ(x,y)∈Bn 为Q型函数,且对任意的y∈Fs2 ,ϕ2(y)≠0 。定义以下两个集合:Fa′={y∈Fs2:ϕ1(y)与ϕ2(y)线性无关;a∈ϕ3(y)+<ϕ1(y),ϕ2(y)>} Fa″ 若对任意的
{{a}} \in F_2^r ,\# {F_{{a}}}^\prime + 2\# {F_{{a}}}'' = 0 或2,则函数{f_{\rm{Q}}}({{x}},{{y}}) 是2s 阶Plateaued函数。3. 新型Plateaued函数结构
MM型函数采用级联仿射函数的方式,MD型和Q型函数采用级联特定形式的2次函数的方式,这3类函数结构的Walsh谱均易于计算。本节给出一种级联一般形式2次函数的函数结构,其谱值也易于计算。
令
{{A}} = {({a_{ij}})_{nn}},{{B}} = {({b_{ij}})_{nn}},{{C}} = {({c_{ij}})_{nn}}, ·\!·\!· 表示矩阵,{\varOmega _t} 为所有t 阶上三角矩阵构成的集合。对任意的2次函数f \in {{ B}_n} 且f({{0}}) = 0 ,其代数标准型为f({{x}}) = \mathop \oplus \limits_{i = 1}^n {\alpha _i}{x_i} \oplus \mathop \oplus \limits_{1 \le i < j \le n} {\alpha _{i,j}}{x_i}{x_j} 也可将其表示为
f({{x}}) = ({x_1},{x_2}, ·\!·\!· ,{x_n}){{A}}{({x_1},{x_2}, ·\!·\!· ,{x_n})^{\rm{T}}} (4) 其中,
{{A}} \in {\varOmega _n} ,{a_{ii}} = {\alpha _i} ,{a_{ij}} = {\alpha _{i,j}} 。通过级联式(4)中的2次函数,给出下面的函数结构,记为TF型函数结构。
定义6 设
n = r + s ,r 和s 为任意正整数,则TF型函数定义为{f_{\zeta ,g}}({{x}},{{y}}) = {{x}}\zeta ({{y}}){{{x}}^{\rm{T}}} \oplus g({{y}}) (5) 其中,
{{x}} \in F_2^r,{{y}} \in F_2^s ,\zeta 为F_2^s 到集合{\varOmega _r} 的一个映射,g 为F_2^s 上的布尔函数。下面给出TF型函数的谱值计算定理。
定理1 令
{f_{\zeta ,g}} \in {{B}_n} 为TF型函数,对任意的{{x}} \!\in\! F_2^r,{{y}} \!\in\! F_2^s ,令\zeta ({{y}}) \!=\! {A_{{y}}} \in {\varOmega _r} ,{h_{{y}}}({{x}}) \!=\! {{x}}{{{A}}_{{y}}}{{{x}}^{\rm{T}}} ,则对任意的({{a}},{{b}}) \in F_2^r \times F_2^s ,有{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) = \sum\limits_{{{y}} \in F_2^s} {{\xi _{{a},\zeta }}({{y}}){2^{(2r - R({{{A}}_{{y}}} \oplus {{A}}_{{y}}^{\rm{T}}))/2}}{{( - 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} 其中,
R({{A}} \oplus {{{A}}^{\rm{T}}}) 表示矩阵{{A}} \oplus {{{A}}^{\rm{T}}} 的秩,{\xi _{{{a}},\zeta }} 为F_2^s 到\{ 0,1, - 1\} 的一个映射:{\xi _{{{a}},\zeta }}({{y}}) = \left\{ {\begin{aligned}& {0,\quad\quad{W_{{h_y}}}({{a}}) = 0} \\ & {1,\quad\quad{W_{{h_y}}}({{a}}) > 0} \\ & { - 1, \quad{W_{{h_y}}}({{a}}) < 0} \end{aligned}} \right. 证明 由定义2,函数
{h_{{y}}}({{x}}) 的双线性函数为\begin{align} {B_{{h_y}}}({{x}},z) =& {h_y}({{0}}) \oplus {h_{{y}}}({{x}}) \oplus {h_{{y}}}({z}) \oplus {h_{{y}}}({x} \oplus {z}) \\ = &\!0 \!\oplus\! {{x}}{{{A}}_{{y}}}{{{x}}^{\rm{T}}} \!\oplus\! {z}{{{A}}_{{y}}}{{z}^{\rm{T}}} \!\oplus\! ({{x}} \!\oplus\! {z}){{{A}}_{{y}}}{({x} \!\oplus\! {z})^{\rm{T}}} \\ =& {{x}}({{{A}}_{{y}}} \oplus {{A}}_{{y}}^{\rm{T}}){{z}^{\rm{T}}} \\ \end{align} 其根空间为
\begin{align} {\rm{rad}}({h_{{y}}}) = &\{ {{x}} \in F_2^r:\forall {z} \in F_2^r,{B_{{h_{{y}}}}}({{x}},{z}) = 0\} \\= &\{ {{x}} \in F_2^r:\forall {z} \in F_2^r,{{x}}({{{A}}_{{y}}} \oplus {{A}}_{{y}}^{\rm{T}}){{z}^{\rm{T}}} = 0\} \\ = &\{ {{x}} \in F_2^r:{{x}}({{{A}}_{{y}}} \oplus {A}_y^{\rm{T}}) = {0}\} \\ \end{align} 故
{\rm{rad}}({h_{{y}}}) 的维数为r - R({{A}} \oplus {{{A}}^{\rm{T}}}) 。由引理1及映射
{\xi _{{a},\zeta }} 的定义,对任意的({{a}},{{b}}) \in F_2^r \times F_2^s ,有\begin{align} {W_{{f_{\zeta ,g}}}}({{a}},{{b}}) &= \sum\limits_{{{x}} \in F_2^r,{{y}} \in F_2^s} {{{( - 1)}^{{f_{\zeta ,g}}({{x}},{{y}}) \oplus {{a}} \cdot {{x}} \oplus {{b}} \cdot {{y}}}}} \\ &= \sum\limits_{{{y}} \in F_2^s} {{{( - 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} \sum\limits_{x \in F_2^r} {{{( - 1)}^{{{x}}\zeta ({{y}}){{{x}}^{\rm{T}}} \oplus {{a}} \cdot {{x}}}}} \\ &=\!\! \sum\limits_{{{y}} \in F_2^s} \!\!{{\xi _{{{a}},\zeta }}({{y}}){2^{(r + (r - R({{{A}}_{{y}}} \oplus {{A}}_{{y}}^{\rm{T}})))/2}}\!{{( -\! 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} \\& = \sum\limits_{{{y}} \in F_2^s} {{\xi _{{{a}},\zeta }}({{y}}){2^{(2r - R({{{A}}_{{y}}} \oplus {{A}}_{{y}}^{\rm{T}}))/2}}{{( - 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} \end{align} 证毕
由此给出Plateaued函数的构造定理。
定理2 令
{f_{\zeta ,g}} \in {{B}_n} 为TF型函数,假定对任意的{{y}} \in F_2^s ,R({{{A}}_{{y}}} \oplus {{A}}_{{y}}^{\rm{T}}) 保持不变,记为{t_0} 。定义集合{F_{{a}}} = \{ {{y}} \in F_2^s:{\xi _{{{a}},\zeta }}({{y}}) \ne 0\} ,\ {{a}} \in F_2^r 则
(1) 若对任意的
{{a}} \in F_2^r ,\# {F_{{a}}} = 0 或1,则函数{f_{\zeta ,g}}({{x}},{{y}}) 是2s + {t_0} 阶Plateaued函数;(2) 若对任意的
{{a}} \in F_2^r ,\# {F_{{a}}} = 0 或2,则函数{f_{\zeta ,g}}({{x}},{{y}}) 是2s + {t_0} - 2 阶Plateaued函数。证明 由于对任意的
{{y}} \in F_2^s ,R({{{A}}_{{y}}} \oplus {{A}}_{{y}}^{\rm{T}}) 保持不变,则由定理1可知,对任意的({{a}},{{b}}) \in F_2^r \times F_2^s ,有\begin{align} {W_{{f_{\zeta ,g}}}}({{a}},{{b}}) = &\sum\limits_{{{y}} \in F_2^s} {{\xi _{{{a}},\zeta }}({{y}}){2^{(2r - R({{{A}}_{{y}}} \oplus {A}_y^{\rm{T}}))/2}}{{( - 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} \\ =& {2^{r - {t_0}/2}}\sum\limits_{{{y}} \in F_2^s} {{\xi _{{{a}},\zeta }}({{y}}){{( - 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} \\ \end{align} 若对任意的
{{a}} \in F_2^r ,\# {F_{{a}}} = 0 或1,则{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) 为0或\pm {( - 1)^{g({{y}}) \oplus {{b}} \cdot {{y}}}}{2^{r - {t_0}/2}} = \pm {2^{r - {t_0}/2}} ,即{f_{\zeta ,g}}({{x}},{{y}}) 是2s + {t_0} 阶Plateaued函数。同理可证条件(2)。 证毕
注1 由定理1及定理2可知,当对任意的
{{a}} \in F_2^r ,\# {F_{{a}}} = 0 或1成立时,有\begin{align}& \sum\limits_{{{a}} \in F_2^r,{{y}} \in F_2^s} {W_{{h_{{y}}}}^2({{a}}) \le {2^{3r - {t_0}}}} \\& \sum\limits_{{{a}} \in F_2^r,{{b}} \in F_2^s} {W_f^2({{a}},{{b}}) \le {2^{3r + s - {t_0}}}} \end{align} 由能量守恒定理可知,
{2^{s + 2r}} \le {2^{3r - {t_0}}},\ {2^{2s + 2r}} \le {2^{3r + s - {t_0}}} 由此可知,
s \le r - {t_0} 。同理可得,当对任意的{{a}} \in F_2^r ,\# {F_{{a}}} = 0 或2成立时,有s \le r - {t_0} + 2 。以下记满足条件(1)的函数为
{\rm{T}}{{\rm{F}}_{\rm{1}}} 型Plateaued函数,满足条件(2)的函数为{\rm{T}}{{\rm{F}}_2} 型Plateaued函数。由非线性度和谱值之间的关系可知,
{\rm{T}}{{\rm{F}}_{\rm{1}}} 型Plateaued函数的非线性度为{2^{n - 1}} - {2^{(2r - {t_0})/2 - 1}} ;{\rm{T}}{{\rm{F}}_2} 型Plateaued函数的非线性度为{2^{n - 1}} - {2^{(2r - {t_0})/2}} 。由于TF型Plateaued函数本质为级联一般形式的2次函数,故其代数次数
\le s + 2 。下面两个定理分别研究了
{\rm{T}}{{\rm{F}}_{\rm{1}}} 型和{\rm{T}}{{\rm{F}}_2} 型Plateaued函数的弹性阶。定理3 令
{f_{\zeta ,g}} \in {{B}_n} 为{\rm{T}}{{\rm{F}}_{\rm{1}}} 型Plateaued函数,集合D = \{ {{a}} \in F_2^r: {{存在}}{{y}} \in F_2^s {{使得}}{\xi _{a,\zeta }}({{y}}) \ne 0\} 整数
k 为集合D 中元素汉明重量的最小值,则函数{f_{\zeta ,g}} 的弹性阶为k - 1 且k \le \max \left\{ t \in N:\sum\limits_{i = 0}^t {\left( {\begin{array}{*{20}{c}} r \\ i \end{array}} \right)} \le {2^r} - \# D \right\} + 1 证明 由
{f_{\zeta ,g}} \in {{B}_n} 为{\rm{T}}{{\rm{F}}_{\rm{1}}} 型Plateaued函数,故对任意的{{a}} \in F_2^r ,\# {F_{{a}}} = 0 或1。由集合D 的定义可知,函数{f_{\zeta ,g}} 的弹性阶\le k - 1 。由定理1和定理2,对任意的({{a}},{{b}}) \in F_2^r \times F_2^s ,{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) = \pm {2^{r - {t_0}/2}} 当且仅当{{a}} \in D 。若wt({{a}},{{b}}) \le k - 1 ,则wt({{a}}) \le k - 1 ,从而{{a}} \notin D ,故{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) = 0 ,从而函数{f_{\zeta ,g}} 的弹性阶\ \ge k - 1 。因此,函数
{f_{\zeta ,g}} 的弹性阶为k - 1 。由集合
D 和整数k 的定义,汉明重量\le k - 1 的向量在集合{D^c} 中,故有\sum\limits_{i = 0}^{k - 1} {\left( {\begin{array}{*{20}{c}} r \\ i \end{array}} \right)} \le {2^r} - \# D 由此得到
k \le \max \{ t \in N:\sum\limits_{i = 0}^t {\left( {\begin{array}{*{20}{c}} r \\ i \end{array}} \right)} \le {2^r} - \# D\} + 1 证毕
定理4 令
{f_{\zeta ,g}} \in {{B}_n} 为{\rm{T}}{{\rm{F}}_2} 型Plateaued函数,集合D 和整数k 如定理3中定义,则函数{f_{\zeta ,g}} 的弹性阶为k 或k - 1 且k \le \max \left\{ t \in N:\sum\limits_{i = 0}^t {\left( {\begin{array}{*{20}{c}} r \\ i \end{array}} \right)} \le {2^r} - \# D\right\} + 1 证明 由定理1和定理2可知,对任意的
({{a}},{{b}}) \in F_2^r \times F_2^s ,{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) = \pm {2^{r + 1 - {t_0}/2}} 当且仅当{{a}} \in D 。若wt({{a}},{{b}}) \le k - 1 ,则wt({{a}}) \le k - 1 ,从而{{a}} \notin D ,故{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) = 0 。由此可知,函数{f_{\zeta ,g}} 的弹性阶\ge k - 1 。取
{{a}} \in D 且wt({{a}}) = k ,令{{{y}}_1},{{{y}}_2} \in F_2^s 且{\xi _{{{a}},\zeta }}({{{y}}_1}) \ne 0 ,{ {ξ}_{{a},\zeta }}({{{y}}_2}) \ne 0 。由定理1,对任意的{{b}} \in F_2^s ,限制在\{ {a}\} \times F_2^s 上的谱值为以下二者之一:\begin{align} \frac{1}{{{2^{r - {t_0}/2}}}}{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) =& \pm [{( - 1)^{g({{{y}}_1}) \oplus {{b}} \cdot {{{y}}_1}}}\! - {( - 1)^{g({{{y}}_2}) \oplus {{b}} \cdot {{y}_2}}}] \\ =& \pm 2[{{b}} \cdot ({{{y}}_1} \!\oplus\! {{{y}}_2}) \!\oplus\! g({{{y}}_1}) \!\oplus\! g({{{y}}_2})] \\ \frac{1}{{{2^{r - {t_0}/2}}}}{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) =& \pm [{( - 1)^{g({{{y}}_1}) \oplus {{b}} \cdot {{{y}}_1}}} + {( - 1)^{g({{{y}}_2}) \oplus {{b}} \cdot {{{y}}_2}}}]\\ = \pm 2 & [{{b}} \cdot ({{{y}}_1} \!\oplus\! {{y}_2}) \!\oplus\! g({{{y}}_1}) \oplus g({{{y}}_2}) \!\oplus\! 1] \end{align} 当向量
{{y}_1} \ne {{y}_2} 时,线性函数{b} \cdot ({{{y}}_1} \oplus {{{y}}_2}) 在集合\{ {{b}} \in F_2^s:wt({{b}}) \le 1\} 上的取值不为常值,从而总存在{{b}} \in F_2^s ,wt({{b}}) \le 1 ,使得{W_{{f_{\zeta ,g}}}}({{a}},{{b}}) \ne 0 ,从而函数{f_{\zeta ,g}} 的弹性阶< k + 1 。因此,函数
{f_{\zeta ,g}} 的弹性阶为k 或k - 1 。整数k 界的证明与定理3相同,这里不再赘述。 证毕4. 各类函数结构之间的包含关系
第2节已经说明文献[10]中的函数类可归约到MM型函数,而MM型函数又可归约到MD型函数。本节证明MD型Plateaued函数和Q型Plateaued函数都可归约到TF型Plateaued函数。
首先,给出MD型Plateaued函数的归约证明。定义集合
\begin{align}\varOmega _r^{{\rm{MD}}} =& \{ {{A}} \in {\varOmega _r}:{a_{(2i - 1)(2i)}},{a_{jj}} \in {F_2}, \\ &1 \le i \le t,1 \le j \le r;{{其余}}{a_{ij}} = 0\} \end{align} 其中,
t = \left\lfloor {r/2} \right\rfloor ,令{\zeta _{{\rm{MD}}}} 为F_2^s 到\varOmega _r^{{\rm{MD}}} 的映射,则函数{f_{{\zeta _{{\rm{MD}}}},g}}({{x}},{{y}}) = {{x}}{\zeta _{{\rm{MD}}}}({{y}}){{{x}}^{\rm{T}}} \oplus g({y}) 即为MD型函数。定理5 令函数
{f_{{\rm{MD}}}} \in {{ B}_n} 为MD型函数。若对任意的{{y}} \in F_2^s ,\psi ({{y}}) 的汉明重量为常数{r_0} ,则对任意的{{A}} \in \varOmega _r^{{\rm{MD}}} ,R({{A}} \oplus {{{A}}^{\rm{T}}}) = 2{r_0} 。证明 由于仿射函数的双线性函数恒为零函数,这里只考虑映射
\psi 。若对任意的
{{y}} \in F_2^s ,\psi ({{y}}) 的汉明重量为{r_0} ,则向量({\psi _1}({{y}}),{\psi _2}({{y}}), ·\!·\!·, {\psi _t}({{y}})) 中1的个数为{r_0} ,即集合\{ {a_{12}},{a_{34}}, \cdots ,{a_{(2t - 1)(2t)}}\} 中1的个数为{r_0} 。当
{r_0} 为偶数时,矩阵{{A}} \oplus {{{A}}^{\rm{T}}} 为其中,
{a_{12}} = {a_{21}}, ·\!·\!· ,{a_{(r - 1)(r)}} = {a_{(r)(r - 1)}} 。显然,此时有R({{A}} \oplus {{{A}}^{\rm{T}}}) = 2{r_0} 。同理可证{r_0} 为奇数时的情况。 证毕定理6 MD型Plateaued函数可归约到TF型Plateaued函数。
证明 对任意的
({{a}},{{b}}) \in F_2^r \times F_2^s ,函数{f_{{\rm{MD}}}} 在该点的Walsh谱为{W_{{f_{{\rm{MD}}}}}}({{a}},{{b}}) \\=\sum\limits_{{{y}} \in F_2^s} {\sum\limits_{{{x}} \in F_2^r} {{{( - 1)}^{ \oplus _{i = 1}^t{{{x}}_{2i - 1}}{{{x}}_{2i}}{\psi _i}({{y}}) \oplus {{x}} \cdot \phi ({{y}}) \oplus {{a}} \cdot {{x}}}}{{( - 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} } 若对任意的
{{a}} \in F_2^r ,有\# {E_{{a}}} = 0 或1,则由定理5可知,至多存在一个{{y}} \in F_2^s 使得\biggr|\sum\limits_{{{x}} \in F_2^r} {{{( - 1)}^{ \oplus _{i = 1}^t{x_{2i - 1}}{{{x}}_{2i}}{\psi _i}({{y}}) \oplus {{x}} \cdot \phi ({{y}}) \oplus {{a}} \cdot {{x}}}}} \biggr| = {2^{r - {r_0}}} 由映射
{\zeta _{{\rm{MD}}}} 和集合{F_{{a}}} 的定义可知,\# {F_{{a}}} = 0 或1。同理可证若对任意的
{{a}} \in F_2^r ,\# {E_{{a}}} = 0 或2,则\# {F_{{a}}} = 0 或2。 证毕下面给出Q型Plateaued函数的归约证明。由于式(3)中的函数
({{x}} \cdot {\phi _1}({{y}}))({{x}} \cdot {\phi _2}({{y}})) \oplus {{x}} \cdot {\phi _3}({{y}}) 的秩为0或2[9],定义集合\varOmega _r^{\rm{Q}} = \{ {{A}} \in {\varOmega _r}:R({{A}} \oplus {{{A}}^{\rm{T}}}) = 0 {{或}}2\} 令
{\zeta _{\rm{Q}}} 为F_2^s 到\varOmega _r^{\rm{Q}} 的一个映射,则函数{f_{{\zeta _{\rm{Q}}},g}}({{x}},{{y}}) = {x}{\zeta _{\rm{Q}}}({{y}}){{x}^{\rm{T}}} \oplus g({{y}}) 即为Q型函数。定理7 Q型Plateaued函数可归约到TF型Plateaued函数。
证明 令集合
E = \{ {{y}} \in F_2^s:{\phi _1}({{y}}){{和}}{\phi _2}({{y}})\} {{线性无关}}\} 若
E = F_2^s ,则对任意的{{A}} \!\in\! \varOmega _r^{\rm{Q}} ,R({{A}} \!\oplus\! {{{A}}^{\rm{T}}}) \!=\! 2 ;若E 为空集,则对任意的{{A}} \in \varOmega _r^{\rm{Q}} ,有R({{A}} \oplus {{{A}}^{\rm{T}}}) = 0 。对任意的
({{a}},{{b}}) \in F_2^r \times F_2^s ,函数{f_{\rm{Q}}} 在该点的Walsh谱为\!\begin{array}{l}{W_{{f_{\rm{Q}}}}}({{a}},{{b}})\\ =\!\!\sum\limits_{{{y}} \in F_2^s} {\sum\limits_{{{x}} \in F_2^r} {{{( - 1)}^{({{x}} \cdot {\phi _1}({{y}}))({{x}} \cdot {\phi _2}({{y}})) \oplus {{x}} \cdot {\phi _3}({{y}}) \oplus {{a}} \cdot {{x}}}}} {{( - 1)}^{g({{y}}) \oplus {{b}} \cdot {{y}}}}} \end{array} 若对任意的
{{y}} \in F_2^s ,{\phi _3}({{y}}) + < {\phi _1}({{y}}),{\phi _2}({{y}}) > 中元素两两不相等,则对任意的{{a}} \in F_2^r ,至多存在一个{{y}} \in F_2^s 使得\biggr|\sum\limits_{{{x}} \in F_2^r} {{{( - 1)}^{({{x}} \cdot {\phi _1}({{y}}))({{x}} \cdot {\phi _2}({{y}})) \oplus {{x}} \cdot {\phi _3}({{y}}) \oplus {{a}} \cdot {{x}}}}} \biggr| = {2^{r - 1}} 由映射
{\zeta _{\rm{Q}}} 和集合{F_{{a}}} 的定义可知,\# {F_{{a}}} = 0 或1。令集合
{F'\!\!_{{a}}} 和{F''\!\!\!_{{a}}} 如引理5中定义,若\# {F'\!\!_{{a}}} + 2\# {F''\!\!\!_{{a}}} = 0 或2,则\left\{ {\begin{array}{*{20}{c}}{\# {{F'}\!\!_{{a}}} = 0 {{或}}2}\\\!\!\!\!\!\!\!\!\! {\# {{F''}\!\!\!_{{a}}} = 0}\end{array}} \right.\;\; {{或}}\;\; \left\{ {\begin{array}{*{20}{c}}\!\!\!\!\!\!\!\!\! {\# {{F'}\!\!_{{a}}} = 0}\\{\# {{F''}\!\!\!_{{a}}} = 0 {{或}}1}\end{array}} \right. 当
\# {F'\!\!_{{a}}} = 0 或2,\# {F''\!\!\!_{{a}}} = 0 时,对任意的{{A}} \in \varOmega _r^{\rm{Q}} ,R({{A}} \oplus {{{A}}^{\rm{T}}}) = 2 ,且对任意的{{a}} \in F_2^r ,存在0或2个{{y}} \in F_2^s 使得\biggr|\sum\limits_{{{x}} \in F_2^r} {{{( - 1)}^{({{x}} \cdot {\phi _1}({{y}}))({{x}} \cdot {\phi _2}({{y}})) \oplus {{x}} \cdot {\phi _3}({{y}}) \oplus {{a}} \cdot {{x}}}}}\biggr| = {2^{r - 1}} 由映射
{\zeta _{\rm{Q}}} 和集合{F_{{a}}} 的定义可知,\# {F_{{a}}} = 0 或2。同理可证当\# {F_{{a}}}^\prime = 0 ,\# {F''\!\!\!_{{a}}} = 0 或1时,\# {F_{{a}}} = 0 或1。 证毕注2 TF型函数的函数量为
N({\rm TF}) = {({2^{({r^2} + r)/2}})^{{2^s}}} \times{2^{{2^s}}} = {2^{[({r^2} + r)/2 + 1]{2^s}}} ;MD型函数的函数量为N({\rm{MD}}) = {({2^{{2^s}}})^t} \times {({2^r})^{{2^s}}} \times {2^{{2^s}}} = {2^{(t + r + 1){2^s}}} ;Q型函数的函数量为N({\rm Q}) = {[{({2^r})^{{2^s}}}]^3} \times {2^{{2^s}}} = {2^{(3r + 1){2^s}}} 。可见,N({\rm TF}) \ge N({\rm GMM}) 且当r \ge 6 时,N({\rm TF}) > N({\rm Q}) 。下面给出一类不为MD型或Q型的TF型Plateaued函数。
例1 令
n = 13 ,s = 4 ,r = 9 ,矩阵{{{A}}_1} \in {\varOmega _4} ,{{{A}}_2} \in {\varOmega _5} 为\begin{aligned}& {{{A}}_1} = \left[ {\begin{array}{*{20}{c}} 0&0&1&0 \\ 0&0&1&1 \\ 0&0&0&0 \\ 0&0&0&0 \end{array}} \right]\\& {{{A}}_2} = \left[ {\begin{array}{*{20}{l}} {{a_{55}}}&0&0&0&0 \\ 0&{{a_{66}}}&0&0&0 \\ 0&0&{{a_{77}}}&0&0 \\ 0&0&0&{{a_{88}}}&0 \\ 0&0&0&0&{{a_{99}}} \end{array}} \right]\end{aligned} 其中,
{a_{55}},{a_{66}},{a_{77}},{a_{88}},{a_{99}} \in {F_2} ,矩阵{{A}} \in {\varOmega _9} 为{{A}} = \left[ {\begin{array}{*{20}{c}} {{{{A}}_1}}&{{{{A}}_3}} \\ {{{{A}}_4}}&{{{{A}}_2}} \end{array}} \right] 其中,
{{{A}}_3} 和{{{A}}_4} 为全0矩阵,记由满足上述条件的矩阵{{A}} 构成的集合为\varOmega _9^0 。此时,对任意的
{{A}} \in \varOmega _9^0 ,R({{A}} \oplus {{{A}}^{\rm{T}}}) = 4 。由于\# \varOmega _9^0 = 32 > 16 ,可定义F_2^4 到\varOmega _9^0 的单射,可以验证该单射满足定理2中的条件(1),即函数{f_{\zeta ,g}} 为13元12阶Plateaued函数。显然,对任意的
{{A}} \in \varOmega _9^0 ,有{{A}} \notin \varOmega _9^{{\rm{MD}}} 且{{A}} \!\notin\! \varOmega _9^{\rm{Q}} 。5. 结束语
本文提出了一类新型函数结构,即TF型函数,给出了TF型函数构成Plateaued函数的充分条件,分析了该类Plateaued函数的代数次数、非线性度和弹性阶,指出了TF型Plateaued函数是包含MM型、MD型和Q型Plateaued函数的更为一般的函数类。与现有直接构造方法相比,TF型Plateaued函数形式更为一般,需要满足的条件也更为宽泛,此外,TF型函数的函数量更大,能够构造大量与现有函数类不同的Plateaued函数。
-
表 1 模型A各阶段参数情况
阶段 输出 结构 参数个数 初始卷积层 128×1×9 7×1, 9, s=2 99 左侧支路 右侧支路 卷积模块1 64×1×18 1×1, 9
3×1, 3, s=2, x=3
1×1, 121×1, 15, s=2 585 卷积模块2 32×1×36 1×1, 18
3×1, 6, s=2, x=3
1×1, 241×1, 30, s=2 1980 卷积模块3 16×1×72 1×1, 36
3×1, 12, s=2, x=3
1×1, 481×1, 60, s=2 7200 卷积模块4 8×1×144 1×1, 72
3×1, 24, s=2, x=3
1×1, 961×1, 120, s=2 27360 全连接层1 144 全局平均池化+全局最大值池化 0 全连接层2 2 288 输出层 13 SL+CL 26 参数总数 37538 表 2 不同复杂度模型在不同信噪比数据集下的识别准确率(%)
模型名称 识别时间(μs) 信噪比(dB) 0 5 10 15 模型A 258 60.42 89.41 98.21 99.83 模型B 326 72.95 94.41 99.15 99.89 模型C 323 73.78 93.71 99.07 99.86 表 3 CNN模型结构和参数明细
阶段 输出维度 网络结构 参数个数 卷积层1 256×1×8 3×1, 8, s=1 64 池化层1 128×1×8 2×1, s=2 0 卷积层2 128×1×16 3×1, 16, s=1 464 池化层2 64×1×16 2×1, s=2 0 卷积层3 64×1×32 3×1, 32, s=1 1696 池化层3 32×1×32 2×1, s=2 0 卷积层4 32×1×64 3×1, 64, s=1 6464 池化层4 16×1×64 2×1, s=2 0 卷积层5 16×1×64 1×1, 64, s=1 4416 池化层5 8×1×64 2×1, s=2 0 全连接层1 64 32832 全连接层2 2 130 输出层 13 SL 39 参数总数 46105 表 4 SDSAE&KNN模型结构和参数明细
阶段 输出维度 参数个数 隐藏层1 150×1 38550 隐藏层2 100×1 15100 隐藏层3 50×1 5050 隐藏层4 10×1 510 参数总数 59210 表 5 SCAE模型结构和参数明细
阶段 输出维度 网络结构 参数个数 卷积层1 256×1×128 5×1, 128, s=1 768 池化层1 128×1×128 2×1, s=2 0 卷积层2 128×1×64 5×1, 64, s=1 41024 池化层2 64×1×64 2×1, s=2 0 卷积层3 64×1×32 3×1, 32, s=1 6176 池化层3 32×1×32 2×1, s=2 0 卷积层4 32×1×16 3×1, 16, s=1 1552 池化层4 16×1×16 2×1, s=2 0 卷积层5 16×1×8 1×1, 8, s=1 136 池化层5 8×1×8 2×1, s=2 0 输出层 13 SL 845 参数总数 50501 表 6 不同信噪比条件下本节模型与对比模型识别准确率(%)
模型名称 识别时间(μs) 信噪比(dB) 0 5 10 15 模型A 258 60.42 89.41 98.21 99.83 CNN 69 58.22 86.91 95.51 98.79 SCAE 47 54.78 86.58 94.44 98.78 SDSAE&KNN 68 46.50 83.94 93.44 98.65 -
魏存伟, 段发阶, 刘先康. 基于宽带雷达HRRP舰船目标长度估计算法[J]. 系统工程与电子技术, 2018, 40(9): 1960–1965. doi: 10.3969/j.issn.1001-506X.2018.09.10WEI Cunwei, DUAN Fajie, and LIU Xiankang. Length estimation method of ship target based on wide-band radar’s HRRP[J]. Systems Engineering and Electronics, 2018, 40(9): 1960–1965. doi: 10.3969/j.issn.1001-506X.2018.09.10 贺思三, 赵会宁, 张永顺. 基于时频域联合滤波的中段群目标信号分离[J]. 雷达学报, 2015, 4(5): 545–551. doi: 10.12000/JR15008HE Sisan, ZHAO Huining, and ZHANG Yongshun. Signal separation for target group in midcourse based on time-frequency filtering[J]. Journal of Radars, 2015, 4(5): 545–551. doi: 10.12000/JR15008 吴佳妮, 陈永光, 代大海, 等. 基于快速密度搜索聚类算法的极化HRRP分类方法[J]. 电子与信息学报, 2016, 38(10): 2461–2467. doi: 10.11999/JEIT151457WU Jiani, CHEN Yongguang, DAI Dahai, et al. Target recognition for polarimetric HRRP based on fast density search clustering method[J]. Journal of Electronics &Information Technology, 2016, 38(10): 2461–2467. doi: 10.11999/JEIT151457 李建伟, 曲长文, 彭书娟, 等. 基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测[J]. 电子与信息学报, 2019, 41(1): 143–149. doi: 10.11999/JEIT180050LI Jianwei, QU Changwen, PENG Shujuan, et al. Ship detection in SAR images based on generative adversarial network and online hard examples mining[J]. Journal of Electronics &Information Technology, 2019, 41(1): 143–149. doi: 10.11999/JEIT180050 杜兰, 魏迪, 李璐, 等. 基于半监督学习的SAR目标检测网络[J]. 电子与信息学报, 2020, 42(1): 154–163. doi: 10.11999/JEIT190783DU Lan, WEI Di, LI Lu, et al. SAR target detection network via semi-supervised learning[J]. Journal of Electronics &Information Technology, 2020, 42(1): 154–163. doi: 10.11999/JEIT190783 罗会兰, 卢飞, 孔繁胜. 基于区域与深度残差网络的图像语义分割[J]. 电子与信息学报, 2019, 41(11): 2777–2786. doi: 10.11999/JEIT190056LUO Huilan, LU Fei, and KONG Fansheng. Image semantic segmentation based on region and deep residual network[J]. Journal of Electronics &Information Technology, 2019, 41(11): 2777–2786. doi: 10.11999/JEIT190056 XING Shihong and ZHANG Shaokang. Ship model recognition based on convolutional neural networks[C]. 2018 IEEE International Conference on Mechatronics and Automation, Changchun, China, 2018: 144-148. doi: 10.1109/ICMA.2018.8484362. 杨宏宇, 王峰岩. 基于深度卷积神经网络的气象雷达噪声图像语义分割方法[J]. 电子与信息学报, 2019, 41(10): 2373–2381. doi: 10.11999/JEIT190098YANG Hongyu and WANG Fengyan. Meteorological radar noise image semantic segmentation method based on deep convolutional neural network[J]. Journal of Electronics &Information Technology, 2019, 41(10): 2373–2381. doi: 10.11999/JEIT190098 王鑫, 李可, 宁晨, 等. 基于深度卷积神经网络和多核学习的遥感图像分类方法[J]. 电子与信息学报, 2019, 41(5): 1098–1105. doi: 10.11999/JEIT180628WANG Xin, LI Ke, NING Chen, et al. Remote sensing image classification method based on deep convolution neural network and multi-kernel learning[J]. Journal of Electronics &Information Technology, 2019, 41(5): 1098–1105. doi: 10.11999/JEIT180628 郭晨, 简涛, 徐从安, 等. 基于深度多尺度一维卷积神经网络的雷达舰船目标识别[J]. 电子与信息学报, 2019, 41(6): 1302–1309. doi: 10.11999/JEIT180677GUO Chen, JIAN Tao, XU Congan, et al. Radar HRRP target recognition based on deep multi-scale 1D convolutional neural network[J]. Journal of Electronics &Information Technology, 2019, 41(6): 1302–1309. doi: 10.11999/JEIT180677 王容川, 庄志洪, 王宏波, 等. 基于卷积神经网络的雷达目标HRRP分类识别方法[J]. 现代雷达, 2019, 41(5): 33–38. doi: 10.16592/j.cnki.1004-7859.2019.05.007WANG Rongchuan, ZHUANG Zhihong, WANG Hongbo, et al. HRRP classification and recognition method of radar target based on convolutional neural network[J]. Modern Radar, 2019, 41(5): 33–38. doi: 10.16592/j.cnki.1004-7859.2019.05.007 刘兴旺. 一种多层预训练卷积神经网络在图像识别中的应用[D]. [硕士论文], 中南民族大学, 2018.LIU Xingwang. The application of a multi-layers pre-training convolutional neural network in image recognition[D]. [Master dissertation], South-Central University for Nationalities, 2018. 赵飞翔, 刘永祥, 霍凯. 基于栈式降噪稀疏自动编码器的雷达目标识别方法[J]. 雷达学报, 2017, 6(2): 149–156. doi: 10.12000/JR16151ZHAO Feixiang, LIU Yongxiang, and HUO Kai. Radar target recognition based on stacked denoising sparse autoencoder[J]. Journal of Radars, 2017, 6(2): 149–156. doi: 10.12000/JR16151 KRIZHEVSKY A, SUTSKEVER I, and HINTON G E. ImageNet classification with deep convolutional neural networks[C]. The 25th International Conference on Neural Information Processing Systems, Red Hook, United States, 2012: 1097–1105. SIMONYAN K and ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[C]. The 3rd International Conference on Learning Representations, San Diego, United States, 2015: 1–14. HE Kaiming, ZHANG Xiangyu, REN Shaoqing, et al. Deep residual learning for image recognition[C]. 2016 IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, United States, 2016: 770–778. doi: 10.1109/CVPR.2016.90. SZEGEDY C, IOFFE S, VANHOUCKE V, et al. Inception-v4, inception-ResNet and the impact of residual connections on learning[C]. The 31st AAAI Conference on Artificial Intelligence, San Francisco, United States, 2017: 4278–4284. WEN Yandong, ZHANG Kaipeng, LI Zhifeng, et al. A discriminative feature learning approach for deep face recognition[C]. The 14th European Conference on Computer Vision, Amsterdam, Netherlands, 2016: 499–515. doi: 10.1007/978-3-319-46478-7_31. 期刊类型引用(1)
1. 王维琼,许豪杰,崔萌,谢琼. 优良布尔函数的混合禁忌搜索算法. 通信学报. 2022(05): 133-143 . 百度学术
其他类型引用(1)
-