通过一个例子来理解二维码纠错机制

1 例子

假设:原始数据为8位,纠错码为6位,原始信息由原始数据+纠错码。
在传输过程中,由于信息干扰等原因,导致原始信息被污染,被污染后有两位数据被修改。

说明编码
原始信息001010011011100
被污染后的信息001100011011100

2 构建码字多项式

根据接收到被污染后的信息转化为码字多项式:
R(x)=x12+x11+x7+x6+x4+x3+x2(1)R(x) = x^{12} +x^{11} + x^{7} + x^{6} + x^{4} + x^{3} + x^{2} \tag1 R(x)=x12+x11+x7+x6+x4+x3+x2(1)

3 计算特征值

α\alphaα代入公式(1)得到:
S1=R(α)=α12+α11+α7+α6+α4+α3+α2=α214S_1 = R(\alpha) = \alpha^{12} +\alpha^{11} + \alpha^{7} + \alpha^{6} + \alpha^{4} + \alpha^{3} + \alpha^{2} = \alpha^{214} S1=R(α)=α12+α11+α7+α6+α4+α3+α2=α214
α3\alpha^3α3代入公式(1)得到:
S3=R(α3)=α36+α33+α21+α18+α12+α9+α6=α117S_3 = R(\alpha^3) = \alpha^{36} +\alpha^{33} + \alpha^{21} + \alpha^{18} + \alpha^{12} + \alpha^{9} + \alpha^{6} = \alpha^{117} S3=R(α3)=α36+α33+α21+α18+α12+α9+α6=α117
α5\alpha^5α5代入公式(1)得到:
S5=R(α5)=α60+α55+α35+α30+α20+α15+α10=α25S_5 = R(\alpha^5) = \alpha^{60} +\alpha^{55} + \alpha^{35} + \alpha^{30} + \alpha^{20} + \alpha^{15} + \alpha^{10} = \alpha^{25} S5=R(α5)=α60+α55+α35+α30+α20+α15+α10=α25
计算S2,S4,S6S_2,S_4,S_6S2,S4,S6
S2=S12=α173,S4=S22=α91,S6=S32=α182S_2 = S_1^2 = \alpha^{173}, S_4 = S_2^2 = \alpha^{91}, S_6 = S_3^2 = \alpha^{182}S2=S12=α173,S4=S22=α91,S6=S32=α182

4 根据特征值进行纠错

因为不知道有多少位有错,也不知道错在什么位置,根据纠错码的纠错能力进行穷举。由于纠错码为6位,则纠错能力为m≤⌊6/2⌋m \leq \lfloor 6/2 \rfloorm6/2,即m≤3m \leq 3m3,然后从大到小进行穷举,即m∈[1,3]m \in [1, 3]m[1,3]
先取m=3m = 3m=3,构建矩阵运算:
[S3S2S1S4S3S2S5S4S3][σ1σ2σ3]=[S4S5S6]\left[ \begin{matrix} S_3 &S_2 &S_1 \\ S_4 &S_3 &S_2 \\ S_5 &S_4 &S_3 \\ \end{matrix} \right] \left[ \begin{matrix} \sigma_1 \\ \sigma_2 \\ \sigma_3 \\ \end{matrix} \right] = \left[ \begin{matrix} S_4 \\ S_5 \\ S_6 \\ \end{matrix} \right] S3S4S5S2S3S4S1S2S3σ1σ2σ3=S4S5S6
代入S1,S2,…,S6S_1, S_2, \dots, S_6S1,S2,,S6,并计算行列式:
∣α117α173α214α91α117α173α25α91α117∣=0\left| \begin{matrix} \alpha^{117} &\alpha^{173} &\alpha^{214} \\ \alpha^{91} &\alpha^{117} &\alpha^{173} \\ \alpha^{25} &\alpha^{91} &\alpha^{117} \\ \end{matrix} \right|= 0 α117α91α25α173α117α91α214α173α117=0
说明不超过3位,然后取m=2m = 2m=2,构建矩阵运算:
[S3S2S4S3][σ1σ2]=[S4S5]\left[ \begin{matrix} S_3 &S_2 \\ S_4 &S_3 \\ \end{matrix} \right] \left[ \begin{matrix} \sigma_1 \\ \sigma_2 \\ \end{matrix} \right] = \left[ \begin{matrix} S_4 \\ S_5 \\ \end{matrix} \right] [S3S4S2S3][σ1σ2]=[S4S5]
代入S1,S2,…,S6S_1, S_2, \dots, S_6S1,S2,,S6,并计算行列式:
∣α117α173α91α117∣=α45\left| \begin{matrix} \alpha^{117} &\alpha^{173} \\ \alpha^{91} &\alpha^{117} \\ \end{matrix} \right|= \alpha^{45} α117α91α173α117=α45
满秩,方程组有解答,经过计算得到:
σ1=α35,σ2=α21\sigma_1 = \alpha^{35}, \sigma_2 = \alpha^{21}σ1=α35σ2=α21
代入错误多项式得:
α21x2+α35x+1=0\alpha^{21}x^2 + \alpha^{35}x + 1 = 0α21x2+α35x+1=0
用Chien搜索可得x1=x−10,x2=x−11x_1 = x^{-10}, x_2 = x^{-11}x1=x10,x2=x11,所以错误位置应该是第10位和第11位。

5 存在问题

这个例子还有几个核心问题没有解决:
(1)为什么要计算特征值?(是否会用到范德蒙矩阵或者柯西矩阵的知识?)
(2)有了特征值又如何进行纠错?

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/507568.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

two sum python_Python | Leetcode 之 Two Sum

说来惭愧,到现在才开始刷Leetcode,但迟到总比不到好。题目:Given an array of integers, return indices of the two numbers such that they add up to a specific target.You may assume that each input would have exactly one solution,…

Data Poisoning Attacks to Deep Learning Based Recommender Systems论文解读

1 摘要 在这项工作中,作者对基于深度学习的推荐系统的数据中毒攻击进行了首次系统研究。攻击者的目标是操纵推荐系统,以便向许多用户推荐攻击者选择的目标项目。为了实现这一目标,作者将精心设计的评分注入到推荐系统中的假用户。具体来说&a…

python爬虫视频 下载 黑马_Python爬虫能爬视频么(python爬虫零基础视频教程)

Python爬虫能爬视频么他视频没有的,但是跑了之后你要处理这个视频,就是问题的?你只需要,得到视频的播放地址,还是要把视频完整的下载到本地的。如果只是爬那个视频的下载地址,很简单,如果要下载…

机器学习+深度学习相关课程地址总结

1 吴恩达老师 机器学习课程视频链接:https://www.bilibili.com/video/BV164411b7dx?fromsearch&seid8357728122787183773&spm_id_from333.337.0.0作业答案:https://github.com/Ayatans/Machine-Learning-homework深度学习课程:吴恩…

黑马商城项目源代码_Python学习路线图--Python框架与项目

Python学习路线图的Python框架部分主要有Django框架和Flask框架,学完这一部分就可以去找Web全栈工程师的工作了,独立开发前端和后端业务。Python学习路线图的Django框架部分需要掌握Web主流框架-Django的使用;可根据Web框架设计,开…

Membership Inference Attacks Against Recommender Systems论文解读

0 摘要 推荐系统通常针对高度敏感的用户数据进行训练,因此推荐系统潜在的数据泄露可能会导致严重的隐私问题。 本文首次尝试通过成员推理的角度来量化推荐系统的隐私泄漏。 与针对机器学习分类器的传统成员推理相比,本文的攻击面临两个主要差异。 首先&…

python分类预测降低准确率_十分钟掌握python机器学习特征选择

十分钟掌握python机器学习特征选择-1.jpg (33.2 KB, 下载次数: 0)2018-6-26 23:01 上传在机器学习中,特征选择是实践中的一步, 帮你在所有特征中选择对结果贡献最多的特征。 显然, 使用不相关数据会减少模型的精确性,尤其是线性算…

k近邻推荐用到的各种距离

1 kkk-近邻推荐原理 2 各种距离 2.1 欧几里得距离 d12(x1−x2)2(y1−y2)2d_{12} \sqrt{(x_{1} - x_{2})^2 (y_{1} - y_{2})^2}d12​(x1​−x2​)2(y1​−y2​)2​ 缺点:欧式距离是一种常用的距离度量,但它并不是尺度不变的,这意味着所计算…

python 分类变量回归_极简Python带你探索分类与回归的奥秘

为何使用人工智能和机器学习?地球的未来在于人工智能和机器学习。如果对这些技术一无所知,人们很快会发现自己落伍了。世界发展日新月异,每天都发生着不可思议的变化。在人工智能和机器学习中,有许多实现和技术能够解决实时问题。…

Fast Matrix Factorization for Online Recommendation with Implicit Feedback论文代码分析

1 数据结构 userCount&#xff1a;用户数 itemCount&#xff1a;项目数 user_ratings&#xff1a;ArrayList<ArrayList>&#xff0c; 问&#xff1a;此处为什么要用二维数组&#xff1f; 答&#xff1a;第1维是用户&#xff0c;第2维是用户对所有项目的评分。 testRatin…

stacking模型融合_【干货】比赛后期大招之stacking技术分享

各位同学大家好&#xff0c;我是本次参赛选手李博&#xff0c;比赛ID是深蓝&#xff08;DeePBluE&#xff09;。现在就读于北京邮电大学&#xff0c;是一名研一的在校生&#xff0c;研究方向是数据分析和机器学习。是的&#xff0c;我又来分&#xff08;na&#xff09;享&#…

多stream_基础之Lambda和Stream的邂逅

基础之Lambda和Stream的邂逅show me the code and take to me,做的出来更要说的明白GitHub项目JavaHouse同步收录喜欢就点个赞呗! 你的支持是我分享的动力&#xff01;引入是否有遇到看不懂身边同事代码的情况&#xff0c;是否有被面试官问到 Java 新特性不懂的情况。我掐指一算…

注意力机制--转载自我的学生隆兴写的博客

原文链接为&#xff1a;https://a-egoist.com/posts/a44b8419/&#xff0c;学生自己搭建的博客&#xff0c;点赞&#xff01; 1 Attention 1.1 什么是 Attention 灵长类动物的视觉系统中的视神经接受了大量的感官输入。在检查视觉场景时&#xff0c;我们的视觉神经系统大约每…

python正弦波和等腰三角波_正弦波脉宽调制(SPWM)原理

1、QPWM的概念 在进行脉宽调制时&#xff0c;使脉冲系列的占空比按正弦规律来安排。当正弦值为最大值时&#xff0c;脉冲的宽度也最大&#xff0c;而脉冲间的间隔则最小&#xff0c;反之&#xff0c;当正弦值较小时&#xff0c;脉冲的宽度也小&#xff0c;而脉冲间的间隔则较大…

推荐系统--矩阵分解(1)

推荐系统–矩阵分解(1) 推荐系统–矩阵分解(2) 推荐系统–矩阵分解(3) 推荐系统–矩阵分解(4) 推荐系统–矩阵分解(5) 推荐系统–矩阵分解(6) 1 引入 一个矩阵可以分解为两个小矩阵的乘积&#xff0c;以音乐为例&#xff0c;利用潜在特征向量来给用户和音乐打上标签&#xff…

python dag调度系统开发_基于机器学习的DAG调度平台

什么是DAG?有向无环图树形结构&#xff1a;除根节点&#xff0c;每个节点有且仅有一个上级节点&#xff0c;下级节点不限。根节点没有上级节点。图结构&#xff1a;每个节点上级、下级节点数不限。DAG调度平台的定义及场景任务调度是在各行各业是个基础问题&#xff0c;当任务…

轻量级人脸识别算法

1 概述 轻量级人脸识别算法

python元组与列表的区别、简答题_细解python面试题(一)元组和列表的区别

可能略去了一些内容。1、列表VS元组在python编程中&#xff0c;我们经常搞不懂列表和元组的区别&#xff0c;或者哪些函数可以用于列表&#xff0c;哪些用于元组&#xff0c;那么跟随本文我们来深入的探索。2、元组元组是值的集合&#xff0c;我们用圆括号来申明它。元组中的类…

Yolo家族算法分析

1 历史简介 2 YOLO算法思想 YOLO算法的基本思想&#xff1a; &#xff08;1&#xff09;将图片划分为SSS \times SSS个网格&#xff1b; &#xff08;2&#xff09;计算每个边界框和置信度&#xff1b; &#xff08;3&#xff09;计算每个网格属于某个类别的概率&#xff1b; &…

u8 附件上传后存放路径_织梦DedeCms附件按月份保存的修改方法

正常情况下&#xff0c;dedecms织梦系统的图片附件是按日保存的&#xff0c;一天一个文件夹, 时间长了, 这样在allimg中就会生成很多文件夹, 不方便管理&#xff0e;虽然&#xff0c;dedecms织梦的后台设置有”附件保存形式”的先项, 但功能太弱&#xff0c;如果是在后台上传和…