Explore the vast range of titles available.

利用多層次模式或是階層線性模式進行重複觀測資料的分析，如果個體層次解釋變項包含隨時間變動解釋變項時，在個體層次方程式對它不平減或是總平減所獲得的迴歸係數是一個偏誤的結果，因為這個隨時間變動的解釋變項具有追蹤與橫斷面的資料特性，對個體層次結果變項的影響可以拆解為互斥的組間迴歸係數與組內迴歸係數，因此，必須利用組平減並將組平均數置回截距項方程式方能獲得正確的估計結果。但在不平減、總平減與組平減三種方法下都加上組平均數置回截距項方程式，在隨機截距模型下則會獲得等價的估計結果。本研究整理出這些平減方法之間的統計關係，並利用實徵資料示範分析各種模式，說明之間的差異與等價關係，最後提出研究的結論與建議

O175.12; 自Mironenko教授创建反射函数理论以来,人们采用该理论定义了微分系统间的新的等价关系,由此建立了复杂微分系统与简单微分系统、非自治微分系统与自治微分系统的等价性,应用它将复杂系统的几何性态的研究可转化为简单或自治系统的几何性态的研究.经过专家们的共同研究取得了若干极具理论和应用价值的好成果.

为了将空间坐标系变换由静态的、不随时间发生变换的情况推广到动态的、随时间发生变换以及任意角度发生变换的情况,基于单位四元数构造的旋转矩阵和罗德里格矩阵的完全等价性,揭示出空间坐标系(空间直角坐标系)变换与函数梯度的数学关系,推导出由函数梯度表示的空间坐标系变换的数学公式,在理论上说明了用函数梯度描述空间坐标系变换的方法。研究表明,在数学意义上,空间坐标系变换的本质是"场",可以用"场"的概念统一以任意角度发生旋转变换的空间坐标系变换特例,为进一步研究空间坐标系随时间发生连续变换的情况或以新的思路为运动载体定姿奠定了理论基础。

针对大型GNSS基线向量网的特点,在改进的相关观测抗差估计RECO 方案的基础上采用并行计算技术进行相关抗差估计的并行计算（简称“并行抗差估计”）,并给出了可行的解算步骤.通过算例分析,验证了大型GNSS基线向量网的并行相关抗差估计,不仅有效抑制了观测异常对参数估值的影响,而且显著提高了计算效率.

S盒是对称密码算法中的重要组成部分, 作为主要的非线性部件，其密码性质的好坏直接影响到整体算法的安全性. 差分均匀度和线性度(非线性度)是衡量S盒密码性质的两个基本指标, 它们分别刻画了S盒抵抗差分密码分析和线性密码分析的能力, 并且在仿射变换下保持不变. 由于硬件成本限制, 轻量密码算法通常采用4比特S盒, 其差分均匀度和线性度的下界为4, 达到下界的S盒称为最优S盒, Leander等将它们分成了16个仿射等价类. 在此基础上, 我们对现有典型轻量算法中的S盒按仿射等价关系进行了分类. 为了对抗多差分分析、多线性分析及各种变形攻击方法的威胁, 还希望S盒具有最大差分概率的差分对个数、具有最优线性逼近关系的掩码个数越少越好, 有时甚至需要对单比特输入输出的差分特征和线性特征做更细致的分析, 因此我们进一步对上述各轻量S盒达最大差分概率的差分对个数、具有最优线性逼近关系的掩码个数、单比特输入输出差分特征和单比特线性逼近关系的个数, 以及单比特情况下的差分均匀度和线性度进行了详细的分析和统计, 上述结论可为相关轻量密码算法的分析提供重要的理论依据.

分析指出现有方差一协方差分量估计（VCE）方法在计算效率与χ2统计性质两方面的固有缺陷。利用零空间算子消去概括平差模型中的参数向量，建立等价条件平差模型。由此定义等价条件闭合差（ECM），并导出了以ECM表示的χ2统计量计算式。顾及对称性和可逆性构造了新的方差分量模型，进而基于等价条件闭合差提出方差一协方差分量估计的无偏解析法，简称为VCE—ECM法。同时，给出对应4种基本平差模型的VCE—ECM法简化计算式。实例与仿真结果表明，VCE—ECM法与现有残差型VCE方法的估计效果相当，并有效地克服了现有VCE方法的固有缺陷。

Espresso算法是由E. Dubrova和M. Hell两人设计的面向5G通信需求的序列密码算法, 算法采用256级的非线性反馈移位寄存器(NFSR)作为驱动部件, 密钥长度为128比特, 初始化向量为96比特, 过滤输出函数为6次布尔函数. 由于驱动部件为NFSR, 因此Espresso算法可以较好地抵抗标准代数攻击以及相关攻击等分析方法. 然而本文将证明无论参数如何选择, 只要是利用E. Dubrova和M. Hell所提方法构造出来的NFSR, 其任意寄存器上的输出序列均可由同级数的线性反馈移位寄存器(LFSR)通过选取适当的过滤函数生成, 即等于某个LFSR的前馈序列. 特别的, 这些LFSR是相同且过滤函数可显式地表达出来. 利用这一结果, 我们证明了Espresso算法的输出序列为某个256级LFSR的前馈过滤, 对应的过滤函数为12次布尔函数. 针对该等价模型, 我们可以成功地实施代数攻击, 其时间复杂度为O(266.86). 我们指出, 要想抵抗等价模型下的代数攻击, Espresso算法中的输出函数至少应为8次布尔函数. 最后我们还讨论了等价模型下输出函数的其他漏洞.

提出采用＂自适应换站＂法来解决单基线处理模式难以满足长距离动态定位的问题。该方法的主要思想是：整个解算过程始终保持单基线的动态定位模式,当发现流动站与原参考站间的距离大于流动站与其他参考站间的距离时,自动更换周围最近的参考站作为新参考站;对换站前后的数据设置一定时间的重叠段,利用等价消参法将换站前后的数据进行严格的自适应融合,以保持整个解算过程的连续性。通过对实测机载数据的解算,证明该方法不仅可以克服因载体飞行距离过远而导致的定位精度下降,而且能够避免因换站所引起的前后解的不连续,计算结果表明该方法的定位精度约为2 cm。

等价权抗差估计法保留最小二乘估计处理正常观测值的优良特性,但其抗差性与初值关系极大,若用最小二乘估值作初值,必定会影响其抗差性。中位数法具有很好的抗差特性,但它只用部分观测数据计算参数估值,丢失大量有效信息。基于中位参数的抗差估计方法,在有限样本时,给出其崩溃污染率的估算方法。根据中位参数法和等价权抗差估计法的各自优点,先用中位参数法计算初值,再用等价权抗差估计法计算最终的参数估值。试验结果表明：该方法比基于最小二乘初值的等价权法具有更强的抗差性,比中位参数法的计算精度高。

Social network analysis is an increasingly prominent set of techniques used in a number of social sciences, but the use of the techniques of social network analysis in geography has been challenged because of a perceived lack of geographic nuance or consideration of spatialities of context in social networks. The concept of social position and the associated technique of structural equivalence in social network analysis are explored as a means to integrate two different kinds of embeddedness: relative location in geographic space and structural position in network space. Using spatialized network data, this article compares the geography of rivalry relations that connect territorially based criminal street gangs in a section of Los Angeles with a geography of the location of gang-related violence. The technique of structural equivalence uses the two different spatialities of embeddedness to identify gangs that are similarly embedded in the territorial geography and positioned in the rivalry network, which aids in understanding the overall context of gang violence. The technique demonstrated here has promise beyond this one study of gang crime as it operationalizes spatialities of embeddedness in a way that allows simultaneous systematic evaluation of the way in which social actors' positions in network relationships and spatial settings provide constraints on and possibilities for their behavior.