简介:AlinearizationattackontheKeyStreamGenerator(KSG)ofthemodifiedE0algorithmproposedbyHermelin[ProceedingsofICISC'99,SpringerLNCS1787,2000,17-29]isgiveninthispaper.TheinitialvaluecanberecoveredbyalinearizationattackwithO(260.52)operationsbysolvingaSystemofLinearEquations(SLE)withatmost220.538unknowns.FrederikArmknecht[CryptologyePrintArchive,2002/191]proposedalinearizationattackontheKSGofE0algorithmwith0(270.341)operationsbysolvinganSLEwithatmost224.056unknowns,sothemodificationproposedbyHermelinreducestheabilityofE0toresistthelinearizationattackbycomparingwiththeresultsofFrederikAnnknecht.
简介:摘要:近几十年来,在业内专家学者的努力下语音识别技术取得显著进步,已经从实验室走向市场。在这个过程中,深度学习和神经网络的发展做出不少贡献,但神经网络依赖大量数据而且神经网络模型具有不确定性,当训练数据与目标数据分布存在差异时识别效果可能非常差。在一些领域我们对识别系统的精度要求非常高。我们已经明显感觉到,语音识别技术在工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域都可以发挥重要作用。探索使用HMM模型来识别孤立词在我们的生活中具有重大意义。隐马尔可夫模型是成熟的模型,在语音识别,机器视觉等多个领域有着广泛的应用。隐马尔可夫模型能够很好地为语音等序列数据建模,可以很好地描述序列数据之间的关系。隐马尔可夫模型与GMM模型的完美融合可以使HMM模型在语音识别中更好地对状态进行建模从而提高识别率。因为GMM模型的加入使得HMM的观测矩阵更真实地贴近观测概率。加入GMM的HMM模型经过5个人的数据的训练其识别精确度可以达到87%。在数据量得到扩充的前提下效果有望达到100%。