一种混沌图像加密方法的研究

使用高复杂度的超混沌信号,以增强载波信号的随机性以及不可预测性。本文将无线保密通信技术应用于基于INTERNET的混沌保密通信之中,并在此基础上提出了一种超混沌掩盖-混沌加密方法,其中采用了非线性“扰频”技术。仿真结果显示：密文加密效果好,恢复图像与原图像差别很小。     

图像的混沌加密方法研究综述

本文介绍了图像加密技术的发展现状,对几种基于混沌序列的图像加密方法做了阐述,并对这些图像加密方法做了分析与比较,最后对图像的混沌加密方法的发展方向进行了探讨。     

一种基于TLM超混沌细胞神经网络图像加密新算法

混沌对初值敏感的特性使得它适合于数据加密。以4 阶CNN 模型为基础,提出了一种新的超混沌细胞神经网络图像加密算法。算法分为置乱和扩散二个阶段,复合混沌映射用于生成置乱阶段控制参数,用以置乱图像行列之间的高度互相关像素。在扩散阶段,使用不同初始状态和参数的复合混沌映射生成高阶混沌细胞神经网络的初始条件,以生成扩散阶段的密钥流。算法的已知明文和选择明文攻击、密钥空间和直方图的仿真实验均取得了良好的结果。与其他相关算法相比,该算法具有密钥敏感性和抗攻击性强的优点,适用于图像加密。     

一种基于混沌加密的信息隐藏方法

用Logistic映射生成混沌序列,对文本信息的ASCII码进行加密,产生二进制信息流。将图像进行DCT变换,并用一个量化表对变换后的系数进行量化,将加密后的二进制信息嵌入到图像的DCT系数中以实现信息隐藏,在秘密信息的提取过程中不需要原始图像的参与。实验结果表明,该方法具有较好的隐蔽性,对图像质量影响较小。     

基于Logistic映射的混沌图像加密算法的改进

Logistic映射是一种简单的非线性模型,但却有复杂的动力学性质。文中分析基于Logistic映射的混沌图像加密算法,提出一个改进的基于该算法的加密解密模型,并采用Matlab仿真实现,其结果与传统Logistic混沌序列加密算法相比,在图像不失真的情况下大大增强图像加密的安全性。     

基于混沌序列的加密图像隐藏方法

混沌序列仅依赖于初始条件，可以由确定性系统产生，而且具有白噪声的特点，非常适合于图像加密。本文以混沌序列构成随机相位列阵对相位型图像进行加密，将加密结果作为隐藏信息，进行图像加密隐藏，具有很高的安全性和实用性。计算机仿真实验验证了这一点。     

基于离散数字混沌序列的图像加密

由幅值连续的Logistic混沌公式研究了一种幅度值离散数字混沌序列的产生方法,可方便用于硬件实现图像加密。采用函数运算方法由3个不同周期的离散数字混沌序列异或运算获得长周期图像加密序列,将图像加密序列与原始图像异或加密图像。加密和解密仿真对比可见,该方法对初始值具有敏感性。分析表明,所获得的幅度离散数字混沌序列产生方法具有算法简单,信息安全可靠性高,便于硬件实现的特点。     

基于互联网的超混沌图像加密

超混沌信号复杂度高,可以增加载波信号的随机性以及不可预测性。提出了采用超混沌信号对图像信号所进行的混沌掩盖的加密方法以及在此基础上所进行的超混沌复合加密方法,仿真结果显示:密文加密效果好,恢复图像与原图像一致。     

一种基于四维混沌神经网络的通信数据加密算法

混沌神经网络序列具有带宽大、难于预测和重构等特点,因而非常适用于网络通信和数据加密.本文提出一种四维混沌神经网络序列的产生方法,利用四维混沌神经网络进行混合加密,所产生的二值序列对明文进行预处理.实验结果表明,该系统对产生的二值序列,具有良好的初值敏感度,序列随机性较为理想,同时,四维混沌神经网络大大增加了密钥空间,利...     

Amplitude based keyless optical encryption system using deep neural network

Double random phase encryption (DRPE) system is a simple and powerful encoding technique that consists of only two lenses and two random phase masks. However, there are many issues for applying to actual security systems such as phase acquisition, vulnerability to phase retrieval techniques, and data throughput. Although various extensions of DRPE have addressed each issue, there is no comprehensive solution. To tackle all the issues of DRPE, we propose a new amplitude-based DRPE (ADRPE) system using deep learning. The encoding is the same as the current ADRPE system, and the decoding is achieved by an inverse ADRPE system using convolution neural networks. Our system can achieve a real-time end-to-end encryption system without any additional optical devices and exposure of the keys. To demonstrate our method, we applied it to simulations with various datasets such as passwords, Quick-Response (QR) codes, and fingerprints.     

Research on image feature extraction and retrieval algorithms based on convolutional neural network

With the rapid development of mobile Internet and digital technology, people are more and more keen to share pictures on social networks, and online pictures have exploded. How to retrieve similar images from large-scale images has always been a hot issue in the field of image retrieval, and the selection of image features largely affects the performance of image retrieval. The Convolutional Neural Networks (CNN), which contains more hidden layers, has more complex network structure and stronger ability of feature learning and expression compared with traditional feature extraction methods. By analyzing the disadvantage that global CNN features cannot effectively describe local details when they act on image retrieval tasks, a strategy of aggregating low-level CNN feature maps to generate local features is proposed. The high-level features of CNN model pay more attention to semantic information, but the low-level features pay more attention to local details. Using the increasingly abstract characteristics of CNN model from low to high. This paper presents a probabilistic semantic retrieval algorithm, proposes a probabilistic semantic hash retrieval method based on CNN, and designs a new end-to-end supervised learning framework, which can simultaneously learn semantic features and hash features to achieve fast image retrieval. Using convolution network, the error rate is reduced to 14.41% in this test set. In three open image libraries, namely Oxford, Holidays and ImageNet, the performance of traditional SIFT-based retrieval algorithms and other CNN-based image retrieval algorithms in tasks are compared and analyzed. The experimental results show that the proposed algorithm is superior to other contrast algorithms in terms of comprehensive retrieval effect and retrieval time.     

基于卷积神经网络和胶囊神经网络的宫颈病变图像分类方法研究

为了更好地治疗宫颈癌,准确确定患者的宫颈类型是至关重要的。因此,用于检测和划分宫颈类型的自动化方法在该领域中具有重要的医学应用。虽然深度卷积神经网络和传统的机器学习方法在宫颈病变图像分类方面已经取得了良好的效果,但它们无法充分利用图像和图像标签的某些关键特征之间的长期依赖关系。为了解决这个问题,文章引入了胶囊网络(CapsNet),将CNN和CapsNet结合起来,以提出CNN-CapsNet框架,该框架可以加深对图像内容的理解,学习图像的结构化特征,并开展医学图像分析中大数据的端到端训练。特别是,文章应用迁移学习方法将在ImageNet数据集上预先训练的权重参数传输到CNN部分,并采用自定义损失函数,以便网络能够更快地训练和收敛,并具有更准确的权重参数。实验结果表明,与ResNet和InceptionV3等其他CNN模型相比,文章提出的网络模型在宫颈病变图像分类方面更加准确、有效。     

基于卷积神经网络的网络隐写分析方法研究

针对现有网络隐写分析算法特征提取难度大、算法适用范围单一的问题,文章提出了一种基于卷积神经网络的网络隐写分析方法。对网络数据流进行预处理,将所有数据包处理成大小相同的矩阵,最大限度地保留数据特征完整性;使用异构卷积进行特征提取,减少模型计算量及参数数量,加快模型收敛速度;取消池化层,提高模型训练效率。与传统网络隐写分析方法相比,模型能够自动提取数据特征,识别多种网络隐写算法。     

基于过程神经网络的语音识别技术研究

过程神经网络是一种基于过程神经元的新型神经网络,其输入及权值皆为时序函数。针对语音识别的特点,对过程神经网络在语音识别技术中的应用进行了探索性的研究,并与传统的BP神经网络、径向基函数网络进行了比较。仿真结果表明,采用过程神经网络进行的语音识别,识别性能得到了提高。     

基于神经网络的激光脉冲编码解码研究

应用神经网络技术对寻的式制导武器常用的PCM码型进行了识别,以验证这种解码方法的有效性。通过建立线性神经网络,采用训练向量长度优先和数量优先两种方式对网络进行训练,并对下一激光脉冲信号的产生时刻进行了预测。仿真结果表明,线性神经网络在2.3个周期内就可以准确地预测,并且脉冲在时间轴上小范围的抖动不能影响网络的预测精度,这表明神经网络技术可以有效地对脉冲编码进行解码操作,具有一定的工程实用性。     

基于神经网络专家系统的推理研究

为了克服传统专家系统知识获取难、学习适应能力差、推理效率低等问题,许多专家提出将神经网络与规则专家系统相结合,构建基于神经网络的专家系统模型。文中设计了一种基于神经网络专家系统模型的混合推理机制,通过对基于神经网络推理算法、规则推理算法以及神经网络与规则的混合推理算法进行实验比较,证明本文提出的混合推理机制在改善专家系统推理准确率方面的有效性。     

基于量子—BP神经网络的教学评价研究

将量子计算和BP神经网络相结合,产生一种新的量子—BP神经网络的方法,并将该方法应用于教学评价中,应用量子—BP神经网络的方法构建教学评价系统模型,进而对教学质量进行评价。通过实证分析,得到了满意的评价结果,说明该方法具有一定的可行性和实用性。