基于神经网络混沌加密算法的专用芯片设计

根据一种基于神经网络混沌加密算法所提出的对称密钥密码方案,设计了一种安全实用的加解密专用芯片。该芯片是采用VHDL语言设计的,并用FPGAs实现。文中主要介绍该加解密专用芯片的设计原理和方法。     

基于混沌神经网络的彩色图像加密算法研究

为了更加系统了解基于混沌神经网络的图像加密技术,进行了简单研究。神经网络实现了混沌和扩散函数,利用混沌映射作为神经层的传递函数,设计在同一加密周期内对大量相邻图像像素进行混淆和扩散的CNN网络。其中,混沌神经元层实现数据扩散,线性神经元层实现数据混淆,两层重复多次增强密码,且解密过程与加密过程对称。与现有图像加密方法相比,该加密方法旨在减少相邻图像像素之间的冗余,获得更高的感知安全性。理论分析和实验结果表明,分组密码具有良好的计算安全性,更适合于图像加密。     

一种基于神经网络的多级混沌加密算法

混沌信号具有良好的伪随机性,可用于构成加密系统。提出了一种基于多级混沌模型进行加密的算法,并在此基础上利用混沌对误差的极端敏感性,通过神经网络对误差反向传播,改进算法,使其具有更高的保密性。实验表明该算法安全性好,易于实现。     

基于置换乱序的混沌加密算法

本文分析国内外部分研究成果的新进展 ,指出混沌序列在实际加密应用过程中存在的一个本质缺陷。由于混沌序列具有类随机性、对初始条件敏感性、序列相关性、复杂性和较宽的频谱等优良的密码学性能 ,作者针对这一现代密码学重要的研究方向。提出一个可实施的加密改进方案 ,该方案可有效提高混沌加密算法的抗破译性。     

基于三维混沌序列的数字图像加密算法

对Lorenz序列进行了改进,改进后的序列具有理想的伪随机特性。提出了应用改进后的Lorenz序列进行图像加密的算法,该算法对图像的像素和空间位置均进行置乱。仿真及分析结果表明,该算法密钥空间大,具有较好的统计特性、较强的抗干扰能力和较高的执行效率,加密效果对密钥敏感。     

基于混沌序列的图像加密算法

加密是保证机密信息安全的重要手段.设计了一种基于混沌序列的加密算法:以非线性动力系统的Logistic映射为模型,采用两个初值不同的混沌序列,由它们分别产生二值序列的奇数位与偶数位,再与数字图像进行异或操作,实现了对图像的快速加密.实验证明该算法实现简单,安全性高,有较强的抗攻击能力,具有良好的加密效果.     

基于混沌系统的图像加密算法

混沌序列具有容易生成,对初始条件敏感以及具备白噪声的统计特性等特点,混沌序列的离散映射也具其相似的特性,文中讨论了一种以实数值混沌序列为基础。利用图像置乱变换技术,实现基于空域或频域的数字图像加密算法,该算法具有较高的安全性,实验结果令人满意。     

基于混沌序列的数字图像加密算法

文章给出了一种基于混沌序列的图像加密算法,该算法可以实现对两幅数字图像的快速加密,实验证明,该算法具有较高的效率和较好的加密效果。     

基于混沌理论的彩色图像加密算法研究

图像信息的安全保护是军队信息系统建设的重要课题;文中给出了图像加密系统功能结构,并对该功能结构中的各模块的功能进行了说明;针对彩色图像的存储特性,为改进彩色图像加密算法的安全性和效率,提出了一种基于三维超混沌系统的彩色图像加密算法;该算法利用改进的三维超混沌系统产生混沌序列,利用复合加密算法实现彩色图像在空域上的加密;理论分析和仿真实验表明,该算法具有良好的保密性和加密效果;若进一步降低运算量,该算法可广泛应用于军用图像、商业机密图纸和远程私人病历等需要保密通信的场合.     

基于小波神经网络的混沌时间序列预测

本文提出了一种用小波神经网络进行混沌时间序列预测的方法,并介绍了小波神经网络的基本构造和学习算法。在此基础上,通过由Logistic方程产生的混沌时间序列对该神经网络进行模拟实验,证明了该神经网络具有较好的预测效果。     

基于同态加密的卷积神经网络前向传播方法

现如今,利用云技术完成机器学习预测任务变得十分普遍。然而在云端处理数据存在用户隐私数据泄露的风险。利用同态加密特性,使用户数据在加密状态下完成预测任务,并将加密结果返回给用户,这样就可以解决上述的风险问题。根据上述思路,提出一种加密域下的卷积神经网络前向传播方法。该方法描述了用户加密数据输入到加密预测结果输出的过程。该方法充分结合全局平均池化解决了全连接层参数多、计算缓慢这一问题。实验结果表明,该方法能够大幅度减少模型参数以及加密预测时延,并且保持较好的加密预测准确率。     

一种基于二维Logistic混沌映射的VEA加密算法设计

提出一种基于二维Logistic混沌映射的VEA加密算法,即通过二维Logistic混沌系统方程,产生2组具有混沌特性的二进制密钥流序列,再与图像的DCT系数进行两次加密,得到加密图像。通过使用混沌密钥进行二次加密的视频数据,具有安全性高、抵抗攻击能力强等特点。     

基于神经网络模型的时间序列预测算法及其应用

提出了一种神经网络模型的时间序列直接多步预测算法。网络的学习采用具有遗忘因子的ＢＰ算法与时差方法相结合的混合算法，解决了经典ＢＰ算法在直接多步预测中不能渐进计算的问题，同时网络具备一定的结构学习能力。采用该算法对现场采集的高炉铁水含硅量时间序列数据进行预报实验，表明本文提出的直接多步预测方法是可行的。     

基于神经网络模型的直接优化预测控制

针对具有时延的非线性系统提出了一种基于神经网络模型直接优于的预测控制。     

边坡位移LMD-BP神经网络模型研究

结合局部均值分解LMD(Local mean decomposition)算法和BP神经网络算法,提出一种全新的局部均值分解——BP神经网络位移时序预测模型。通过把实际监测的位移值作为训练样本,利用局部均值分解算法对其进行高度的自适应分解,得到多个生产函数PF(Product function)分量;而后通过BP神经网络模型对每一个PF分量进行预测,再把各个PF分量预测值进行重构累加,即可得到位移的预测值。通过BP神经网络对相关参数进行优化,达到了对于预测精度的改善。将该模型应用到永久船闸高边坡的三个监测点上进行位移时序预测中,结果表明,预测精度较高,具有一定的科学依据,在边坡体位移时序预测领域中具有极大的潜在价值。     

基于神经网络的强化学习算法研究

BP神经网络在非线性控制系统中被广泛运用,但作为有导师监督的学习算法,要求批量提供输入输出对神经网络训练,而在一些并不知道最优策略的系统中,这样的输入输出对事先并无法得到,另一方面,强化学习从实际系统学习经验来调整策略,并且是一个逼近最优策略的过程,学习过程并不需要导师的监督。提出了将强化学习与BP神经网络结合的学习算法-RBP模型。该模型的基本思想是通过强化学习控制策略,经过一定周期的学习后再用学到的知识训练神经网络,以使网络逐步收敛到最优状态。最后通过实验验证了该方法的有效性及收敛性。     

基于遗传交换操作的多层神经网络算法

反向传播算法的最大缺陷之一是容易陷入局部极小点。为此，我们在基因遗传算法（ＧＡ）原理的基础上，增加了区域变化这一重要环节，设计出一种启发式遗传操作算法，将将它用于多层神经网络的学习过程，实例结果表明用此算法能快速得到最佳权值分布。     

基于神经网络LMBP算法的入侵检测方法

阐述了基于神经网络LMBP算法的入侵检测方法,在对网络中的IP数据包进行分析处理以及特征提取的基础上,采用神经网络进行训练或判别,以达到对未知数据包进行检测的目的.由传统的BP算法与LMBP算法的分析与比较得到:LMBP算法解决了传统BP算法的收敛速度慢、易陷入局部最小的问题.实验结果表明,LMBP算法的学习速度快,收敛速度快,将这个算法应用于基于神经网络的入侵检测,效果良好,判别准确率高,为实现高效准确的入侵检测提供了一种有效的方法.     

一种基于混沌理论的字符串加密算法

提出一种基于混沌理论的字符串加密算法.通过应用混沌理论的"随机过程"产生随机密钥和随机干扰字符串,使用密钥对明文字符串进行异或(XOR)加密,再将运算后的密文同密钥、干扰字符串按照一定规则组合构成完整的混沌密文.该算法具有运算量小、灵活性强、加密强度高的特点.