CN115544542A - 一种基于忆阻神经网络同步控制的图像加密方法 - Google Patents
一种基于忆阻神经网络同步控制的图像加密方法 Download PDFInfo
- Publication number
- CN115544542A CN115544542A CN202211197949.6A CN202211197949A CN115544542A CN 115544542 A CN115544542 A CN 115544542A CN 202211197949 A CN202211197949 A CN 202211197949A CN 115544542 A CN115544542 A CN 115544542A
- Authority
- CN
- China
- Prior art keywords
- neural network
- response system
- image
- synchronous
- synchronization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 73
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000004044 response Effects 0.000 claims abstract description 67
- 230000000739 chaotic effect Effects 0.000 claims abstract description 11
- 230000009471 action Effects 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008571 general function Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- RAPZEAPATHNIPO-UHFFFAOYSA-N risperidone Chemical compound FC1=CC=C2C(C3CCN(CC3)CCC=3C(=O)N4CCCCC4=NC=3C)=NOC2=C1 RAPZEAPATHNIPO-UHFFFAOYSA-N 0.000 description 2
- 229960001534 risperidone Drugs 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6209—Protecting access to data via a platform, e.g. using keys or access control rules to a single file or object, e.g. in a secure envelope, encrypted and accessed using a key, or with access control rules appended to the object itself
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Bioethics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于忆阻神经网络同步控制的图像加密方法,该方法基于惯性忆阻神经网络,构建具有无边界分布时滞的惯性忆阻神经网络驱动系统和响应系统;设定同步误差,设计自适应切换同步控制器,进而建立同步误差系统;响应系统在设计的自适应切换同步控制器的作用下,实现响应系统与驱动系统的同步;接着获取响应系统与驱动系统同步之后的混沌信号,并将其应用于图像的加密运算,从而实现图像的加密。本发明解决了具有无边界分布时滞的惯性忆阻神经网络的同步控制问题,并将其应用于图像加密领域,显著提升图像加密方法的复杂性和破解难度。
Description
技术领域
本发明涉及数字图像加密技术领域,具体为一种基于忆阻神经网络同步控制的图像加密方法。
背景技术
随着互联网的快速发展,现在人们主要是通过互联网传递各种格式的信息,如文字、语音、图像等。随着信息可以随意的在互联网上传递,人们也越来越注重对自己的信息的保护,以防止信息在储存或传递过程中被不法分子盗取。在图像信息安全领域中,给图像加密是最有效的手段之一,这也成为信息安全领域的一个重要课题。
忆阻器的电阻是由流经它的电荷决定的,因此只要测量忆阻器的电阻,就能知道流经它的电荷量,这就是忆阻器的记忆功能。基于忆阻器的特性,通过替换传统神经网络电路中的电阻,构建出非常适合模拟人脑的记忆神经网络,即忆阻神经网络。近几年来,由于忆阻神经网络的优点逐渐显现出来,其一直被科学家们所高度关注。
同步是忆阻神经网络中一种重要的动力学行为,其在人工智能的协同控制、安全通信等方面有着重要的应用前景。忆阻神经网络的同步还可以应用到信息安全领域,例如:图像加密和联想记忆。因此,通过研究惯性忆阻神经网络的同步来提高图像加密的安全性与可靠性是一件有积极意义的工作。
发明内容
本发明的目的是解决惯性忆阻神经网络的同步问题,并提供一种基于忆阻神经网络同步控制的图像加密方法,从而显著提高图像加密的可靠性。
为实现上述目的,本发明提供如下技术方案:一种基于忆阻神经网络同步控制的图像加密方法,包括以下步骤:
步骤S1:根据惯性忆阻神经网络,构建具有无边界分布时滞的惯性忆阻神经网络的驱动系统和响应系统;
步骤S2:根据步骤S1构建的具有无边界分布时滞的惯性忆阻神经网络驱动系统与响应系统,设定同步误差,进而设计自适应切换同步控制器,进而建立同步误差系统;
步骤S3:所述响应系统在所述自适应切换同步控制器的作用下,实现所述响应系统与所述驱动系统的同步,进而将其应用于图像加密。
进一步的,步骤S1具体包括以下内容:
步骤S11:构建具有无边界分布时滞的惯性忆阻神经网络的驱动系统为:
步骤S12:构建具有无边界分布时滞的惯性忆阻神经网络的响应系统为:
步骤S11和步骤S12中,时间t大于等于0,n表示所述驱动系统和所述响应系统含有的神经元个数,xi(t)表示所述驱动系统的第i个神经元在t时刻的状态,yi(t)表示所述响应系统的第i个神经元在t时刻的状态,αi、βi是常数并且满足αi>0、βi>0,fj(xj(t))表示所述驱动系统的第j个神经元不含时滞的激活函数,fj(xj(t-τj(t)))表示所述驱动系统的第j个神经元含有时滞的激活函数,fj(yj(t))表示所述响应系统的第j个神经元不含时滞的激活函数,fj(yj(t-τj(t)))表示所述响应系统的第j个神经元含有时滞的激活函数,上述各激活函数满足利普希茨条件且利普希茨常数为Fj,τj(t)表示离散时滞并满足0≤τj(t)≤τ1、τ1和τ2是常数,Kij(t-θ)是关于无边界分布时滞的内核实值函数,θ为积分变量,所述驱动系统的初始值满足xi(s)=φi(s)、所述响应系统的初始值满足 ui(t)表示自适应切换同步控制器,忆阻器连接权值aij(xi(t))、bij(xi(t))、cij(xi(t))、aij(yi(t))、bij(yi(t))、cij(yi(t))分别满足:
进一步的,步骤S2具体包括以下步骤:
步骤S21:根据步骤S1构建的具有无边界分布时滞的惯性忆阻神经网络驱动系统与响应系统,设定驱动系统和响应系统的同步误差:ei(t)=yi(t)-xi(t);
步骤S22:根据步骤S21设定的所述同步误差,设计所述自适应切换同步控制器为:
步骤S23:建立同步误差系统;
根据步骤S21设定的所述同步误差,结合所述的驱动系统和响应系统,得到同步误差系统如下:
进一步的,将步骤S22设计的所述自适应切换同步控制器,代入上述所述同步误差系统中,可得到所述同步误差系统的两种情况:
根据上述情况A和B,得到改写的同步误差系统为:
其中,fj(ej(t))=fj(yj(t))-fj(xj(t)),fj(ej(t-τj(t)))=fj(yj(t-τj(t)))-fj(xj(t-τj(t))),aij∈co[áij,àij],co[áij,àij]表示áij和àij的凸包,表示和的凸包。
进一步的,步骤S3具体包括以下步骤:
步骤S31:所述响应系统在所述自适应切换同步控制器的作用下,实现所述响应系统与所述驱动系统的同步,接着获取所述驱动系统与所述响应系统同步之后产生的混沌信号;
步骤S32:图像加密过程具体为:读取原始彩色图像,获得所述原始彩色图像的颜色分量矩阵R、G、B,再将所述原始彩色图像的颜色分量矩阵与所述驱动系统同步之后产生的混沌信号进行异或运算,得到加密颜色分量矩阵XR、XG、XB,接着对所述加密颜色分量矩阵进行置乱运算,置乱运算后的加密颜色分量矩阵构成了加密图像;
步骤S33:图像解密过程具体为:读取所述加密图像,获得所述加密图像的颜色分量矩阵XR*、XG*、XB*,再将所述加密图像的颜色分量矩阵进行逆置乱,接着对所述响应系统同步之后产生的相应混沌信号与逆置乱后的颜色分量矩阵进行异或运算,得到解密颜色分量矩阵R*、G*、B*,所述解密颜色分量矩阵R*、G*、B*构成了解密图像。
与现有技术相比,本发明的有益效果:
1、本发明中,本发明在惯性忆阻神经网络模型上,根据忆阻器的特性,引入了一个更加复杂的网络模型,在自适应切换同步控制器的作用下,实现驱动系统和响应系统的同步。
2、本发明中,使用非降阶的方法来直接分析二阶微分系统的动力学行为,能有效的降低理论结果的复杂度并保留惯性特性,也使得驱动-响应系统的同步过程更加简洁、易于理解。
3、本发明的方法,解决了具有无边界分布时滞的惯性忆阻神经网络的同步问题,并应用到图像加密领域中,显著提升图像加密方法的复杂性和破解难度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
在附图中:
图1是本发明的流程示意图;
图2是本发明对图像进行加密解密的方法流程图;
图3是本发明中无控制器控制下,误差系统e1(t)、e2(t)的曲线图;
图4是本发明中有自适应切换同步控制器控制下,误差系统e1(t)、e2(t)的曲线图;
图5是本发明中在自适应切换同步控制器控制下,驱动系统状态x1(t)和响应系统状态y1(t)达到同步的曲线图;
图6是本发明中在自适应切换同步控制器控制下,驱动系统状态x2(t)和响应系统状态y2(t)达到同步的曲线图;
图7是本发明中自适应切换同步控制器的自适应控制增益γ1(t)、γ2(t)、ξ1(t)、ξ2(t)的曲线图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
如图1所示,本实施例提供了一种基于忆阻神经网络同步控制的图像加密方法,该图像加密方法包括以下步骤:
步骤S1:根据惯性忆阻神经网络,构建具有无边界分布时滞的惯性忆阻神经网络的驱动系统和响应系统;
步骤S2:根据步骤S1构建的具有无边界分布时滞的惯性忆阻神经网络所述驱动系统与所述响应系统,设定同步误差,进而设计自适应切换同步控制器,进而建立同步误差系统;
步骤S3:所述响应系统在所述自适应切换同步控制器的作用下,实现所述响应系统与所述驱动系统的同步,进而将其应用于图像加密。
进一步的,步骤S1具体包括以下内容:
步骤S11:构建具有无边界分布时滞的惯性忆阻神经网络的驱动系统为:
步骤S12:构建具有无边界分布时滞的惯性忆阻神经网络的响应系统为:
步骤S11和步骤S12中,时间t大于等于0,n表示所述驱动系统和所述响应系统含有的神经元个数,xi(t)表示所述驱动系统的第i个神经元在t时刻的状态,yi(t)表示所述响应系统的第i个神经元在t时刻的状态,αi、βi是常数并且满足αi>0、βi>0,fj(xj(t))表示所述驱动系统的第j个神经元不含时滞的激活函数,fj(xj(t-τj(t)))表示所述驱动系统的第j个神经元含有时滞的激活函数,fj(yj(t))表示所述响应系统的第j个神经元不含时滞的激活函数,fj(yj(t-τj(t)))表示所述响应系统的第j个神经元含有时滞的激活函数,上述各激活函数满足利普希茨条件且利普希茨常数为Fj,τj(t)表示离散时滞并满足0≤τj(t)≤τ1、τ1和τ2是常数,Kij(t-θ)是关于无边界分布时滞的内核实值函数,θ为积分变量,所述驱动系统的初始值满足xi(s)=φi(s)、所述响应系统的初始值满足 ui(t)为自适应切换同步控制器,忆阻器连接权值aij(xi(t))、bij(xi(t))、cij(xi(t))、aij(yi(t))、bij(yi(t))、cij(yi(t))分别满足:
进一步的,步骤S2具体包括以下步骤:
步骤S21:根据步骤S1构建的所说的具有无边界分布时滞的惯性忆阻神经网络驱动系统与响应系统,设定所述驱动系统与响应系统的同步误差为:
ei(t)=yi(t)-xi(t);
步骤S22:根据步骤S21设定的所述同步误差,设计所述自适应切换同步控制器为:
步骤S23:建立同步误差系统;
根据步骤S21设定的所述同步误差,结合所述的驱动系统和响应系统,得到同步误差系统如下:
进一步的,将步骤S22设计的所述自适应切换同步控制器,代入上述所述同步误差系统中,可得到所述同步误差系统的两种情况:
根据上述情况A和B,得到改写的所述的同步误差系统为:
其中,fj(ej(t))=fj(yj(t))-fj(xj(t)),fj(ej(t-τj(t)))=fj(yj(t-τj(t)))-fj(xj(t-τj(t))),aij∈co[áij,àij],co[áij,àij]表示áij和àij的凸包,表示和的凸包。
在本实施例中,如图2所示,步骤S3具体包括以下步骤:
步骤S31:所述响应系统在所述自适应切换同步控制器的作用下,实现所述响应系统与所述驱动系统的同步,接着获取所述驱动系统与所述响应系统同步之后产生的混沌信号;
步骤S32:图像加密过程具体为:读取原始彩色图像,获得所述原始彩色图像的颜色分量矩阵R、G、B,再将所述原始彩色图像的颜色分量矩阵与所述驱动系统同步之后产生的混沌信号进行异或运算,得到加密颜色分量矩阵XR、XG、XB,接着对所述加密颜色分量矩阵进行置乱运算,置乱运算后的加密颜色分量矩阵构成了加密图像;
步骤S33:图像解密过程具体为:读取所述加密图像,获得所述加密图像的颜色分量矩阵XR*、XG*、XB*,再将所述加密图像的颜色分量矩阵进行逆置乱,接着对所述响应系统同步之后产生的相应混沌信号与逆置乱后的颜色分量矩阵进行异或运算,得到解密颜色分量矩阵R*、G*、B*,所述解密颜色分量矩阵R*、G*、B*构成了解密图像。
值得说明的是,本发明在惯性忆阻神经网络模型上,根据忆阻器的特性,引入了一个更加复杂的网络模型,在自适应切换同步控制器的作用下,实现驱动系统和响应系统的同步。本发明使用非降阶的方法来直接分析二阶微分系统的动力学行为,能有效的降低理论结果的复杂度并保留惯性特性,也使得驱动-响应系统的同步过程更加简洁、易于理解。在图像加密领域,本发明的方法解决了具有无边界分布时滞的惯性忆阻神经网络的同步问题,并应用到图像加密领域中,显著提升图像加密方法的复杂性和破解难度。
实施例2:
本实施例中主要包括两部分内容:
其一是对实施例1中提出的惯性忆阻神经网络的同步控制方法中,设计的所述自适应切换同步控制器的有效性进行理论证明。
其二是通过数值仿真的方法针对实施例1中基于惯性忆阻神经网络,构建的所述的驱动系统和响应系统进行验证是否达到同步。
(理论证明和仿真实验均不用于限定本发明,在其它实施例中可以不进行仿真实验,也可以采用其他实验方案进行试验,对该神经网络系统的性能进行验证。)
一、理论证明
本发明使用非降阶的方法来直接分析二阶微分系统的动力学行为,能有效的降低理论结果的复杂度并保留惯性特性。
首先,构建Lyapunov泛函数:
对所述的Lyapunov泛函数进行求导,并且将所述改写的同步误差系统(1)带入Lyapunov泛函数的导数得:
由于激活函数满足利普希茨条件,并根据Young不等式,我们可得到下列不等式:
将上述不等式(4)-(9)带入(3)式中,可得:
那么式(10)可以进一步改写成如下形式:
根据式(11)和李雅普诺夫渐近稳定性定理可知,同步误差渐近趋向于0,即所述驱动系统和所述响应系统可在所述的自适应切换同步控制器的作用下达到同步。
二.数值仿真
在本实施例中,考虑一个双神经元的具有无边界分布时滞的惯性忆阻神经网络模型驱动系统如下
考虑一个双神经元的具有无边界分布时滞的惯性忆阻神经网络模型响应系统如下
其中,激活函数为fj(xj(t))=tanh(xj(t)),fj(xj(t-τj(t)))=tanh(xj(t-τj(t))),fj(yj(t))=tanh(yj(t)),fj(yj(t-τj(t)))=tanh(yj(t-τj(t))),Kij(t-θ)=eθ-t和τj(t)=0.1et/(1+et),i,j=1,2。参数选择为α1=α2=1.3,β1=β2=0.7,τ1=0.1,τ2=0.025,á11=-12,à11=10,á12=0.01,à12=0.03,á21=5,à21=-1,á22=-3,à22=4, 所述的自适应切换同步控制器参数设置为γ1(0)=γ2(0)=ξ1(0)=ξ2(0)=0。初始条件设为φ1(s)=φ2(s)=0.6,ψ1(s)=ψ2(s)=-2.1,
根据上述参数进行数值仿真,图3表示在无控制器控制下,同步误差e1(t)和e2(t)的曲线呈现震荡趋势,无法实现同步;图4表示在有自适应切换同步控制器控制下,同步误差e1(t)和e2(t)曲线趋于零,实现同步;图5表示在自适应切换同步控制器控制下驱动系统状态x1(t)和响应系统状态y1(t)达到同步;图6表示在自适应切换同步控制器控制下驱动系统状态x2(t)和响应系统状态y2(t)达到同步;图7表示自适应切换同步控制器的自适应控制增益γ1(t)、γ2(t)、ξ1(t)、ξ2(t)的变化曲线。
最后应说明的是:以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于忆阻神经网络同步控制的图像加密方法,其特征在于,包括以下步骤:
步骤S1:根据惯性忆阻神经网络,构建具有无边界分布时滞的惯性忆阻神经网络的驱动系统和响应系统;
步骤S2:根据步骤S1构建的具有无边界分布时滞的惯性忆阻神经网络驱动系统与响应系统,设定同步误差,设计自适应切换同步控制器,进而建立同步误差系统;
步骤S3:所述响应系统在所述自适应切换同步控制器的作用下,实现所述响应系统与所述驱动系统的同步,进而将其应用于图像加密。
2.根据权利要求1所述的一种基于忆阻神经网络同步控制的图像加密方法,其特征在于,步骤S1具体包括以下内容:
步骤S11:构建具有无边界分布时滞的惯性忆阻神经网络的驱动系统为:
步骤S12:构建具有无边界分布时滞的惯性忆阻神经网络的响应系统为:
步骤S11和步骤S12中,时间t大于等于0,n表示所述驱动系统和所述响应系统含有的神经元个数,xi(t)表示所述驱动系统的第i个神经元在t时刻的状态,yi(t)表示所述响应系统的第i个神经元在t时刻的状态,αi、βi是常数并且满足αi>0、βi>0,fj(xj(t))表示所述驱动系统的第j个神经元不含时滞的激活函数,fj(xj(t-τj(t)))表示所述驱动系统的第j个神经元含有时滞的激活函数,fj(yj(t))表示所述响应系统的第j个神经元不含时滞的激活函数,fj(yj(t-τj(t)))表示所述响应系统的第j个神经元含有时滞的激活函数,上述各激活函数满足利普希茨条件且利普希茨常数为Fj>0,τj(t)表示离散时滞并满足0≤τj(t)≤τ1、τ1和τ2是常数,Kij(t-θ)是关于无边界分布时滞的内核实值函数,θ为积分变量,所述驱动系统的初始值满足xi(s)=φi(s)、s∈[-τ1,0],所述响应系统的初始值满足 s∈[-τ1,0],ui(t)表示自适应切换同步控制器,忆阻器连接权值aij(xi(t))、bij(xi(t))、cij(xi(t))、aij(yi(t))、bij(yi(t))、cij(yi(t))分别满足:
3.根据权利要求1所述的一种基于忆阻神经网络同步控制的图像加密方法,其特征在于,步骤S2具体包括以下步骤:
步骤S21:根据步骤S1构建的具有无边界分布时滞的惯性忆阻神经网络的驱动系统与响应系统,设定所述驱动系统与所述响应系统的同步误差为:
ei(t)=yi(t)-xi(t);
步骤S22:根据步骤S21设定的所述同步误差,设计所述自适应切换同步控制器为:
步骤S23:建立同步误差系统;
根据步骤S21设定的所述同步误差,结合所述的驱动系统和响应系统,得到同步误差系统如下:
进一步的,将步骤S22设计的所述自适应切换同步控制器,代入上述所述的同步误差系统中,可得到所述的同步误差系统的两种情况:
A、当|xi(t)|≤γi且|yi(t)|≤γi时或当|xi(t)|>γi且|yi(t)|≤γi时,得到所述的同步误差系统为:
B、当|xi(t)|>γi且|yi(t)|>γi时或当|xi(t)|≤γi且|yi(t)|>γi时,得到所述的同步误差系统为:
根据上述情况A和B,可得到改写的同步误差系统为:
4.根据权利要求1所述的一种基于忆阻神经网络同步控制的图像加密方法,其特征在于,步骤S3具体以下步骤:
步骤S31:所述响应系统在所述自适应切换同步控制器的作用下,实现所述响应系统与所述驱动系统的同步,接着获取所述驱动系统与所述响应系统同步之后产生的混沌信号;
步骤S32:图像加密过程具体为:读取原始彩色图像,获得所述原始彩色图像的颜色分量矩阵R、G、B,再将所述原始彩色图像的颜色分量矩阵与所述驱动系统同步之后产生的混沌信号进行异或运算,得到加密颜色分量矩阵XR、XG、XB,接着对所述加密颜色分量矩阵进行置乱运算,置乱运算后的加密颜色分量矩阵构成了加密图像;
步骤S33:图像解密过程具体为:读取所述加密图像,获得所述加密图像的颜色分量矩阵XR*、XG*、XB*,再将所述加密图像的颜色分量矩阵进行逆置乱,接着对所述响应系统同步之后产生的相应混沌信号与逆置乱后的颜色分量矩阵进行异或运算,得到解密颜色分量矩阵R*、G*、B*,所述解密颜色分量矩阵R*、G*、B*构成了解密图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211197949.6A CN115544542B (zh) | 2022-09-29 | 2022-09-29 | 一种基于忆阻神经网络同步控制的图像加密方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211197949.6A CN115544542B (zh) | 2022-09-29 | 2022-09-29 | 一种基于忆阻神经网络同步控制的图像加密方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115544542A true CN115544542A (zh) | 2022-12-30 |
CN115544542B CN115544542B (zh) | 2023-05-05 |
Family
ID=84731264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211197949.6A Active CN115544542B (zh) | 2022-09-29 | 2022-09-29 | 一种基于忆阻神经网络同步控制的图像加密方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115544542B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449701A (zh) * | 2023-04-07 | 2023-07-18 | 盐城工学院 | 一种二阶cg神经网络的同步控制方法 |
CN116781369A (zh) * | 2023-07-03 | 2023-09-19 | 盐城工学院 | 一种基于参数不确定惯性神经网络的图像加密方法及系统 |
CN116827519A (zh) * | 2023-07-28 | 2023-09-29 | 常州大学 | 超混沌忆阻Chialvo神经元映射加密方法及系统 |
CN116847033A (zh) * | 2023-07-03 | 2023-10-03 | 盐城工学院 | 一种基于惯性忆阻神经网络反同步的图像加密方法及系统 |
CN116962588A (zh) * | 2023-07-03 | 2023-10-27 | 盐城工学院 | 基于比例时滞参数不确定神经网络的图像加密方法及系统 |
CN117201687A (zh) * | 2023-07-03 | 2023-12-08 | 盐城工学院 | 基于惯性忆阻神经网络投影同步的图像加密方法及系统 |
CN117335957A (zh) * | 2023-10-10 | 2024-01-02 | 盐城工学院 | 一种bam忆阻神经网络修正函数投影同步的保密通信方法 |
CN117454394A (zh) * | 2023-10-10 | 2024-01-26 | 盐城工学院 | 基于模糊神经网络固定时间同步的图像加密方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114064515A (zh) * | 2020-08-06 | 2022-02-18 | 英特尔公司 | 具有任意传输长度的ssd管理的主机写入原子性 |
CN114280941A (zh) * | 2021-12-30 | 2022-04-05 | 山东星通易航通信科技有限公司 | 一种基于分数阶多时滞忆阻神经网络的vdes通信方法 |
US20220152817A1 (en) * | 2020-11-18 | 2022-05-19 | Dibi (Chongqing) Intelligent Technology Research Institute Co., Ltd. | Neural network adaptive tracking control method for joint robots |
-
2022
- 2022-09-29 CN CN202211197949.6A patent/CN115544542B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114064515A (zh) * | 2020-08-06 | 2022-02-18 | 英特尔公司 | 具有任意传输长度的ssd管理的主机写入原子性 |
US20220152817A1 (en) * | 2020-11-18 | 2022-05-19 | Dibi (Chongqing) Intelligent Technology Research Institute Co., Ltd. | Neural network adaptive tracking control method for joint robots |
CN114280941A (zh) * | 2021-12-30 | 2022-04-05 | 山东星通易航通信科技有限公司 | 一种基于分数阶多时滞忆阻神经网络的vdes通信方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449701B (zh) * | 2023-04-07 | 2023-12-01 | 盐城工学院 | 一种二阶cg神经网络的同步控制方法 |
CN116449701A (zh) * | 2023-04-07 | 2023-07-18 | 盐城工学院 | 一种二阶cg神经网络的同步控制方法 |
CN117201687B (zh) * | 2023-07-03 | 2024-05-28 | 盐城工学院 | 基于惯性忆阻神经网络投影同步的图像加密方法及系统 |
CN116781369A (zh) * | 2023-07-03 | 2023-09-19 | 盐城工学院 | 一种基于参数不确定惯性神经网络的图像加密方法及系统 |
CN116847033A (zh) * | 2023-07-03 | 2023-10-03 | 盐城工学院 | 一种基于惯性忆阻神经网络反同步的图像加密方法及系统 |
CN116962588A (zh) * | 2023-07-03 | 2023-10-27 | 盐城工学院 | 基于比例时滞参数不确定神经网络的图像加密方法及系统 |
CN117201687A (zh) * | 2023-07-03 | 2023-12-08 | 盐城工学院 | 基于惯性忆阻神经网络投影同步的图像加密方法及系统 |
CN116781369B (zh) * | 2023-07-03 | 2023-12-15 | 盐城工学院 | 一种基于参数不确定惯性神经网络的图像加密方法及系统 |
CN116962588B (zh) * | 2023-07-03 | 2024-01-30 | 盐城工学院 | 基于比例时滞参数不确定神经网络的图像加密方法及系统 |
CN116847033B (zh) * | 2023-07-03 | 2024-02-23 | 盐城工学院 | 一种基于惯性忆阻神经网络反同步的图像加密方法及系统 |
CN116827519A (zh) * | 2023-07-28 | 2023-09-29 | 常州大学 | 超混沌忆阻Chialvo神经元映射加密方法及系统 |
CN116827519B (zh) * | 2023-07-28 | 2024-05-28 | 常州大学 | 超混沌忆阻Chialvo神经元映射加密方法及系统 |
CN117335957A (zh) * | 2023-10-10 | 2024-01-02 | 盐城工学院 | 一种bam忆阻神经网络修正函数投影同步的保密通信方法 |
CN117454394B (zh) * | 2023-10-10 | 2024-05-21 | 盐城工学院 | 基于模糊神经网络固定时间同步的图像加密方法及系统 |
CN117335957B (zh) * | 2023-10-10 | 2024-03-26 | 盐城工学院 | 一种bam忆阻神经网络修正函数投影同步的保密通信方法 |
CN117454394A (zh) * | 2023-10-10 | 2024-01-26 | 盐城工学院 | 基于模糊神经网络固定时间同步的图像加密方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115544542B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115544542A (zh) | 一种基于忆阻神经网络同步控制的图像加密方法 | |
CN115563633B (zh) | 一种基于惯性忆阻竞争神经网络的保密通信方法 | |
CN116760933B (zh) | 一种基于具有反应扩散的神经网络的图像加密方法及系统 | |
CN109104544B (zh) | 一种基于复杂网络同步的混沌图像加密方法 | |
CN116847033B (zh) | 一种基于惯性忆阻神经网络反同步的图像加密方法及系统 | |
EP3942476A1 (en) | Encrypting and decrypting information | |
CN115145156A (zh) | 一种惯性忆阻神经网络的自适应反同步方法 | |
CN106296561A (zh) | 基于超混沌系统的图像加密方法及装置、解密方法及装置 | |
CN116800508B (zh) | 一种具有反应扩散项的复值忆阻神经网络保密通信方法 | |
EP3443705A1 (de) | Verfahren und anordnung zum aufbauen einer sicheren kommunikation zwischen einer ersten netzwerkeinrichtung (initiator) und einer zweiten netzwerkeinrichtung (responder) | |
CN111294198B (zh) | 一种基于混沌系统的自适应加密通讯方法 | |
CN116781369B (zh) | 一种基于参数不确定惯性神经网络的图像加密方法及系统 | |
Pal et al. | An TPM based approach for generation of secret key | |
CN113285797B (zh) | 基于压缩感知与深度学习的光回转域多图像加密方法 | |
CN113746619A (zh) | 预定义时间同步控制的图像加密方法、解密方法及系统 | |
Xiong et al. | Adaptive Multi‐Switching Synchronization of High‐Order Memristor‐Based Hyperchaotic System with Unknown Parameters and Its Application in Secure Communication | |
CN116193041A (zh) | 一种基于多稳态忆阻器与四维混沌神经网络的图像加密方法 | |
Noughabi et al. | Design of S-boxes based on neural networks | |
Chao et al. | Priority visual secret sharing of random grids for threshold access structures | |
Olvera-Martinez et al. | First SN P visual cryptographic circuit with astrocyte control of structural plasticity for security applications | |
CN115936085A (zh) | 一种多场景的hnn构建方法和自适应同步方法 | |
CN117201687B (zh) | 基于惯性忆阻神经网络投影同步的图像加密方法及系统 | |
CN115130568A (zh) | 支持多参与方的纵向联邦Softmax回归方法及系统 | |
CN117436098B (zh) | 基于未知扰动的惯性模糊神经网络的图像加密方法及系统 | |
CN117335957B (zh) | 一种bam忆阻神经网络修正函数投影同步的保密通信方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231211 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: 224051 No. 1 hope road middle road, Ting Hu District, Yancheng City, Jiangsu Patentee before: YANCHENG INSTITUTE OF TECHNOLOGY |