CN115563633B - 一种基于惯性忆阻竞争神经网络的保密通信方法 - Google Patents
一种基于惯性忆阻竞争神经网络的保密通信方法 Download PDFInfo
- Publication number
- CN115563633B CN115563633B CN202211198033.2A CN202211198033A CN115563633B CN 115563633 B CN115563633 B CN 115563633B CN 202211198033 A CN202211198033 A CN 202211198033A CN 115563633 B CN115563633 B CN 115563633B
- Authority
- CN
- China
- Prior art keywords
- response system
- memristor
- signal
- neural network
- inertial
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 56
- 238000004891 communication Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000004044 response Effects 0.000 claims abstract description 70
- 238000009792 diffusion process Methods 0.000 claims abstract description 27
- 230000009471 action Effects 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 9
- 210000000225 synapse Anatomy 0.000 claims description 8
- 230000000739 chaotic effect Effects 0.000 claims description 6
- 230000000946 synaptic effect Effects 0.000 claims description 6
- 230000002860 competitive effect Effects 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 13
- 238000004088 simulation Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 238000005336 cracking Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000013016 damping Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002241 neurite Anatomy 0.000 description 1
- 230000000638 stimulation Effects 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
- G06F21/606—Protecting data by securing the transmission between two devices or processes
-
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/001—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using chaotic signals
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioethics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于惯性忆阻竞争神经网络的保密通信方法,该方法基于惯性忆阻竞争神经网络,建立具有反应扩散的惯性忆阻竞争神经网络驱动系统和响应系统;设定反同步误差,设计反同步控制器;响应系统在反同步控制器的作用下,实现响应系统与驱动系统的反同步,进而实现保密通信方法。本发明解决了具有反应扩散的惯性忆阻竞争神经网络难以实现反同步的问题,显著提升保密通信的复杂性和安全性。
Description
技术领域
本发明涉及竞争神经网络和保密通信技术领域,具体为一种基于惯性忆阻竞争神经网络的保密通信方法。
背景技术
忆阻器具有体积小、密度高、可扩展性好等优点。与电阻不同,当电路断开时,忆阻器可以记住最后通过的电荷值。这一特性与生物神经元突触的记忆特性相似,因此忆阻器常用于模拟人工神经网络中的突触。这种带有忆阻器的神经网络称为忆阻神经网络。就目前的研究而言,许多不同领域的研究者对忆阻神经网络的动力学行为进行了研究,并取得了显著的成果。分析忆阻神经网络的动力学行为在实际应用中具有重要作用。这些领域包括机器学习,信号处理,图像处理等。
竞争神经网络是一种经典的神经网络。与一般神经网络不同,竞争神经网络有两种形式的状态变量,一种表示短期记忆,模拟神经激励层的动力学行为;另一种表示长期记忆,模拟神经突触变化的动力学行为。由于竞争神经网络模型具有双层结构,因此其动力学行为较复杂。
在实际应用中,非线性神经网络往往处于弱阻尼情况中。弱阻尼也被称为惯性,是神经网络中产生混沌和分岔的关键工具。因此,为了使研究更接近实际情况,非常有必要将惯性项引入神经网络,实现惯性复值忆阻神经网络的反同步,对于提升保密通信的复杂性和安全性有明显效果。
发明内容
本发明的目的是解决惯性忆阻竞争神经网络的反同步问题,并提供一种基于惯性忆阻竞争神经网络的保密通信方法,从而提高保密通信的安全性。
为实现上述目的,本发明提供如下技术方案:一种基于惯性忆阻竞争神经网络的保密通信方法,包括以下步骤:
步骤S1:基于惯性忆阻竞争神经网络,建立具有反应扩散的惯性忆阻竞争神经网络驱动系统和响应系统;步骤S1具体包括以下步骤:
步骤S11:建立具有反应扩散的惯性忆阻竞争神经网络驱动系统为:
其中,时间t≥0,n表示所述驱动系统中神经元的个数,i,j=1,2,...,n,K表示所述驱动系统空间维数,k=1,2,...,K,空间变量r=(r1,r2,...,rK)T且满足|rk|<σk,σk为正常数,xi(t,r)表示所述驱动系统中第i个神经元在时间t和空间r的状态变量,αik≥0表示传输扩散参数,τ(t)表示离散时滞且满足0≤τ(t)≤τ1,τ1和μ为正常数,fj(xj(t,r))表示所述驱动系统的第j个神经元不含时滞的激活函数且满足利普希茨条件,其利普希茨常数为gj(xj(t-τ(t),r))表示所述驱动系统的第j个神经元含有离散时滞的激活函数且满足利普希茨条件,其利普希茨常数为q表示突触个数,l=1,2,...,q,mil(t,r)表示突触效率,pl表示恒定外部刺激且满足ζi表示外部刺激强度,ai和bi均为正常数,cij(xi(t,r))和dij(xi(t,r))表示忆阻器连接权值,且满足:
步骤S12:建立具有反应扩散的惯性忆阻竞争神经网络响应系统为:
其中,时间t≥0,n表示所述响应系统中神经元的个数,i,j=1,2,...,n,K表示所述响应系统空间维数,k=1,2,...,K,空间变量r=(r1,r2,...,rK)T且满足|rk|<σk,σk为正常数,表示所述响应系统中第i个神经元在时间t和空间r的状态变量,αik≥0表示传输扩散参数,τ(t)表示离散时滞且满足0≤τ(t)≤τ1,τ1和μ为正常数,表示所述响应系统的第j个神经元不含时滞的激活函数且满足利普希茨条件,其利普希茨常数为 表示所述响应系统的第j个神经元含有时滞的激活函数且满足利普希茨条件,其利普希茨常数为q表示响应系统突触个数,l=1,2,...,q,表示响应系统突触效率,pl表示恒定外部刺激且满足ζi表示外部刺激强度,ai和bi均为正常数,u1i(t,r)和u2i(t,r)为反同步控制器,和表示忆阻器连接权值且满足:
步骤S2:根据步骤S1建立的具有反应扩散的惯性忆阻竞争神经网络驱动系统与响应系统,设定反同步误差,设计反同步控制器;
步骤S3:所述响应系统在所述反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反同步,进而实现保密通信方法;步骤S3具体包括以下步骤:
步骤S31:所述响应系统在所述反同步控制器的作用下,所述响应系统与所述驱动系统实现反同步;所述驱动系统与所述响应系统反同步之后,发送端获取所述驱动系统产生的混沌信号作为加密信号xi(t,r)和si(t,r),接收端获取所述响应系统产生的混沌信号作为解密信号和
步骤S32:所述发送端将所述加密信号xi(t,r)和明文信号z1i(t,r)进行加密运算,从而获得密文信号h1i(t,r),h1i(t,r)=xi(t,r)+z1i(t,r);所述发送端将所述加密信号si(t,r)和明文信号z2i(t,r)进行加密运算,从而获得密文信号h2i(t,r),h2i(t,r)=si(t,r)+z2i(t,r);
步骤S33:所述发送端通过信道发送所述密文信号h1i(t,r)和h2i(t,r),所述接收端通过所述信道接收所述密文信号h1i(t,r)和h2i(t,r);
步骤S34:所述接收端将收到的所述密文信号h1i(t,r)和所述解密信号进行解密运算还原所述明文信号z1i(t,r),所述接收端将收到的所述密文信号h2i(t,r)和所述解密信号进行解密运算还原所述明文信号
进一步地,步骤S2具体包括以下步骤:
步骤S21:设定改写后的驱动系统与改写后的响应系统的反同步误差为:
步骤S22:根据步骤S21设定的改写后的驱动系统与改写后的响应系统的反同步误差,设计反同步控制器为:
并且,ε为一个足够小的正常数;
将所述反同步控制器作用于所述响应系统,使得所述响应系统反同步于所述驱动系统。
与现有技术相比,本发明的有益效果:
1、本发明中,在惯性忆阻竞争神经网络模型的选择上,根据忆阻器电路的特性,特别引入了反应扩散项构成了一个更复杂的网络模型,显著提升保密通信方案的复杂性和破解难度。
2、本发明中,可将惯性忆阻竞争神经网络系统中短期记忆状态变量信号和长期记忆状态变量信号,将其分别与不同的密文信号分别叠加,获得叠加信号并进行传送,提高了信息传递的效率。
3、本发明中提出的惯性忆阻竞争神经网络的反同步控制方法中引入了反应扩散项使得惯性忆阻竞争神经网络中的状态变量与时间和空间有关,提升了叠加信号的复杂程度,从而增加了保密通信方案的破解难度。
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是本发明一种基于惯性忆阻竞争神经网络的保密通信方法的流程图;
图2是本发明网络传输的示意图;
图3是本发明数值仿真中惯性忆阻竞争神经网络反同步误差的变化轨迹图;
图4是本发明数值仿真中驱动系统状态轨迹图;
图5是本发明数值仿真中响应系统状态轨迹图。
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。
如图1所示,本实施例提供一种基于惯性忆阻竞争神经网络的保密通信方法。该保密通信方法包括以下步骤:
步骤S1:基于惯性忆阻竞争神经网络,建立具有反应扩散的惯性忆阻竞争神经网络驱动系统和响应系统;步骤S1具体包括以下步骤:
步骤S11:建立具有反应扩散的惯性忆阻竞争神经网络驱动系统为:
其中,时间t≥0,n表示所述驱动系统中神经元的个数,i,j=1,2,...,n,K表示所述驱动系统空间维数,k=1,2,...,K,空间变量r=(r1,r2,...,rK)T且满足|rk|<σk,σk为正常数,xi(t,r)表示所述驱动系统中第i个神经元在时间t和空间r的状态变量,αik≥0表示传输扩散参数,τ(t)表示离散时滞且满足0≤τ(t)≤τ1,τ1和μ为正常数,fj(xj(t,r))表示所述驱动系统的第j个神经元不含时滞的激活函数且满足利普希茨条件,其利普希茨常数为gj(xj(t-τ(t),r))表示所述驱动系统的第j个神经元含有离散时滞的激活函数且满足利普希茨条件,其利普希茨常数为q表示突触个数,l=1,2,...,q,mil(t,r)表示突触效率,pl表示恒定外部刺激且满足ζi表示外部刺激强度,ai和bi均为正常数,cij(xi(t,r))和dij(xi(t,r))表示忆阻器连接权值,且满足:
步骤S12:建立具有反应扩散的惯性忆阻竞争神经网络响应系统为:
其中,时间t≥0,n表示所述响应系统中神经元的个数,i,j=1,2,...,n,K表示所述响应系统空间维数,k=1,2,...,K,空间变量r=(r1,r2,...,rK)T且满足|rk|<σk,σk为正常数,表示所述响应系统中第i个神经元在时间t和空间r的状态变量,αik≥0表示传输扩散参数,τ(t)表示离散时滞且满足0≤τ(t)≤τ1,τ1和μ为正常数,表示所述响应系统的第j个神经元不含时滞的激活函数且满足利普希茨条件,其利普希茨常数为 表示所述响应系统的第j个神经元含有时滞的激活函数且满足利普希茨条件,其利普希茨常数为q表示响应系统突触个数,l=1,2,...,q,表示响应系统突触效率,pl表示恒定外部刺激且满足ζi表示外部刺激强度,ai和bi均为正常数,u1i(t,r)和u2i(t,r)为反同步控制器,和表示忆阻器连接权值且满足:
步骤S2:根据步骤S1建立的具有反应扩散的惯性忆阻竞争神经网络驱动系统与响应系统,设定反同步误差,设计反同步控制器;
步骤S3:所述响应系统在所述反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反同步,进而实现保密通信方法;步骤S3具体包括以下步骤:
步骤S31:如图2所示,所述响应系统在所述反同步控制器的作用下,所述响应系统与所述驱动系统实现反同步;所述驱动系统与所述响应系统反同步之后,发送端获取所述驱动系统产生的混沌信号作为加密信号xi(t,r)和si(t,r),接收端获取所述响应系统产生的混沌信号作为解密信号和
步骤S32:如图2所示,所述发送端将所述加密信号xi(t,r)和明文信号z1i(t,r)进行加密运算,从而获得密文信号h1i(t,r),h1i(t,r)=xi(t,r)+z1i(t,r);所述发送端将所述加密信号si(t,r)和明文信号z2i(t,r)进行加密运算,从而获得密文信号h2i(t,r),h2i(t,r)=si(t,r)+z2i(t,r);
步骤S33:如图2所示,所述发送端通过信道发送所述密文信号h1i(t,r)和h2i(t,r),所述接收端通过所述信道接收所述密文信号h1i(t,r)和h2i(t,r);
步骤S34:如图2所示,所述接收端将收到的所述密文信号h1i(t,r)和所述解密信号进行解密运算还原所述明文信号z1i(t,r),z1i(t,r)=h1i(t,r)+所述接收端将收到的所述密文信号h2i(t,r)和所述解密信号进行解密运算还原所述明文信号
在本实施例中,步骤S2具体包括以下步骤:
步骤S21:设定改写后的驱动系统与改写后的响应系统的反同步误差为:
步骤S22:根据步骤S21设定的改写后的驱动系统与改写后的响应系统的反同步误差,设计反同步控制器为:
并且,ε为一个足够小的正常数;
将所述反同步控制器作用于所述响应系统,使得所述响应系统反同步于所述驱动系统。
值得说明的是,本发明在惯性忆阻竞争神经网络模型的选择上,根据忆阻器电路的特性,特别引入了反应扩散项构成了一个更复杂的网络模型,显著提升保密通信方案的复杂性和破解难度。本发明可将惯性忆阻竞争神经网络系统中短期记忆状态变量信号和长期记忆状态变量信号,将其分别与不同的密文信号分别叠加,获得叠加信号并进行传送,提高了信息传递的效率。本发明中提出的惯性忆阻竞争神经网络的反同步控制方法中引入了反应扩散项使得惯性忆阻竞争神经网络中的状态变量与时间和空间有关,提升了叠加信号的复杂程度,从而增加了保密通信方案的破解难度。
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中提出的惯性忆阻竞争神经网络的反同步控制方法中,设计的反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中基于惯性复值忆阻神经网络,构建的驱动系统和响应系统是否达到反同步。
(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
下面给出全局指数反同步的定义和将会采用的引理。
定义1:如果存在正常数ε、M1和M2,使||x*(t,r)+x(t,r)||2≤M1e-εt,||s*(t,r)+s(t,r)||2≤M2e-εt,那么驱动系统和响应系统达到全局指数反同步。
引理1:Ω表示一个具有光滑边界的集合,C1(Ω)表示定义在Ω上的1阶连续可导的函数集合,对于属于C1(Ω)的实值函数v(x),满足则不等式成立,其中Ω是一个立方体|xk|<σk(k=1,2,...,K),σk为正常数。
构造李雅普诺夫函数为:V(t)=V1(t)+V2(t)+V3(t)+V4(t)
首先,将反同步误差系统带入V1(t)的时间导数,可得:
根据引理1,可以得到以下不等式:
因此,进一步可得
其次,同理可得V2(t)的时间导数
求解V3(t)的时间导数,可得:
求解V4(t)的时间导数,可得:
进一步计算可得:
因此,对于任意t∈R+,V(t)≤V(0),这意味着||x*(t,r)+x(t,r)||2≤M1e-εt,||s*(t,r)+s(t,r)||2≤M2e-εt。根据定义1,可以得出结论,所述驱动系统和所述响应系统达到全局指数反同步。
二、数值仿真
在本实施例中,选择一个双神经元的具有反应扩散的惯性忆阻竞争神经网络驱动系统如下:
与上述双神经元的具有反应扩散的惯性忆阻竞争神经网络驱动系统相对应的响应系统如下:
其中,i=1,2,并设置其他参数为:K=1,Ω={r|-0.5≤r≤0.5},t>0,激活函数为fj(xj(t,r))=tanh(xj(t,r)),gj(xj(t-τ(t),r))=tanh(xj(t-τ(t),r)),a1=2.5,a2=2,b1=2,b2=2,T1=T2=1,ξ11=1,ξ12=1,ξ21=1.3,ξ22=1.7,η11=1,η12=1,η21=1,η22=1,λ11=15,λ12=10,λ21=2.49,λ22=3.35,σ1=0.5,τ1=1,μ=0.25,α1=0.8,α2=0.5;忆阻器权值设置为 初始条件设置为x1(h,r)=0.8,s1(h,r)=1,x2(h,r)=0.5,s2(h,r)=1.2, (h,r)∈[-1,0]×[-0.5,0.5]。控制增益参数需满足不等式4(2-γ11)(8.833-β11)>(11.5-β11-γ11)2,γ11>2,4(2.15-γ12)(4.778-β11)>(7-β12-γ12)2,γ12>2.15,4(0.455-1.69γ21)(-0.65-1.3β21)>(0.5-1.69β21-1.3γ21)2,γ21>0.269,4(0.255-2.89γ21)(-0.85-1.7β22)>(-0.24-2.89β22-1.7γ22)2,γ22>0.88,则可选取满足上述不等式的控制增益参数为β11=10,γ11=4,β12=5,γ12=2.5,β21=1,γ21=1,β22=1和γ22=1。
图3为具有反应扩散的惯性忆阻竞争神经网络反同步误差轨迹,由图3可见e11(t,r)、e11(t,r)、e21(t,r)和e22(t,r)收敛到0,即驱动系统和响应系统达到全局指数反同步。图4为驱动系统状态轨迹,图5为控制器作用下的响应系统状态轨迹。由图4(a)和图5(a)对比可知,驱动系统中x1(t,r)与响应系统中逐渐达到全局指数反同步,即x1(t,r)与的绝对值相同而符号相反。由图4(b)和图5(b)对比可知,驱动系统中x2(t,r)与响应系统中逐渐达到全局指数反同步,即x2(t,r)与的绝对值相同而符号相反。由图4(c)和图5(c)对比可知,驱动系统中s1(t,r)与响应系统中逐渐达到全局指数反同步,即s1(t,r)与的绝对值相同而符号相反。由图4(d)和图5(d)对比可知,驱动系统中s2(t,r)与响应系统中逐渐达到全局指数反同步,即s2(t,r)与的绝对值相同而符号相反。
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 (2)
1.一种基于惯性忆阻竞争神经网络的保密通信方法,其特征在于,包括以下步骤:
步骤S1、基于惯性忆阻竞争神经网络,建立具有反应扩散的惯性忆阻竞争神经网络驱动系统和响应系统;步骤S1具体包括以下步骤:
步骤S11:建立具有反应扩散的惯性忆阻竞争神经网络驱动系统为:
其中,时间t≥0,n表示所述驱动系统中神经元的个数,i,j=1,2,…,n,K表示所述驱动系统空间维数,k=1,2,…,K,空间变量r=(r1,r2,…,rK)T且满足|rk|<σk,σk为正常数,xi(t,r)表示所述驱动系统中第i个神经元在时间t和空间r的状态变量,αik≥0表示传输扩散参数,τ(t)表示离散时滞且满足 τ1和μ为正常数,fj(xj(t,r))表示所述驱动系统的第j个神经元不含时滞的激活函数且满足利普希茨条件,其利普希茨常数为gj(xj(t-τ(t),r))表示所述驱动系统的第j个神经元含有离散时滞的激活函数且满足利普希茨条件,其利普希茨常数为q表示突触个数,l=1,2,…,q,mil(t,r)表示突触效率,pl表示恒定外部刺激且满足ζi表示外部刺激强度,ai和bi均为正常数,cij(xi(t,r))和dij(xi(t,r))表示忆阻器连接权值,且满足:
步骤S12:建立具有反应扩散的惯性忆阻竞争神经网络响应系统为:
其中,时间t≥0,n表示所述响应系统中神经元的个数,i,j=1,2,…,n,K表示所述响应系统空间维数,k=1,2,…,K,空间变量r=(r1,r2,…,rK)T且满足|rk|<σk,σk为正常数,表示所述响应系统中第i个神经元在时间t和空间r的状态变量,αik≥0表示传输扩散参数,τ(t)表示离散时滞且满足0≤τ(t)≤τ1,τ1和μ为正常数,表示所述响应系统的第j个神经元不含时滞的激活函数且满足利普希茨条件,其利普希茨常数为 表示所述响应系统的第j个神经元含有时滞的激活函数且满足利普希茨条件,其利普希茨常数为q表示响应系统突触个数,l=1,2,…,q,表示响应系统突触效率,pl表示恒定外部刺激且满足ζi表示外部刺激强度,ai和bi均为正常数,u1i(t,r)和u2i(t,r)为反同步控制器,和表示忆阻器连接权值且满足:
步骤S2、根据步骤S1建立的具有反应扩散的惯性忆阻竞争神经网络驱动系统与响应系统,设定反同步误差,设计反同步控制器;
步骤S3、所述响应系统在所述反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反同步,进而实现保密通信方法;步骤S3具体包括以下步骤:
步骤S31:所述响应系统在所述反同步控制器的作用下,所述响应系统与所述驱动系统实现反同步;所述驱动系统与所述响应系统反同步之后,发送端获取所述驱动系统产生的混沌信号作为加密信号xi(t,r)和si(t,r),接收端获取所述响应系统产生的混沌信号作为解密信号和
步骤S32:所述发送端将所述加密信号xi(t,r)和明文信号z1i(t,r)进行加密运算,从而获得密文信号h1i(t,r),h1i(t,r)=xi(t,r)+z1i(t,r);所述发送端将所述加密信号si(t,r)和明文信号z2i(t,r)进行加密运算,从而获得密文信号h2i(t,r),h2i(t,r)=si(t,r)+z2i(t,r);
步骤S33:所述发送端通过信道发送所述密文信号h1i(t,r)和h2i(t,r),所述接收端通过所述信道接收所述密文信号h1i(t,r)和h2i(t,r);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211198033.2A CN115563633B (zh) | 2022-09-29 | 2022-09-29 | 一种基于惯性忆阻竞争神经网络的保密通信方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211198033.2A CN115563633B (zh) | 2022-09-29 | 2022-09-29 | 一种基于惯性忆阻竞争神经网络的保密通信方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115563633A CN115563633A (zh) | 2023-01-03 |
CN115563633B true CN115563633B (zh) | 2023-04-21 |
Family
ID=84743557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211198033.2A Active CN115563633B (zh) | 2022-09-29 | 2022-09-29 | 一种基于惯性忆阻竞争神经网络的保密通信方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563633B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116800508B (zh) * | 2023-07-03 | 2024-01-09 | 盐城工学院 | 一种具有反应扩散项的复值忆阻神经网络保密通信方法 |
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 |
CN116760933B (zh) * | 2023-07-03 | 2024-02-27 | 盐城工学院 | 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 |
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 |
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 |
CN117879941A (zh) * | 2024-01-10 | 2024-04-12 | 盐城工学院 | 一种基于量化控制的模糊神经网络的保密通信方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106301750A (zh) * | 2015-05-18 | 2017-01-04 | 江南大学 | 一种基于时滞忆阻混沌神经网络的保密通信方法 |
CN115037438A (zh) * | 2022-06-06 | 2022-09-09 | 济南大学 | 基于神经网络预定义时间同步控制的安全通信方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010151247A1 (en) * | 2009-06-22 | 2010-12-29 | Hewlett-Packard Development Company, L.P. | Memristive adaptive resonance networks |
-
2022
- 2022-09-29 CN CN202211198033.2A patent/CN115563633B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106301750A (zh) * | 2015-05-18 | 2017-01-04 | 江南大学 | 一种基于时滞忆阻混沌神经网络的保密通信方法 |
CN115037438A (zh) * | 2022-06-06 | 2022-09-09 | 济南大学 | 基于神经网络预定义时间同步控制的安全通信方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115563633A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115563633B (zh) | 一种基于惯性忆阻竞争神经网络的保密通信方法 | |
CN115169539B (zh) | 一种基于惯性复值忆阻神经网络的保密通信方法 | |
CN115145156B (zh) | 一种惯性忆阻神经网络的自适应反同步方法 | |
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 | |
CN109375514B (zh) | 一种存在假数据注入攻击时的最优跟踪控制器设计方法 | |
Wang et al. | Anti-synchronization of coupled memristive neutral-type neural networks with mixed time-varying delays via randomly occurring control | |
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 | |
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 | |
CN115544542A (zh) | 一种基于忆阻神经网络同步控制的图像加密方法 | |
Nguyen | Adaptive dynamic programming-based design of integrated neural network structure for cooperative control of multiple MIMO nonlinear systems | |
Zeng et al. | Sampled-data synchronization control for Markovian delayed complex dynamical networks via a novel convex optimization method | |
CN115903470B (zh) | 一种惯性复值忆阻神经网络的滞后同步控制方法 | |
Jabbari Asl et al. | Bounded‐input prescribed performance control of uncertain Euler–Lagrange systems | |
CN115755621A (zh) | 一种忆阻递归神经网络的有限时间自适应同步控制方法 | |
Ranjbar et al. | An analog astrocyte–neuron interaction circuit for neuromorphic applications | |
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 | |
Yuan et al. | Asymptotic anti-synchronization of memristor-based BAM neural networks with probabilistic mixed time-varying delays and its application | |
Santhanalakshmi et al. | Neural synchronization by mutual learning using genetic approach for secure key generation | |
Liu et al. | Output feedback secure control for cyber-physical systems against sparse sensor attacks | |
Ito et al. | Generalization in learning multiple temporal patterns using rnnpb | |
Liu et al. | Hindsight generative adversarial imitation learning | |
Torabi | Imitation learning from observation | |
Jankovikj et al. | Cryptanalysis of Round-Reduced ASCON powered by ML | |
Zhou et al. | Stability and case studies of linear continuous-time systems under deep belief network controllers | |
Takahashi et al. | Remarks on hypercomplex-valued neural network-based direct adaptive controller |
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: 20231214 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 |