CN116827519A - 超混沌忆阻Chialvo神经元映射加密方法及系统 - Google Patents
超混沌忆阻Chialvo神经元映射加密方法及系统 Download PDFInfo
- Publication number
- CN116827519A CN116827519A CN202310950450.6A CN202310950450A CN116827519A CN 116827519 A CN116827519 A CN 116827519A CN 202310950450 A CN202310950450 A CN 202310950450A CN 116827519 A CN116827519 A CN 116827519A
- Authority
- CN
- China
- Prior art keywords
- sequence
- image
- hyperchaotic
- chialvo
- pseudo
- 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
- 210000002569 neuron Anatomy 0.000 title claims abstract description 46
- 238000013507 mapping Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000000739 chaotic effect Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000009792 diffusion process Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 230000001174 ascending effect Effects 0.000 claims abstract description 4
- 238000012163 sequencing technique Methods 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 8
- 239000012528 membrane Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims 2
- 238000006073 displacement reaction Methods 0.000 abstract description 11
- 230000015556 catabolic process Effects 0.000 abstract description 3
- 238000006731 degradation reaction Methods 0.000 abstract description 3
- 230000001105 regulatory effect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000001131 transforming effect Effects 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000005291 chaos (dynamical) Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域，尤其涉及超混沌忆阻Chialvo神经元映射加密方法及系统，包括读取灰度平面图像矩阵；利用超混沌离散忆阻Chialvo神经元在产生超混沌的范围内选择控制参数，并选择初始值作为安全密钥，得到混沌序列；将混沌序列变换伪随机序列；得到重构的图像像素序列；通过乘法扩散算法得到密文图像；获取第三伪随机序列中的唯一元素，找到存在于整数序列，但不在唯一元素中，按升序排序并保存到唯一元素的末尾，依次交换得到密文图像。本发明离散神经元映射，可生成性能良好且不退化的超混沌序列，以及进行初值位移调控；并基于初值位移调控的超混沌序列，提出了图像加密方法，并分析了其优越的加密性能。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及超混沌忆阻Chialvo神经元映射加密方法及系统。
背景技术
神经元模型可有效模拟生物神经系统的放电活动。近年来，离散神经元已被广泛应用于类脑神经形态计算的研究中。通过对离散系统与连续系统的对比发现，离散神经元映射同样可表征真实生物神经元动力学行为特性，且在计算时间、数据存储等方面更具优越性。
混沌现象广泛存在于物理学、生物学和化学等领域。混沌的不可预测性与初始条件敏感性是基于混沌应用的两个潜在动机，基于混沌的图像加密应运而生。在混沌理论出现前的应用最广的算法主要用于加密文本信息，不适合用于加密数据量大、相关性强的图片信息。而混沌理论由于其可以产生优良统计特性的伪随机数，并且混沌具有的性质与图像加密系统所需要的密钥敏感性、密文随机性都可以很好的相互对应，因此基于混沌系统的图像加密方法受到了广泛关注，成长为图像加密的一个重要研究方向。
发明内容
针对现有方法的不足，本发明结构简单的离散神经元映射，可生成性能良好且不退化的超混沌序列，以及进行初值位移调控；并基于初值位移调控的超混沌序列，提出了图像加密方法，并分析了其优越的加密性能。
本发明所采用的技术方案是：超混沌忆阻Chialvo神经元映射加密方法包括：
步骤一、读取灰度平面图像，并保存为M×N的灰度平面图像矩阵；
步骤二、利用超混沌离散忆阻Chialvo神经元在产生超混沌的范围内选择控制参数，并选择初始值作为安全密钥，得到混沌序列；
进一步的，超混沌离散忆阻Chialvo神经元表示为：
其中，x和y分别表示膜电位和忆阻内部状态变量，n为迭代次数，xn和yn为膜电位和忆阻内部状态变量的第n次迭代，a、ε和k是三个控制参数，sin(·)和tanh(·)分别表示正弦函数和双曲正切函数。
进一步的，初始值设为(x0,y0)＝(10-3,1+2mπ)(m＝m1,m2,m3)，得到长度为L＝3MN的第一混沌序列Sm1,第二混沌序列Sm2,第三混沌序列Sm3。
步骤三、将混沌序列变换伪随机序列；
进一步的，变换的公式为：
其中，Sm1、Sm3为第一和第三混沌序列，SM1、SM3为第一和第三伪随机序列。
步骤四、将灰度平面图像矩阵和伪随机序列进行异或运算，得到重构的图像像素序列；
进一步的，重构的图像像素序列公式为：
其中，i＝1,2，…，M,j＝1,2，…，N,P(i,j)为灰度平面图像矩阵P(M,N)像素点，SM1(i,j)为第i,j维第一伪随机序列。
步骤五、利用混沌序列生成伪随机序列和次级伪随机序列，通过GF(257)域的乘法扩散算法得到密文图像；
进一步的，利用混沌序列生成伪随机序列和次级伪随机序列的公式为：
其中，SM2为第二伪随机序列，Sm2为第二混沌序列，S1和S2分别为第一、第二次级伪随机序列；
通过GF(257)域的乘法扩散算法得到密文图像的公式为：
其中，F()为正向乘法扩散加密图像序列，G()为反向乘法扩散加密图像序列。
步骤六、使用语句UM3＝unique[SM3(1:MN)]获取第三伪随机序列SM3中的唯一元素，找到存在于整数序列A＝[1,2,…,MN]，但不在UM3中的元素，按升序排序，然后将它们保存到UM3的末尾，依次交换密文图像PG[UM3(i)]和密文图像PG[UM3(MN-i+1)]，最后把结果赋值为密文图像PB；
步骤七、将密文图像PB转换8位无符号的密文图像PE。
进一步的，超混沌忆阻Chialvo神经元映射系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现超混沌忆阻Chialvo神经元映射加密方法。
本发明的有益效果：
1、本发明通过在一维Chialvo神经元映射中引入离散忆阻，构建了二维离散忆阻Chialvo神经元映射，离散映射具有结构简单、易于理论分析和硬件实现的特点，在图像混沌加密方面的研究具有较大的价值，生成超混沌性能优越且混沌不退化的特点，并且能产生与忆阻初值相关的初值位移调控行为；
2、基于初值位移调控的超混沌序列，提出了一种图像加密方法，并分析其加密性能；
3、本发明提出二维离散忆阻Chialvo神经元映射可生成稳定的超混沌行为，以及初值位移调控行为，为离散神经元映射在图像加密中的应用提供有力借鉴，促进其在人工智能、机器学习和神经科学等一众领域的应用。
附图说明
图1是关于参数k的分岔图与李雅普诺夫指数谱；
图2是关于忆阻状态初值的分岔图；
图3是本发明在不同忆阻初始条件下产生的同构共存超混沌吸引子的y-x平面的相轨图；
图4是本发明基于FPGA数字平台实验捕获的y-x平面的共存超混沌吸引子；
图5是本发明加密算法所使用的流程图；
图6是本发明加密实施方式中灰度图像Boat；
图7是本发明加密实施方式中经过加密后的加密图像；
图8是关于灰度图像Boat的明文图像与其直方图和明文图像与其直方图；
图9是关于灰度图像Boat的明文图像与其在水平、垂直、对角线三个方向上的相邻像素点相关性；
图10是关于灰度图像Boat的密文图像与其在水平、垂直、对角线三个方向上的相邻像素点相关性。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
超混沌忆阻Chialvo神经元映射，包括通过设置初始条件x0，y0、模型参数a、ε和k和忆阻初始条件y0，从而控制离散神经元的动力学状态以及进行位移调控；
超混沌离散忆阻Chialvo神经元映射表示为：
其中，x和y分别表示膜电位和忆阻内部状态变量，n为迭代次数，xn和yn为膜电位和忆阻内部状态变量的第n次迭代，a、ε和k是三个控制参数，sin(·)和tanh(·)分别表示正弦函数和双曲正切函数。
需要说明的是控制参数a有助于触发不同的分岔行为和放电模式转迁；本发明中，固定参数a＝-2.5，重点探索与忆阻参数有关的动力学行为，即忆阻耦合强度k和忆阻初始条件y0。
数值仿真：利用MATLAB对引入离散忆阻Chialvo神经元映射的动力学行为进行分析；首先，为了研究忆阻耦合强度对于神经元的影响，预设控制参数ε＝3.5，k在[1.8,2.2]的范围内变化；在图1一维分岔图上半部分表明，轨迹从稳定状态P0(分岔图只有一根线的部分)开始；然后进入周期四的状态P4(分岔图四根线的部分)，之后轨迹通过倍周期分岔运行于混沌状态，最后轨迹进入超混沌状态。另外，在超混沌参数范围内触发了三个周期窗，在图2的底部，对于P0，LE1为零；对于周期状态，LE1为负；对于混沌状态，LE1为正；对于超混沌状态，LE1>0,LE2>0；可见，李雅普诺夫指数谱很好地证实了一维分岔图所揭示的动力学行为；引入忆阻的离散Chialvo神经元映射在相对宽的参数范围内表现出超混沌行为，并产生丰富的动力学行为，包括稳定点、周期、混沌、超混沌和周期窗。
忆阻Chialvo神经元映射可表现出初值位移调控，由于式(1)中含有周期函数sin(y)，其动力学行为受y坐标上的初始条件y0的调节。换言之，忆阻Chialvo神经元映射可产生同构共存的无限多吸引子，其偏移幅度受初始条件y0的调节；为了演示初值位移调控行为，选择控制参数k＝2.1，对于初始条件y0变化于[-15,15]，图2显示了在相应控制参数下y0变化的1D分岔图，表现出周期1和超混沌共存的行为；该分岔图具有阶梯状结构，不同忆阻初值触发的吸引子具有相同的拓扑结构，但幅值不同。这些分岔行为具有2π的周期性，这是由正弦函数sin(·)具有周期性所导致。
设置控制参数k＝2.1和初始条件(x0,y0)＝(10-3,1+2mπ)(m＝0,±1,±2)作为例子来证明同构共存吸引子，同构共存超混沌吸引子的相轨图如图3所示；当k＝2.1时，忆阻Chialvo神经元映射在m＝0时产生一个超混沌吸引子，其Lyapunov指数为LE1＝0.184,LE2＝0.085，超混沌吸引子可沿y坐标轴移动。因此，忆阻的初始偏移量可调节吸引子在y坐标轴上的位置，且这些共存的吸引子具有相同的拓扑结构；换句话说，可通过调整忆阻的初始偏移量来控制吸引子的位置，即同构无限多共存吸引子可由忆阻的初始条件y0进行调控。
本发明采用FPGA数字平台实现离散忆阻Chialvo神经元，使用Xilinx XC7Z020FPGA开发板进行实验验证，编译程序下载到FPGA开发板后，可直接运行带有预设控制参数和初始条件的Verilog程序。两个AD9767 DAC模块用于将数字信号转换为可显示在示波器上的模拟信号。预设图3数值仿真所对应的控制参数和初始条件，可得到共存超混沌吸引子沿忆阻初始条件变化的相轨图；在FPGA开发板上电的情况下，示波器可以在基于FPGA的数字平台上测量y-x相平面的相位图，实验测量结果如图3所示。显然，实验结果很好地验证了图4中的数值结果；实验结果也证明了基于FPGA的数字平台的可行性和正确性；需要说明的是在硬件实验中，均匀共存的超混沌吸引子在不同初始条件下的实验相轨图是分别截取的，然后通过Adobe Photoshop将它们合并成一张图片，以便更好地观察初值位移调控行为。
将上述的超混沌序列取m1＝-1，m2＝0，m3＝1作为范例，应用于如图6的加密流程图当中，使用512×512像素和8位/像素的灰度Boat来测试加密性能。
如图5所示，超混沌忆阻Chialvo神经元映射加密方法，包括如下步骤：
步骤1、读取大小为M×N的灰度平面图像，并将其保存为一个二维大小为M×N的灰度平面图像矩阵P(M,N)，使用的明文图像如图6所示，其中，P的第一个元素代表灰度图像的第一个像素值大小，后续以此类推；
步骤2、在产生超混沌的范围内选择控制参数，并选择初始值作为安全密钥，系统初始值设为(x0,y0)＝(10-3,1+2mπ)(m＝m1,m2,m3)，得到长度为L＝3MN的混沌序列(Sm1,Sm2,Sm3)；其中，产生超混沌的神经元映射为引入离散忆阻Chialvo神经元映射；
步骤3、将第一和第三混沌序列(Sm1,Sm3)分别变换为[0,255]范围内的第一和第三伪随机序列(SM1,SM3)；
变换关系为：
步骤4、对灰度平面图像的矩阵P进行异或运算；
其中，i＝1,2，…，M,j＝1,2，…，N，将PL重构为长度为MN的图像像素序列PL。
步骤5、利用第二混沌序列Sm2生成第二伪随机序列SM2，以及次级伪随机序列S1和S2，生成GF(257)域的乘法表TBL，令经过扩散算法的密文图像PG＝G(1:MN)。
在GF(257)域中正向和反向的乘法扩散算法为：
其中，F()为正向乘法扩散加密图像序列，G()为反向乘法扩散加密图像序列；
在正向扩散算法中，i从1迭代到MN，而在逆向扩散算法中，i从MN迭代到1。
步骤6、使用语句UM3＝unique[SM3(1:MN)]获取SM3中的唯一元素，找到存在于整数序列A＝[1,2,…,MN]，但不在UM3中的元素，按升序排序，然后将它们保存到UM3的末尾，依次交换密文图像PG[UM3(i)]和密文图像PG[UM3(MN-i+1)]，最后把结果赋值为密文图像PB。
步骤7、将密文图像PB转换为8位无符号矩阵PE，即可得到明文图像P的密文图像PE；其中PE的第一个元素代表密文图像的第一个像素值大小，后续以此类推。
而图像解密算法是加密算法的反向过程，使用上述加密方法得到的密文图像如图7所示。
采用直方图、相邻系数相关性、信息熵和差分攻击等方法对加密性能进行了测试。直方图可显示图像像素强度的分布，对于理想的加密图像，其直方图通常具有均匀的分布，可防止对图像攻击，因为加密后的图像不能为攻击者提供任何有用的统计信息。明文图像和密码图像及其直方图如图8所示，明文图像和密码图像的直方图均匀性分别为383969.6875和261.5605，经计算，直方图均匀性下降了99.9319％，表明密码图像具有均匀的分布。
信息熵可反映图像信息的不确定性，对于8位/像素的灰度图像，理想的信息熵值为8，通过对密文图像的信息熵进行计算后可以得到为7.9993，非常接近理想值。
相邻系数相关性是评估图像中两个相邻像素之间相关性的指标。对于理想的加密图像，理想的相关系数为0；对于明文图像，相邻像素的相关率通常接近于1；即1表示两个相邻像素之间存在强相关性，0表示为弱相关性。在相邻像素点相关性测试中，在明文图像与密文图像的水平、垂直和对角线方向上随机选择20000组相邻像素来计算相关系数；明文图像在三个方向上的相邻像素点分布如图9所示，密文图像在三个方向上的相邻像素点分布如图10所示，结果表明，提出的加密算法能够很好地干扰像素，使得三个方向上的相关系数分布均匀。
在图像加密中，像素数变化率(NPCR)和统一平均变化率(UACI)是评价图像加密防差分攻击能力的两个指标。利用NPCR通过改变原始图像中的像素来测量密文图像中像素值的变化率。UACI用于评估原始图像和变化后图像之间的平均变化强度。采用512×512像素和8位/像素的灰度Boat图像，理想的NPCR和UACI分别为99.6094％和33.4635％。在测试中，使用了12组原始图像及其变化后的图像，变化后的图像与原始图像相差1个像素。测试结果如表1所示，位置(Row,Col)表示原始图像中像素的行和列，从结果可以看出，提出的加密算法的NPCR和UACI值都接近于理想值，这说明提出的加密算法对像素变化有很好的敏感性，可很好地防止差分攻击。
表1明文图像和变化后图像中12组位置变化的NPCR和UACI
基于以上全部测试及分析结果可知，本发明所提出的图像加密方案具有良好的安全性，可有效抵御各类常见的攻击手段，同时具有理想的计算效率，非常适合于保障图像的信息安全。
本发明所提出的加密方法，具有科学的理论依据和物理上的硬件可实现性，可对该离散神经元映射在图像加密方面的应用起到积极推动作用。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (8)
1.超混沌忆阻Chialvo神经元映射加密方法，其特征在于，包括：
步骤一、读取灰度平面图像，并保存为灰度平面图像矩阵；
步骤二、利用超混沌离散忆阻Chialvo神经元在产生超混沌的范围内选择控制参数，并选择初始值作为安全密钥，得到混沌序列；
步骤三、将混沌序列变换伪随机序列；
步骤四、将灰度平面图像矩阵和伪随机序列进行异或运算，得到重构的图像像素序列；
步骤五、利用混沌序列生成伪随机序列和次级伪随机序列，通过乘法扩散算法得到密文图像；
步骤六、获取第三伪随机序列中的唯一元素，找到存在于整数序列但不在唯一元素中的值，按升序排序并保存到唯一元素的末尾，依次前后交换密文图像的像素值，并得到最终密文图像；
步骤七、将密文图像转换无符号的密文图像。
2.根据权利要求1所述的超混沌忆阻Chialvo神经元映射加密方法，其特征在于，超混沌离散忆阻Chialvo神经元表示为：
其中，x和y分别表示膜电位和忆阻内部状态变量，n为迭代次数，xn和yn为膜电位和忆阻内部状态变量的第n次迭代，a、ε和k是三个控制参数，sin(·)和tanh(·)分别表示正弦函数和双曲正切函数。
3.根据权利要求2所述的超混沌忆阻Chialvo神经元映射加密方法，其特征在于，初始值设为(x0,y0)＝(10-3,1+2mπ)(m＝m1,m2,m3)，得到长度为L＝3MN的第一混沌序列Sm1,第二混沌序列Sm2,第三混沌序列Sm3。
4.根据权利要求1所述的超混沌忆阻Chialvo神经元映射加密方法，其特征在于，变换的公式为：
其中，Sm1、Sm3为第一和第三混沌序列，SM1、SM3为第一和第三伪随机序列。
5.根据权利要求1所述的超混沌忆阻Chialvo神经元映射加密方法，其特征在于，重构的图像像素序列公式为：
其中，i＝1,2，…，M,j＝1,2，…，N,P(i,j)为灰度平面图像矩阵P(M,N)像素点，SM1(i,j)为第i,j维第一伪随机序列。
6.根据权利要求1所述的超混沌忆阻Chialvo神经元映射加密方法，其特征在于，利用混沌序列生成伪随机序列和次级伪随机序列的公式为：
其中，SM2为第二伪随机序列，Sm2为第二混沌序列，S1和S2分别为第一、第二次级伪随机序列；
通过GF(257)域的乘法扩散算法得到密文图像的公式为：
其中，F()为正向乘法扩散加密图像序列，G()为反向乘法扩散加密图像序列。
7.超混沌忆阻Chialvo神经元映射系统，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现如权利要求1-6任一项所述的超混沌忆阻Chialvo神经元映射加密方法。
8.存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现如权利要求1-6任一项所述的超混沌忆阻Chialvo神经元映射加密方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310950450.6A CN116827519B (zh) | 2023-07-28 | 2023-07-28 | 超混沌忆阻Chialvo神经元映射加密方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310950450.6A CN116827519B (zh) | 2023-07-28 | 2023-07-28 | 超混沌忆阻Chialvo神经元映射加密方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116827519A true CN116827519A (zh) | 2023-09-29 |
| CN116827519B CN116827519B (zh) | 2024-05-28 |
Family
ID=88114636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310950450.6A Active CN116827519B (zh) | 2023-07-28 | 2023-07-28 | 超混沌忆阻Chialvo神经元映射加密方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116827519B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104751403A (zh) * | 2015-04-23 | 2015-07-01 | 北京航空航天大学 | 一种基于多混沌系统的明文相关图像加密方法 |
| US20150262054A1 (en) * | 2014-03-12 | 2015-09-17 | Qualcomm Incorporated | Analog signal reconstruction and recognition via sub-threshold modulation |
| US20180309451A1 (en) * | 2017-04-24 | 2018-10-25 | The Regents Of The University Of Michigan | Sparse Coding With Memristor Networks |
| CN110602346A (zh) * | 2019-07-26 | 2019-12-20 | 广东工业大学 | 一种基于超混沌系统的无损彩色图像加密方法 |
| WO2022109593A1 (en) * | 2020-11-20 | 2022-05-27 | The Regents Of The University Of California | Error-triggered learning of multi-layer memristive spiking neural networks |
| WO2022162222A1 (en) * | 2021-02-01 | 2022-08-04 | Centre National De La Recherche Scientifique | Method for recognizing a pattern in an image and associated devices |
| CN114936626A (zh) * | 2022-05-19 | 2022-08-23 | 常州大学 | 一种用于离散神经元网络的初值控制方法 |
| CN115130665A (zh) * | 2022-07-19 | 2022-09-30 | 湘潭大学 | 一种放电模式可控的忆阻耦合离散神经元系统 |
| CN115311118A (zh) * | 2022-09-19 | 2022-11-08 | 华东交通大学 | 一种基于二维离散忆阻超混沌映射的遥感图像加密方法 |
| CN115544542A (zh) * | 2022-09-29 | 2022-12-30 | 盐城工学院 | 一种基于忆阻神经网络同步控制的图像加密方法 |
| CN115914487A (zh) * | 2022-11-30 | 2023-04-04 | 湖南第一师范学院 | 一种基于四维忆阻混沌系统的图像加密方法 |
| CN116193041A (zh) * | 2023-02-15 | 2023-05-30 | 长沙理工大学 | 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 |
| CN116232586A (zh) * | 2023-03-10 | 2023-06-06 | 安徽大学 | 基于分数阶忆阻神经网络时间反馈控制的图像加密方法 |
-
2023
- 2023-07-28 CN CN202310950450.6A patent/CN116827519B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150262054A1 (en) * | 2014-03-12 | 2015-09-17 | Qualcomm Incorporated | Analog signal reconstruction and recognition via sub-threshold modulation |
| CN104751403A (zh) * | 2015-04-23 | 2015-07-01 | 北京航空航天大学 | 一种基于多混沌系统的明文相关图像加密方法 |
| US20180309451A1 (en) * | 2017-04-24 | 2018-10-25 | The Regents Of The University Of Michigan | Sparse Coding With Memristor Networks |
| CN110602346A (zh) * | 2019-07-26 | 2019-12-20 | 广东工业大学 | 一种基于超混沌系统的无损彩色图像加密方法 |
| WO2022109593A1 (en) * | 2020-11-20 | 2022-05-27 | The Regents Of The University Of California | Error-triggered learning of multi-layer memristive spiking neural networks |
| WO2022162222A1 (en) * | 2021-02-01 | 2022-08-04 | Centre National De La Recherche Scientifique | Method for recognizing a pattern in an image and associated devices |
| CN114936626A (zh) * | 2022-05-19 | 2022-08-23 | 常州大学 | 一种用于离散神经元网络的初值控制方法 |
| CN115130665A (zh) * | 2022-07-19 | 2022-09-30 | 湘潭大学 | 一种放电模式可控的忆阻耦合离散神经元系统 |
| CN115311118A (zh) * | 2022-09-19 | 2022-11-08 | 华东交通大学 | 一种基于二维离散忆阻超混沌映射的遥感图像加密方法 |
| CN115544542A (zh) * | 2022-09-29 | 2022-12-30 | 盐城工学院 | 一种基于忆阻神经网络同步控制的图像加密方法 |
| CN115914487A (zh) * | 2022-11-30 | 2023-04-04 | 湖南第一师范学院 | 一种基于四维忆阻混沌系统的图像加密方法 |
| CN116193041A (zh) * | 2023-02-15 | 2023-05-30 | 长沙理工大学 | 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 |
| CN116232586A (zh) * | 2023-03-10 | 2023-06-06 | 安徽大学 | 基于分数阶忆阻神经网络时间反馈控制的图像加密方法 |
Non-Patent Citations (3)
| Title |
|---|
| QUAN XU, SHOUKUI DING, H.BAO, B.CHEN, B.BAO: "Activation Function Effects and Simplified Implementation for Hopfield Neural Network", COMPUTER SCIENCE, 5 May 2023 (2023-05-05) * |
| YAOQUN XU SCHOOL OF COMPUTER AND INFORMATION ENGINEERING, HARBIN UNIVERSITY OF COMMERCE, HARBIN, INSTITUTE OF SYSTEM ENGINEERING, : "Dynamical System in Wavelet Chaotic Neuron with Delay and Its Application in Color Image Encryption", IEEE, 11 October 2022 (2022-10-11) * |
| 罗海波;葛斌;王杰;吴波;: "整合神经网络置乱图像的动态自反馈混沌系统图像加密", 中国图象图形学报, no. 03, 16 March 2018 (2018-03-16) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116827519B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lai et al. | Hidden coexisting hyperchaos of new memristive neuron model and its application in image encryption | |
| Zhang et al. | A novel image encryption algorithm based on SPWLCM and DNA coding | |
| Hua et al. | Two-dimensional parametric polynomial chaotic system | |
| Xu et al. | A new fractional-order chaos system of Hopfield neural network and its application in image encryption | |
| Kong et al. | Memristor-induced hyperchaos, multiscroll and extreme multistability in fractional-order HNN: Image encryption and FPGA implementation | |
| Lai et al. | Grid-scroll memristive chaotic system with application to image encryption | |
| Bao et al. | Discrete memristive neuron model and its interspike interval-encoded application in image encryption | |
| Sun et al. | A memristive fully connect neural network and application of medical image encryption based on central diffusion algorithm | |
| CN113792874B (zh) | 基于先天知识的持续学习方法及装置 | |
| Cui et al. | Effect of hybrid circle reservoir injected with wavelet-neurons on performance of echo state network | |
| Han et al. | A medical image encryption algorithm based on hermite chaotic neural network | |
| Li et al. | Offset boosting-entangled complex dynamics in the memristive rulkov neuron | |
| Zhang et al. | Two-dimensional exponential chaotic system with hardware implementation | |
| Xu et al. | A novel four-wing chaotic system with multiple attractors based on hyperbolic sine: Application to image encryption | |
| 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 | |
| Krishnamoorthi et al. | A modernistic approach for chaotic based pseudo random number generator secured with gene dominance | |
| Bao et al. | Initial-offset-control coexisting hyperchaos in two-dimensional discrete neuron model | |
| CN116827519B (zh) | 超混沌忆阻Chialvo神经元映射加密方法及系统 | |
| Ivanov et al. | Simplification of statistical description of quantum entanglement of multidimensional biometric data using symmetrization of paired correlation matrices | |
| CN115914487B (zh) | 一种基于四维忆阻混沌系统的图像加密方法 | |
| Luo et al. | Design and FPGA implementation of a high-speed PRNG based on an nD non-degenerate chaotic system | |
| Alloun et al. | Pseudo random number generator based on chaos theory and artificial neural networks | |
| Tatlıcıoğlu | A simple chaotic system using signum function | |
| Taketa et al. | Mutual relationship between the neural network model and linear complexity for pseudorandom binary number sequence | |
| CN117439730B (zh) | 基于Chaos-LSTM与混沌序列增殖的地理信息加密方法、系统及介质 |
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 |