CN117335957A - 一种bam忆阻神经网络修正函数投影同步的保密通信方法 - Google Patents
一种bam忆阻神经网络修正函数投影同步的保密通信方法 Download PDFInfo
- Publication number
- CN117335957A CN117335957A CN202311310557.0A CN202311310557A CN117335957A CN 117335957 A CN117335957 A CN 117335957A CN 202311310557 A CN202311310557 A CN 202311310557A CN 117335957 A CN117335957 A CN 117335957A
- Authority
- CN
- China
- Prior art keywords
- correction function
- neural network
- bam
- response system
- function projection
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004891 communication Methods 0.000 title claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 69
- 230000004044 response Effects 0.000 claims abstract description 51
- 230000001360 synchronised effect Effects 0.000 claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 claims abstract description 19
- 210000002569 neuron Anatomy 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 9
- 230000000739 chaotic effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 210000000225 synapse Anatomy 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于新一代信息技术领域,具体涉及一种BAM忆阻神经网络修正函数投影同步的保密通信方法,包括:步骤S1:构建具有泄漏项和有限分布时滞的BAM忆阻神经网络驱动系统和响应系统;步骤S2:设定所述驱动系统和响应系统的修正函数投影同步误差,并建立修正函数投影同步误差系统;步骤S3:设计自适应同步控制器,将所述自适应同步控制器作用于所述响应系统,使得所述响应系统修正函数投影同步于所述驱动系统,进而实现保密通信方法。本发明将泄漏项和有限分布时滞引入BAM忆阻神经网络,并设计自适应同步控制器,解决了BAM忆阻神经网络修正函数投影同步的问题,提出的保密通信方法显著提升了保密通信的复杂性和安全性。
Description
技术领域
本发明涉及新一代信息技术领域,尤其涉及一种BAM忆阻神经网络修正函数投影同步的保密通信方法。
背景技术
忆阻器是近年来备受关注的新型纳米器件,在新一代信息技术领域有着广泛的应用前景,具体应用有低功耗类脑计算、数据存储、非易失逻辑等新一代信息技术。忆阻器具有体积小、密度高、可扩展性好等优点。此外,忆阻器与电阻不同,忆阻器具有一个很重要的特性:它能记忆流经它的电荷量,即忆阻器的伏安特性存在一个类似磁滞的回线。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。
投影同步是描述系统达到稳定状态时的一种关系,是将响应系统与驱动系统同步在一个比例因子或投影系数上,是一种广义的同步类型,比例因子也称投影系数。广义的投影同步包括修正投影同步、投影同步、函数投影同步和修正函数投影同步等,可见投影同步的类型是多样的,其应用范围也较为广泛。
双向联想记忆神经网络,简称为BAM神经网络。BAM神经网络的结构比较复杂,其神经元分布在两层里,每一层中的每一个神经元都与另一层中的所有神经元互相连接,而同一层中的所有神经元之间则互不连接。BAM神经网络在不同领域有着重要的应用,如模式识别、图像处理、优化问题等。为此,研究者对BAM神经网络进行了广泛深入的研究。
发明内容
有鉴于此,本发明的目的是提供一种BAM忆阻神经网络修正函数投影同步的保密通信方法,可以实现具有泄漏项和有限分布时滞的BAM忆阻神经网络的修正函数投影同步,并提高保密通信的安全性。
本发明提供了一种BAM忆阻神经网络修正函数投影同步的保密通信方法,包括以下步骤:
步骤S1:构建具有泄漏项和有限分布时滞的BAM忆阻神经网络驱动系统和响应系统;
步骤S11:构建具有泄漏项和有限分布时滞的BAM忆阻神经网络驱动系统为:
步骤S12:构建与所述驱动系统相对应的具有泄漏项和有限分布时滞的BAM忆阻神经网络响应系统:
在步骤S11和步骤S12中,i=1,2,...,n;j=1,2,...,m;时间t≥0;n≥2,m≥2分别是所述驱动系统和所述响应系统X层和Y层神经元个数;xi(t),yj(t)分别是所述驱动系统在t时刻第i个和第j个神经元的状态变量;分别是所述响应系统在t时刻第i个和第j个神经元的状态变量;δi>0,γj>0是负反馈系数,用来描述神经元的自抑制率;σ(t)是满足0<σ(t)≤σ,/>的泄漏时滞,其中σ,v为正常数;τ(t)是满足0≤τ(t)≤τ的时变离散时滞,其中τ为正常数;μ(t)是满足0≤μ(t)≤μ0的分布时滞,其中μ0为正常数;fj(·),gi(·)表示激活函数,所述各激活函数均满足利普希茨条件,即满足对于任意实数a和b,和/>其中/>和/>为正常数;同时所述各激活函数均是有界的,满足/>其中/>为正常数;aji(xi(t)),bji(xi(t)),pji(xi(t)),cij(yj(t)),dij(yj(t)),qij(yj(t)), 是忆阻连接权重,且分别满足:
其中都是常数,且切换间隔/>
步骤S2:设定所述驱动系统和响应系统的修正函数投影同步误差,并建立修正函数投影同步误差系统;
步骤S3:设计自适应同步控制器,将所述自适应同步控制器作用于所述响应系统,使得所述响应系统修正函数投影同步于所述驱动系统,进而实现保密通信方法。
进一步地,步骤S2具体包括以下步骤:
步骤S21:根据步骤S1构建的具有泄漏项和有限分布时滞的BAM忆阻神经网络驱动系统与响应系统,设定所述驱动系统和响应系统的修正函数投影同步误差为:
其中ki(t)和为有界可微函数;
步骤S22:根据所述驱动系统和响应系统,以及步骤S21设定的修正函数投影同步误差,建立修正函数投影同步误差系统为:
其中
其中
进一步地,步骤S3具体包括以下内容:
步骤S31:根据步骤S2构建的修正函数投影同步误差,设计自适应同步控制器为:
其中,i=1,2,...,n,j=1,2,...,m;sign(·)为符号函数;αi(t)、βi(t)、λj(t)和ηj(t)为自适应同步控制器增益;参数li,si,都是任意选择的正常数;
步骤S32:将所述自适应同步控制器作用于所述响应系统,使得所述响应系统修正函数投影同步于所述驱动系统;
步骤S33:所述驱动系统与所述响应系统修正函数投影同步之后,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)和yj(t);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S34:所述发送端将加密信号xi(t)和yj(t),与明文信号ri(t)和分别进行加密运算,获得密文信号hi(t)和/>
步骤S35:所述发送端通过信道发送所述密文信号hi(t)和所述接收端通过信道接受所述密文信号hi(t)和/>
步骤S36:所述接收端将收到的密文信号hi(t),和解密信号/>进行解密运算,获得解密明文信号ssi(t),/>
本发明提供了一种BAM忆阻神经网络修正函数投影同步的保密通信方法,与现有技术相比,本发明的有益效果是:
1、本发明采用忆阻器来模拟神经网络中的突触,构建了忆阻神经网络。
2、本发明中,特别考虑了泄漏项和有限分布时滞对神经网络模型的影响,从而使得具有泄漏项和有限分布时滞的BAM忆阻神经网络修正函数投影同步控制方法具有更广泛的应用背景,更提升了保密通信的复杂性。
3、本发明中,考虑了修正函数投影同步,相比于一般同步性,具有更广泛的应用范围,更增加了保密通信的破解难度。
4、本发明设计了自适应同步控制器,其参数可自我修正以适应控制对象和扰动的动态特性的变化,具有鲁棒性强、有较强的容错能力等优点。
附图说明
图1为本发明一种BAM忆阻神经网络修正函数投影同步的保密通信方法的流程图;
图2为本发明实施例2中,系统相位轨迹图,其中(a)为x1(t)、x2(t)相位轨迹图,(b)为y1(t)、y2(t)相位轨迹图;
图3为本发明实施例2中,无同步控制器作用下同步误差变化轨迹图,其中(a)为 同步误差变化轨迹图,(b)为/>同步误差变化轨迹图;
图4为本发明实施例2中,自适应同步控制器作用下同步误差变化轨迹图,其中(a)为同步误差变化轨迹图,(b)为/>同步误差变化轨迹图;
图5为本发明实施例2中,在自适应同步控制器控制增益αi(t)、βi(t)、λj(t)、ηj(t)变化轨迹图,其中(a)为α1(t)、β1(t)、α2(t)、β2(t)变化轨迹图,(b)为λ1(t)、η1(t)、λ2(t)、η2(t)变化轨迹图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
如图1所示,本实施例提供一种BAM忆阻神经网络修正函数投影同步的保密通信方法。该同步控制方法包括以下步骤:
步骤S1:构建具有泄漏项和有限分布时滞的BAM忆阻神经网络驱动系统和响应系统;
步骤S11:构建具有泄漏项和有限分布时滞的BAM忆阻神经网络驱动系统为:
步骤S12:构建与所述驱动系统相对应的具有泄漏项和有限分布时滞的BAM忆阻神经网络响应系统:
在步骤S11和步骤S12中,i=1,2,...,n;j=1,2,...,m;时间t≥0;n≥2,m≥2分别是所述驱动系统和所述响应系统X层和Y层神经元个数;xi(t),yj(t)分别是所述驱动系统在t时刻第i个和第j个神经元的状态变量;分别是所述响应系统在t时刻第i个和第j个神经元的状态变量;δi>0,γj>0是负反馈系数,用来描述神经元的自抑制率;σ(t)是满足0<σ(t)≤σ,/>的泄漏时滞,其中σ,v为正常数;τ(t)是满足0≤τ(t)≤τ的时变离散时滞,其中τ为正常数;μ(t)是满足0≤μ(t)≤μ0的分布时滞,其中μ0为正常数;fj(·),gi(·)表示激活函数,所述各激活函数均满足利普希茨条件,即满足对于任意实数a和b,和/>其中/>和/>为正常数;同时所述各激活函数均是有界的,满足/>其中/>为正常数;aji(xi(t)),bji(xi(t)),pji(xi(t)),cij(yj(t)),dij(yj(t)),qij(yj(t)),/> 是忆阻连接权重,且分别满足:
其中都是常数,且切换间隔Ti>0,/>
步骤S2:设定所述驱动系统和响应系统的修正函数投影同步误差,并建立修正函数投影同步误差系统;
步骤S3:设计自适应同步控制器,将所述自适应同步控制器作用于所述响应系统,使得所述响应系统修正函数投影同步于所述驱动系统,进而实现保密通信方法。
在本实施例中,步骤S2具体包括以下步骤:
步骤S21:根据步骤S1构建的具有泄漏项和有限分布时滞的BAM忆阻神经网络驱动系统与响应系统,设定所述驱动系统和响应系统的修正函数投影同步误差为:
其中ki(t)和为有界可微函数;
步骤S22:根据所述驱动系统和响应系统,以及步骤S21设定的修正函数投影同步误差,建立修正函数投影同步误差系统为:
其中
其中
在本实施例中,步骤S3具体包括以下步骤:
步骤S31:根据步骤S2构建的修正函数投影同步误差,设计自适应同步控制器为:
其中,i=1,2,...,n,j=1,2,...,m;sign(·)为符号函数;αi(t)、βi(t)、λj(t)和ηj(t)为自适应同步控制器增益;参数li,si,都是任意选择的正常数;
步骤S32:将所述自适应同步控制器作用于所述响应系统,使得所述响应系统修正函数投影同步于所述驱动系统;
步骤S33:所述驱动系统与所述响应系统修正函数投影同步之后,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)和yj(t);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S34:所述发送端将加密信号xi(t)和yj(t),与明文信号ri(t)和分别进行加密运算,获得密文信号hi(t)和/>
步骤S35:所述发送端通过信道发送所述密文信号hi(t)和所述接收端通过信道接受所述密文信号hi(t)和/>
步骤S36:所述接收端将收到的密文信号hi(t),和解密信号/>进行解密运算,获得解密明文信号ssi(t),/>
值得说明的是,本发明根据忆阻器的特性,特别考虑了泄漏项和有限分布时滞对忆阻神经网络模型的影响,从而使得具有泄漏项和有限分布时滞的BAM忆阻神经网络的修正函数投影同步控制方法具有更广泛的应用背景,更提升了保密通信的复杂性。本发明中,采用忆阻器来模拟神经网络中的突触,在神经网络中,突触负责信息存储和计算,因此必不可少,忆阻器具有与突触相似的记忆特性,可以较好地模拟突触。本发明考虑了修正函数投影同步,相比于一般同步性,具有更广泛的应用范围,更增加了保密通信的破解难度。本发明设计了自适应同步控制器,其参数可自我修正以适应控制对象和扰动的动态特性的变化,具有鲁棒性强、有较强的容错能力等优点。
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中提出的一种BAM忆阻神经网络修正函数投影同步的保密通信方法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中具有泄漏项和有限分布时滞的BAM忆阻神经网络驱动系统与响应系统,对它们的修正函数投影同步性能进行验证。
(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
下面给出在证明过程中将会采用的定义、引理:
定义1:对于本发明所述的驱动系统和响应系统,如果对于t≥0,都有
那么称所述驱动系统与所述响应系统达到修正函数投影同步。
引理1(不等式):设f(x),g(x)在[a,b]上可积,其中p>1,q>1,且/>则以下不等式成立:
接下来,构造李雅普诺夫泛函:
V(t)=V1(t)+V2(t)
其中,
然后,对所构建的李雅普诺夫泛函求迪尼导数:
/>
/>
又因为各激活函数均满足利普希茨条件,即满足对于任意实数a和b, 和/>其中/>和/>为正常数;同时所述各激活函数均是有界的,并且满足/>其中/>为正常数,进一步得到:
对于任意实数s,满足|hi(s)|≤Li|s|、|hi(·)|≤Hi
则D+V1(t)和D+V2(t)可进一步分别得到:
/>
根据基本不等式可以得到:
又可以得到:
根据引理1(不等式),可得到:
/>
则可以进一步得到:
结合以上不等式,可以得出:
则D+V1(t),D+V2(t)可进一步得到:
/>
又因为参数满足下列不等式:
则可以推导得出:
D+V(t)≤0
因此,根据定义1、引理1可知:在自适应同步控制器作用下,所述驱动系统与响应系统达到修正函数投影同步。
二、数值仿真
在本实施例中,考虑如下具有泄漏项和有限分布时滞的BAM忆阻神经网络系统模型,驱动系统为:
与此驱动系统对应的响应系统为:
具体参数设置如下:i=1,2;j=1,2;t≥0;δ1=γ1=1,δ2=γ2=1.05;激活函数设为fj(·)=gi(·)=tanh(·);泄漏时滞σ(t)=1+sint;离散时滞分布时滞μ(t)=0.5+sint;v=0.5,μ0=1;/> 切换间隔Ti=1;初始值x1(s)=y1(s)=2,x2(s)=y2(s)=1,/> s∈[-2,0];忆阻器权值设置为:/> 根据忆阻连接权重可得:/> 选取/>
根据上述参数设置,以及不等式:
/>
可得到参数取值范围分别为:α1≥6.725,α1≥6.48,β1≥15.7,β2≥11.7,λ1≥10.024,λ1≥8.214,η1≥8.911,η2≥10.58。
具体仿真实验结果如下:图2为本发明实施例2中,系统相位轨迹图,其中图2(a)为x1(t)、x2(t)相位轨迹图,图2(b)为y1(t)、y2(t)相位轨迹图;图3为本发明实施例2中,无同步控制器作用下同步误差变化轨迹图,其中图3(a)为同步误差变化轨迹图,图3(b)为/>同步误差变化轨迹图;由图2和图3可知,在无同步控制器作用时,驱动系统和响应系统将无法同步。图4为本发明实施例2中,自适应同步控制器作用下同步误差变化轨迹图,其中图4(a)为/>同步误差变化轨迹图,图4(b)为/>同步误差变化轨迹图;图4表明在自适应同步控制器控制下驱动系统和响应系统达到了修正函数投影同步。图5为本发明实施例2中,在自适应同步控制器控制增益αi(t)、βi(t)、λj(t)、ηj(t)变化轨迹图,其中图5(a)为α1(t)、β1(t)、α2(t)、β2(t)变化轨迹图,图5(b)为λ1(t)、η1(t)、λ2(t)、η2(t)变化轨迹图。
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 (3)
1.一种BAM忆阻神经网络修正函数投影同步的保密通信方法,其特征在于,包括以下步骤:
步骤S1:构建具有泄漏项和有限分布时滞的BAM忆阻神经网络驱动系统和响应系统;
步骤S11:构建具有泄漏项和有限分布时滞的BAM忆阻神经网络驱动系统为:
步骤S12:构建与所述驱动系统相对应的具有泄漏项和有限分布时滞的BAM忆阻神经网络响应系统:
在步骤S11和步骤S12中,i=1,2,...,n;j=1,2,...,m;时间t≥0;n≥2,m≥2分别是所述驱动系统和所述响应系统X层和Y层神经元个数;xi(t),yj(t)分别是所述驱动系统在t时刻第i个和第j个神经元的状态变量;分别是所述响应系统在t时刻第i个和第j个神经元的状态变量;δi>0,γj>0是负反馈系数,用来描述神经元的自抑制率;σ(t)是满足0<σ(t)≤σ,/>的泄漏时滞,其中σ,v为正常数;τ(t)是满足0≤τ(t)≤τ的时变离散时滞,其中τ为正常数;μ(t)是满足0≤μ(t)≤μ0的分布时滞,其中μ0为正常数;fj(·),gi(·)表示激活函数,所述各激活函数均满足利普希茨条件,即满足对于任意实数a和b,和/>其中/>和/>为正常数;同时所述各激活函数均是有界的,满足/>其中/>为正常数;aji(xi(t)),bji(xi(t)),pji(xi(t)),cij(yj(t)),dij(yj(t)),qij(yj(t)), 是忆阻连接权重,且分别满足:
其中都是常数,且切换间隔Ti>0,/>
步骤S2:设定所述驱动系统和响应系统的修正函数投影同步误差,并建立修正函数投影同步误差系统;
步骤S3:设计自适应同步控制器,将所述自适应同步控制器作用于所述响应系统,使得所述响应系统修正函数投影同步于所述驱动系统,进而实现保密通信方法。
2.根据权利要求1所述的一种BAM忆阻神经网络修正函数投影同步的保密通信方法,其特征在于,步骤S2具体包括以下步骤:
步骤S21:根据步骤S1构建的具有泄漏项和有限分布时滞的BAM忆阻神经网络驱动系统与响应系统,设定所述驱动系统和响应系统的修正函数投影同步误差为:
其中ki(t)和为有界可微函数;
步骤S22:根据所述驱动系统和响应系统,以及步骤S21设定的修正函数投影同步误差,建立修正函数投影同步误差系统为:
其中
其中
3.根据权利要求2所述的一种BAM忆阻神经网络修正函数投影同步的保密通信方法,其特征在于,步骤S3具体包括以下步骤:
步骤S31:根据步骤S2构建的修正函数投影同步误差,设计自适应同步控制器为:
其中,i=1,2,...,n,j=1,2,...,m;sign(•)为符号函数;αi(t)、βi(t)、λj(t)和ηj(t)为自适应同步控制器增益;参数li,si,都是任意选择的正常数;
步骤S32:将所述自适应同步控制器作用于所述响应系统,使得所述响应系统修正函数投影同步于所述驱动系统;
步骤S33:所述驱动系统与所述响应系统修正函数投影同步之后,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)和yj(t);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S34:所述发送端将加密信号xi(t)和yj(t),与明文信号ri(t)和分别进行加密运算,获得密文信号hi(t)和/>hi(t)=xi(t)+ri(t),/>
步骤S35:所述发送端通过信道发送所述密文信号hi(t)和所述接收端通过信道接受所述密文信号hi(t)和/>
步骤S36:所述接收端将收到的密文信号hi(t),和解密信号/>进行解密运算,获得解密明文信号ssi(t),/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311310557.0A CN117335957B (zh) | 2023-10-10 | 2023-10-10 | 一种bam忆阻神经网络修正函数投影同步的保密通信方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311310557.0A CN117335957B (zh) | 2023-10-10 | 2023-10-10 | 一种bam忆阻神经网络修正函数投影同步的保密通信方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117335957A true CN117335957A (zh) | 2024-01-02 |
CN117335957B CN117335957B (zh) | 2024-03-26 |
Family
ID=89276882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311310557.0A Active CN117335957B (zh) | 2023-10-10 | 2023-10-10 | 一种bam忆阻神经网络修正函数投影同步的保密通信方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117335957B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010182287A (ja) * | 2008-07-17 | 2010-08-19 | Steven C Kays | 適応型インテリジェント・デザイン |
CN113541917A (zh) * | 2021-03-16 | 2021-10-22 | 新疆大学 | 一种有限时间修正函数投影同步及参数调制的控制方法 |
US20220045838A1 (en) * | 2020-08-06 | 2022-02-10 | Qilu University Of Technology | Chaotic Communication Method and System Based on Complex Modified Projective Difference Function Synchronization |
CN114239466A (zh) * | 2021-12-22 | 2022-03-25 | 华中科技大学 | 基于忆阻器bam实现多模态信息融合联想的电路及其应用 |
CN115128954A (zh) * | 2022-07-12 | 2022-09-30 | 安徽大学 | 一种基于开环控制的四元值忆阻神经网络的全局投影同步方法及其应用 |
WO2022222229A1 (zh) * | 2021-04-21 | 2022-10-27 | 江南大学 | 耦合神经网络有界聚类投影同步调节控制方法及系统 |
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 |
CN115563633A (zh) * | 2022-09-29 | 2023-01-03 | 盐城工学院 | 一种基于惯性忆阻竞争神经网络的保密通信方法 |
CN116800508A (zh) * | 2023-07-03 | 2023-09-22 | 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 |
-
2023
- 2023-10-10 CN CN202311310557.0A patent/CN117335957B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010182287A (ja) * | 2008-07-17 | 2010-08-19 | Steven C Kays | 適応型インテリジェント・デザイン |
US20220045838A1 (en) * | 2020-08-06 | 2022-02-10 | Qilu University Of Technology | Chaotic Communication Method and System Based on Complex Modified Projective Difference Function Synchronization |
CN113541917A (zh) * | 2021-03-16 | 2021-10-22 | 新疆大学 | 一种有限时间修正函数投影同步及参数调制的控制方法 |
WO2022222229A1 (zh) * | 2021-04-21 | 2022-10-27 | 江南大学 | 耦合神经网络有界聚类投影同步调节控制方法及系统 |
CN114239466A (zh) * | 2021-12-22 | 2022-03-25 | 华中科技大学 | 基于忆阻器bam实现多模态信息融合联想的电路及其应用 |
CN115128954A (zh) * | 2022-07-12 | 2022-09-30 | 安徽大学 | 一种基于开环控制的四元值忆阻神经网络的全局投影同步方法及其应用 |
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 |
CN115563633A (zh) * | 2022-09-29 | 2023-01-03 | 盐城工学院 | 一种基于惯性忆阻竞争神经网络的保密通信方法 |
CN116800508A (zh) * | 2023-07-03 | 2023-09-22 | 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 |
Non-Patent Citations (3)
Title |
---|
WEIPING WANG: "Finite-Time Projective Synchronization of Memristor-Based BAM Neural Networks and Applications in Image Encryption", IEEE ACCESS, 28 September 2018 (2018-09-28), pages 56457 - 56476 * |
何佳昊: "无边界分布时滞惯性忆阻神经网络的反同步控制研究", 盐城工学院学报(自然科学版), 20 March 2023 (2023-03-20) * |
张玮玮: "一类基于忆阻器分数阶时滞神经网络的修正投影同步", 应用数学和力学, 25 January 2018 (2018-01-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117335957B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Observer-based adaptive consensus control for nonlinear multi-agent systems with time-delay | |
Wu et al. | Fuzzy adaptive event-triggered control for a class of uncertain nonaffine nonlinear systems with full state constraints | |
WO2022222229A1 (zh) | 耦合神经网络有界聚类投影同步调节控制方法及系统 | |
CN115755621B (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 | |
Wang et al. | Cooperative adaptive fuzzy output feedback control for synchronization of nonlinear multi‐agent systems in the presence of input saturation | |
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 | |
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 | |
Ding et al. | Nonsingular prescribed‐time stabilization of a class of uncertain nonlinear systems: a novel coordinate mapping method | |
Dai et al. | Design and analysis of a hybrid GNN-ZNN model with a fuzzy adaptive factor for matrix inversion | |
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 | |
Jin et al. | Adaptive ELM-based security control for a class of nonlinear-interconnected systems with DoS attacks | |
Yu et al. | Exponential Antisynchronization Control of Stochastic Memristive Neural Networks with Mixed Time‐Varying Delays Based on Novel Delay‐Dependent or Delay‐Independent Adaptive Controller | |
CN116203838A (zh) | 一种分数阶忆阻神经网络的有限时间同步控制方法 | |
Ji et al. | Leader‐following consensus of fractional‐order multi‐agent systems via adaptive control | |
Zhang et al. | Adaptive event-triggered fuzzy tracking control of uncertain stochastic nonlinear systems with unmeasurable states | |
Yuan et al. | Asymptotic anti-synchronization of memristor-based BAM neural networks with probabilistic mixed time-varying delays and its application | |
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 | |
Sheng et al. | Fuzzy command filtered backstepping control for nonlinear system with nonlinear faults | |
Kandasamy et al. | New fixed-time stability theorems for delayed fractional-order systems and applications | |
Liu et al. | Distributed Adaptive Output Feedback Consensus for Nonlinear Stochastic Multiagent Systems by Reference Generator Approach | |
Shao et al. | Distributed piecewise filtering design for large-scale networked nonlinear systems | |
Park et al. | Decentralized output-feedback controller for uncertain large-scale nonlinear systems using higher-order switching differentiator | |
CN113219832A (zh) | 一种自适应迭代学习非一致目标跟踪控制器设计方法 | |
Zhou et al. | Asymptotic Tracking Control for Uncertain MIMO Nonlinear Systems with Guaranteed Performance and Enhanced Controllability | |
Song et al. | Fuzzy H∞ robust control for TS aero-engine systems with network-induced factors under round-robin-like protocol |
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 |