基于Logistic混沌序列的硬加密卡的研究与设计

离散的Logistic映射时初始值和结构参数的改变具有极端的敏感性，本文利用Logistic映射生成的混沌序列具有遍历性、良好的相关性和类白噪声统计特性等特点，给出了基于ISA总线的硬加密卡的一种设计方法。     

改进的混沌否定选择算法

针对检测器集生成速率不高的问题,提出一种改进的混沌否定选择算法。由于Logistic映射折叠次数有限,采用自映射产生的混沌序列,改进混沌二值序列的产生方法。实验结果表明,该算法具有较好的混沌特性,能有效提高检测器集的生成速度,较好地覆盖检测空间,安全性较强。     

一种新的基于混沌的彩色图像加密算法

提出一种使用传统的Cat映射与混沌序列结合的方法对彩色图像进行置乱扩散加密,克服了Cat映射周期性与易受选择明文攻击的缺陷。算法使用了Logistic映射和Chebychev映射。首先利用Chebychev映射的平衡性产生密钥,控制Logistic映射的参数,产生多个不同参数的Logistic序列;再用Logistic序列控制图像置乱的范围,使用Lorenz系统得到每次Arnold变换的密钥和置乱次数。置乱完成后,再使用Lorenz系统控制扩散时操作的变量。实验仿真表明:该算法对图像有比较好的置乱扩散效果,克服了Cat映射缺点,并且具有很大的密钥空间,能够高质量加密图像并抵抗常见的攻击。     

改进粒子群优化BP神经网络的PM2.5预测

针对PM2.5预测的非线性不确定特点,提出基于改进粒子群优化BP神经网络的空气PM2.5浓度预测模型.引入混沌映射和对立学习改进粒子群算法;引入对立学习提高初始解的质量;引入混沌Tent映射改进粒子随机搜索,避免局部最优;引入自适应惯性权重均衡局部开发和全局勘探能力.利用改进粒子群对BP神经网络权值和阈值进行迭代寻优,基于最优参数BP神经网络做PM 2.5预测,有效避免神经网络训练时陷入局部最优,提升收敛速度.选取某市某时段的PM2.5日均浓度数据进行实验分析,结果表明IPSO-BP预测准确度更高,收敛速度更快.     

基于双混沌映射改进的人工鱼群算法

针对人工鱼群算法(AFSA)易陷入局部最优的问题,提出一种基于双混沌映射的人工鱼群算法(CAFSA)。该方法利用Tent映射的均匀分布性产生混沌初始鱼群,增加搜索的多样性;其次在人工鱼群演化陷入局部最优时,利用局部分布均匀的Logistic映射生成混沌变异算子对其产生扰动,使其跳出局部最优值,向全局最优值靠近。仿真实验表明,改进后的算法比基本人工鱼群算法的全局寻优能力更强,搜索精度更高。     

基于Logistic映射的彩色图像加密算法设计实现

该算法使用Logistic映射产生混沌序列。采用单向散列函数生成Logistic映射的两个初始值,进行混沌迭代产生两个混沌序列,再按照一定算法生成两个变换矩阵实现对彩色图像的频域加密。实验证明,该算法实现简单,解密图像失真度低,安全性高,对彩色图像有着良好的加密效果。     

基于混沌映射的彩色图像加密算法设计实现

算法使用Logistic映射产生混沌序列.采用单向散列函数生成Logistic映射的两个初始值,进行混沌迭代产生两个混沌序列,再按照一定算法生成两个变换矩阵实现对彩色图像的频域加密.实验证明,算法实现简单,解密图像失真度低,安全性高,对彩色图像有着良好的加密效果.     

基于神经网络的纹理图象生成

提出了一种利用多层前馈神经网络生成纹理图象的新方法 .利用该方法可方便地生成图案丰富的纹理图象集 ,并且该纹理图象集中的任何一幅图象均唯一地对应一组神经网络的权值和阈值 ,因此不仅便于图象保存 ,还大大地节省了图象存储空间 .     

基于复合混沌系统的数字图像加密方法研究

分析了现有图像加密方法的安全性,提出了一种改进的图像加密方法,将两套Logistic映射组合起来构成参数变化的双Logistic映射复合混沌系统,系统中的Logistic映射相互控制对方的μ参数,并产生两个混沌序列。然后用其中一个混沌序列对图像矩阵进行置乱,另一个混沌序列用于对图像信息进行异或加密。计算机仿真结果表明,该加密方法具有良好的加密效果,具有可行性,算法实现简洁,有较强的抗攻击和抗噪声能力。     

基于混沌映射的非径向对称基函数的神经网络模型

为提高神经网络模型的预测精度,构建了非径向对称基函数神经网络模型结构。为确定非径向对称基函数神经网络模型参数,采用Ulam-von Neumann映射规则确定混沌变量,利用混沌变量的遍历性获得不同网络结构参数下的最优网络输出,以减少所构建网络模型的实际输出与期望输出的差值,并利用模型输出的误差变化率以决定是否增加新的隐层节点。给出基于混沌映射的非径向对称基函数的网络模型构建步骤。采用基于Mackey-Glass时滞微分方程的混沌时间序列预测问题验证该模型的预测精度,并同其他文献对该序列预测的精度以及所需隐层节点数作对比。比较结果表明,采用该设计模型具有对时间序列预测精度高且所需网络结构规模小等优点。     

人工神经网络设计算法的研究

人工神经网络在计算机领域中仍然是一个有待进一步研究的问题。文中介绍了目前使用的几种不同的人工神经网络设计算法：BP算法、FP算法、多层前向网络的交叉覆盖设计算法。探讨了这些算法的应用和特点，并从原理和设计思路上进行了分析。对BP算法和交叉覆盖算法给出具体的测试结果，解释并说明了各种算法的优缺点。重点研究并介绍了目前流行的多层前向网络的交叉覆盖算法的设计思路和应用方法，测试结果证明了该方法在智能识别领域的有效性。     

基于Logistic混沌序列的图像空域复合加密研究

提出了一种针对大数据量数字图像空域复合加密／解密的方法。加密过程是借助Logistic混沌动力学系统过程既非周期又不收敛，且对初始条件敏感性，产生实数值混沌序列；再通过离散映射关系，把图像自带信息同实数值混沌序列耦合，生成参数序列；然后对图像的色度空间和像素位置分别进行置乱处理。解密算法即为加密的逆过程。其特点是：色度空间和像素位置的加密参数既依赖于密匙，又与每幅加密图像所携带的信息密切相关。大量的实验结果表明，此算法达到了令人满意的效果。     

基于嗅觉神经网络仿生模型的纹理图像生成算法

提出了一种基于嗅觉系统生成纹理图像的仿生模型。该模型结构模拟嗅觉神经网络的结构,利用Logsitic函数的混沌特性调整每次迭代过程中的模型参数,使用简单的周期函数作为模型节点的激活函数实现纹理的重复,并引入随机噪声来模拟脑在进行信息处理时的背景噪声。实验结果表明,该模型可以生成丰富而多变的纹理图像,引入的随机噪声也起到了积极的作用,可以明显地丰富纹理图像的变化。此外,模型生成纹理图像的效率也高于传统的BP神经网络模型。     

前向神经网络参数估计中的进化规划

人工神经网络在很多领域有着成功的应用。神经网络参数估计有许多训练算法,BP算法是前向多层神经网络的典型算法,但BP算法有时会陷入局部最小解。进化规划是一种随机优化技术,它可以发现全局最优解。文章介绍了进化规划在前向多层神经网络参数估计中的应用,结合具体例子给出了算法实现的具体操作步骤和实验结果。实验数据表明采用进化规划得到的网络参数是最优的,神经网络的性能优于基于BP算法的神经网络性能。     

自适应分块的医学图像混沌加解密算法

针对现有基于混沌的医学图像加密算法未考虑图像纹理特征的不足,提出了一种自适应分块的医学图像混沌加解密算法。首先利用2D Sine Logistic混沌系统生成两个具有良好混沌特性的安全序列;然后将图像分成固定尺寸的图像块,并计算图像块的最大像素差和方差,根据设定的阈值将图像块划分成纹理平滑块和纹理复杂块;最后利用混沌序列1对平滑块进行密文反馈加密,利用混沌序列2对复杂块进行明文反馈加密,得到加密后的图像。算法有效地考虑了图像块的纹理特性,优化了混沌加密算法,提高了医学图像的加解密效率。实验仿真结果表明,提出的算法具有高的安全性和加解密效率,相比现有方法加解密速度提高1倍左右。算法适用于大数据量的医学图像实时加解密。     

动态分组混沌伪随机数发生器

为了克服计算机处理数据的有限精度导致混沌特性退化的缺陷,改善随机数发生器输出序列的随机性能,设计了一种新的基于Logistic混沌映射生成伪随机数的方法。在提出的方法中,采用四个一维Logistic混沌映射,每次迭代随机选择扰动源对其他三个Logistic映射进行扰动,加入可变扰动参数,组合时随机动态分组,从而提高序列的随机性能,扩大序列周期,避免序列的重复出现。以新方法设计的伪随机数发生器易于软件实现,生成的序列通过随机数检测标准NIST SP800-22,从而具有良好的随机性,可用于保密通信等信息安全领域。     

基于神经网络的混沌时间序列建模及预测

该文从相空间重构理论出发,讨论了基于神经网络的混沌时间序列建模及预测方法,并以Logistic方程产生的混沌时间序列作为研究对象,采用BP和RBF两种神经网络分别对其进行了仿真分析,实验结果表明:最大Lyapunov指数越大,可预测步长越短;基于RBF网络的混沌时间序列建模及预测效果优于BP网络。     

基于PSO的神经网络在传感器 数据融合中的应用

针对压力传感器对温度存在交叉灵敏度这一具体问题,常采用BP神经网络对其进行数据融合.但BP神经网络方法训练收敛速度慢,易陷入局部最优.采用PSO全局优化算法训练多层前向神经网络权值,使网络训练误差比BP方法降低了两个数量级,并且收敛速度明显加快.融合结果表明基于PSO神经网络方法更有效地消除了温度对压力传感器的影响,显著提高了传感器的稳定性和准确度.     

基于改进BP神经网络的预测模型及其应用

对BP神经网络的结构及其训练算法进行了研究,并针对传统BP算法的缺陷,提出了一种采用L—M算法的改进BP神经网络。在此基础上建立了基于改进BP神经网络的非线性系统预测模型,并通过具体的仿真及实践结果验证了改进BP神经网络的有效性。     

基于改进的BP神经网络的血液细胞图像分割

采用BP神经网络来分割白细胞显微图像,在边缘检全上的效果尚不理想,针对此问题,提出了改进BP神经网络。提出了一种采用L-M算法的改进BP神经网络。在此基础上建立了基于改进BP神经网络的非线性系统模型。实验结果表明,它能有效地克服已有方法无法克服的边缘检出问题,使得分割图像能更好的接近真实图像。