计算物理 ›› 2023, Vol. 40 ›› Issue (1): 106-116.DOI: 10.19596/j.cnki.1001-246x.8547
收稿日期:
2022-04-22
出版日期:
2023-01-25
发布日期:
2023-07-04
作者简介:
孙亮(1983-),男,副教授,主要研究方向为神经网络、混沌理论及其自动化控制, E-mail:sun.gg010@163.com
基金资助:
Liang SUN1(), Jia LUO1, Yinhu QIAO2
Received:
2022-04-22
Online:
2023-01-25
Published:
2023-07-04
摘要:
利用改进的多稳态忆阻器模拟神经元耦合突触,提出一种忆阻Hopfield神经网络(HNN)模型。用分岔图、Lyapunov指数谱、相图、庞加莱截面等对其动力学行为进行理论分析与数值仿真。结果表明: 该忆阻HNN不仅能够产生不同拓扑结构的混沌吸引子,而且能够产生高度依赖忆阻初值的位移调控动力学行为。最后,基于该忆阻HNN设计一种混沌图像加密系统,重点分析系统的直方图、相关性、信息裔以及密钥敏感性。结果表明:所设计的图像加密算法能够有效抵抗各种内外统计分析攻击,具有较高的安全性。
孙亮, 罗佳, 乔印虎. 忆阻Hopfield神经网络的初值位移调控动力学及其图像加密应用[J]. 计算物理, 2023, 40(1): 106-116.
Liang SUN, Jia LUO, Yinhu QIAO. Initial Offset Boosting Dynamics in A Memristive Hopfield Neural Network and Its Application in Image Encryption[J]. Chinese Journal of Computational Physics, 2023, 40(1): 106-116.
图1 输入信号幅度/频率相关的忆阻器v-i曲线(a) F=0.2, 不同幅度下的紧磁滞回线; (b) A=2, 不同频率下的紧磁滞回线
Fig.1 Memristor v-i curve related to input signal amplitude/frequency (a) F = 0.2, pinched hysteresis loops at different amplitudes; (b) A=2, pinched hysteresis loops at different frequencies
线平衡点 | 特征值 | 平衡点稳定性 |
(0, 0, 0, 0, 0) | -1, 0.32±6.312j, 0.929 9±3.331 7j | 不稳定鞍焦 |
(0, ±0.058 44, ±0.322 759, 0, ±3.12) | -1, 0.276 9±6.06j, 0.899 8±3.255 6j | 不稳定鞍焦 |
(0, 0.043 198, 0.731 52, 0, ±6.24) | -1, -0.155 67±5.064 7j, 0.801 18±3.180 5j | 不稳定鞍焦 |
(0, 0.067 25, 0.652 4, 0, ±9.36) | -1, 0.365 2±1.974 6j, 0.956 3±3.575 6j | 不稳定鞍焦 |
(0, ±0.086 47, ±1.102 1, 0, ±12.48) | -1, 1.103 25±3.258 9j, 3.538, -5.59 | 不稳定鞍焦 |
表1 忆阻HNN的平衡点、特征值和稳定性
Table 1 Equilibrium points, eigenvalues, and stabilities of memristive HNN
线平衡点 | 特征值 | 平衡点稳定性 |
(0, 0, 0, 0, 0) | -1, 0.32±6.312j, 0.929 9±3.331 7j | 不稳定鞍焦 |
(0, ±0.058 44, ±0.322 759, 0, ±3.12) | -1, 0.276 9±6.06j, 0.899 8±3.255 6j | 不稳定鞍焦 |
(0, 0.043 198, 0.731 52, 0, ±6.24) | -1, -0.155 67±5.064 7j, 0.801 18±3.180 5j | 不稳定鞍焦 |
(0, 0.067 25, 0.652 4, 0, ±9.36) | -1, 0.365 2±1.974 6j, 0.956 3±3.575 6j | 不稳定鞍焦 |
(0, ±0.086 47, ±1.102 1, 0, ±12.48) | -1, 1.103 25±3.258 9j, 3.538, -5.59 | 不稳定鞍焦 |
图5 不同参数μ下,忆阻HNN的吸引子(a) 混沌吸引子μ=0.1,(b) 混沌吸引子μ=1,(c) 周期吸引子μ=1.255,(d) 混沌吸引子μ=1.5,(e) 准周期吸引子μ=1.8,(f) 混沌吸引子μ=1.89
Fig.5 Attractors of the memristive HNN under different parameter μ (a) chaotic attractor at μ=0.1, (b) chaotic attractor at μ=1, (c) periodic attractor at μ=1.255, (d) chaotic attractor at μ=1.5, (e) quasi-periodic attractor at μ=1.8, (f) chaotic attractor with μ=1.89
图11 (a)~(c) 原始图像; (d)~(f) 原始图像的直方图; (g)~(i) 加密图像; (j)~(l)加密图像的直方图
Fig.11 (a)-(c) Plain images; (d)-(f) Histograms of the plain images; (g)-(i) Encrypted images; (j)-(l) Histograms of the encrypted images
图片 | 水平相关系数 | 垂直相关系数 | 对角相关系数 | 信息裔 |
Lena原始图 | 0.970 303 | 0.941 693 | 0.925 557 | 7.374 0 |
Lena加密图 | - 0.001 030 | 0.001 724 | 0.002 602 | 7.997 4 |
Peppers原始图 | 0.971 015 | 0.965 136 | 0.943 933 | 7.570 3 |
Peppers加密图 | 0.001 820 | - 0.000 987 | 0.002 412 | 7.997 7 |
Baboon原始图 | 0.822 077 | 0.859 746 | 0.770 734 | 7.257 7 |
Baboon加密图 | - 0.002 623 | - 0.001 277 5 | - 0.005 794 | 7.997 4 |
表2 原始图像和加密图像的相关系数与信息裔值
Table 2 Correlation coefficients and information entropies of original images and encrypted images
图片 | 水平相关系数 | 垂直相关系数 | 对角相关系数 | 信息裔 |
Lena原始图 | 0.970 303 | 0.941 693 | 0.925 557 | 7.374 0 |
Lena加密图 | - 0.001 030 | 0.001 724 | 0.002 602 | 7.997 4 |
Peppers原始图 | 0.971 015 | 0.965 136 | 0.943 933 | 7.570 3 |
Peppers加密图 | 0.001 820 | - 0.000 987 | 0.002 412 | 7.997 7 |
Baboon原始图 | 0.822 077 | 0.859 746 | 0.770 734 | 7.257 7 |
Baboon加密图 | - 0.002 623 | - 0.001 277 5 | - 0.005 794 | 7.997 4 |
NPCR(Lena/Peppers/Baboon) | UACI(Lena/Peppers/Baboon) | |
Ref.[ | 99.58/--/-- | 33.64/--/-- |
Ref.[ | 99.65/99.84/-- | 33.64/33.68/-- |
Ref.[ | 99.606 3/--/99.609 4 | 33.295 8/--/33.328 2 |
本文 | 99.694 8/99.827 5/99.689 2 | 33.651 8/33.680 2/33.692 1 |
表3 NPCR和UACI测试结果
Table 3 Test results of NPCR and UACI
NPCR(Lena/Peppers/Baboon) | UACI(Lena/Peppers/Baboon) | |
Ref.[ | 99.58/--/-- | 33.64/--/-- |
Ref.[ | 99.65/99.84/-- | 33.64/33.68/-- |
Ref.[ | 99.606 3/--/99.609 4 | 33.295 8/--/33.328 2 |
本文 | 99.694 8/99.827 5/99.689 2 | 33.651 8/33.680 2/33.692 1 |
1 |
DOI |
2 |
DOI |
3 |
|
4 |
曲良辉, 都琳, 胡海威, 等. 电磁刺激对FHN神经元系统的调控作用[J]. 动力学与控制学报, 2020, 18 (1): 40- 48.
|
5 |
|
6 |
|
7 |
DOI |
8 |
|
9 |
|
10 |
DOI |
11 |
王春华, 蔺海荣, 孙晶如, 等. 基于忆阻器的混沌、存储器及神经网络电路研究进展[J]. 电子与信息学报, 2020, 42 (4): 795- 810.
|
12 |
陈墨, 陈成杰, 包伯成, 等. 忆阻突触耦合Hopfield神经网络的初值敏感动力学[J]. 电子与信息学报, 2020, 42 (4): 870- 877.
|
13 |
蒋欣, 王光义, 周玮. 忆阻Hopfield神经网络的混沌特性研究[J]. 杭州电子科技大学学报(自然科学版), 2022, 42 (2): 1- 7.
|
14 |
|
15 |
DOI |
16 |
|
17 |
|
18 |
DOI |
19 |
|
20 |
|
21 |
|
22 |
|
23 |
|
24 |
|
[1] | 曹文鑫, 韦笃取. 基于NG-RC电机系统的混沌预测[J]. 计算物理, 2023, 40(4): 519-526. |
[2] | 刘丽君, 韦笃取. 忆阻Rulkov神经网络同步研究[J]. 计算物理, 2023, 40(3): 389-400. |
[3] | 唐利红, 贺宗梅, 姚延立. 具有隐藏超级多稳定性的磁感应HR神经元及其电路实现[J]. 计算物理, 2022, 39(5): 589-597. |
[4] | 贾雅琼, 俞斌. 基于重复混沌扩频序列的差分混沌键控系统[J]. 计算物理, 2022, 39(4): 491-497. |
[5] | 刘凯歌, 韦笃取. 基于WOA-ESN的电机系统混沌振荡预测[J]. 计算物理, 2022, 39(4): 498-504. |
[6] | 卢英东, 韦笃取. 基于遗传注意力机制的DLSTM电力系统混沌预测[J]. 计算物理, 2022, 39(3): 371-378. |
[7] | 唐利红, 贺宗梅, 姚延立. 忆阻Hopfield神经网络动力学分析及其电路实现[J]. 计算物理, 2022, 39(2): 244-252. |
[8] | 罗佳, 孙亮, 乔印虎. 忆阻突触耦合环形Hopfield神经网络动力学分析及其电路实现[J]. 计算物理, 2022, 39(1): 109-117. |
[9] | 徐启程, 孙常春. 具有复合幂函数和共存吸引子的新混沌系统的动力学分析与电路仿真[J]. 计算物理, 2021, 38(6): 742-748. |
[10] | 白婧, 黄志精, 唐国宁. 用运动控制器来终止心律失常[J]. 计算物理, 2021, 38(3): 352-360. |
[11] | 康志君, 仓诗建, 李月. 一种基于保守混沌的密钥分发协议及图像加密算法[J]. 计算物理, 2021, 38(2): 231-243. |
[12] | 颜闽秀, 徐辉. 共存吸引子个数可调的混沌系统[J]. 计算物理, 2021, 38(2): 244-252. |
[13] | 赵明, 王柯, 余端民. 圆内开缝圆自然对流的Ruelle-Takens混沌道路[J]. 计算物理, 2020, 37(6): 667-676. |
[14] | 薛薇, 张永超. 保守超混沌在数字图像加密中的应用[J]. 计算物理, 2020, 37(4): 497-504. |
[15] | 石建平, 李培生, 刘国平. 基于改进克隆选择算法的统一混沌系统同步控制与参数辨识[J]. 计算物理, 2020, 37(2): 240-252. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||
版权所有 © 《计算物理》编辑部
地址:北京市海淀区丰豪东路2号 邮编:100094 E-mail:jswl@iapcm.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发