几类密码算法的神经网络差分区分器的改进

为了进一步研究神经网络在密码分析方面的应用,利用深度残差网络和传统差分密码分析技术构造并改进了几类典型的轻量级分组密码算法的神经网络差分区分器。主要取得以下结果:①分别构造了4~7轮PRESENT、3轮KLEIN、7~9轮LBlock和7~10轮Simeck 32/64的神经网络差分区分器,并基于密码的分组结构分别进行了分析;②基于SPN结构分组密码的特点对PRESENT和KLEIN的神经网络差分区分器进行了改进,最多可提高约5.12%的准确率,并在对LBlock的神经网络差分区分器进行研究时验证得出这种改进方式不适用于Feistel结构的分组密码;③基于Simeck 32/64本身密码算法的特点对其神经网络差分区分器进行改进,提高了约2.3%的准确率。同时,将Simeck 32/64的改进方法与多面体差分分析进行结合,将已有的8轮和9轮Simeck 32/64多面体神经网络差分区分器的准确率提高了约1%和3.2%。最后,将实验中得到的3类神经网络差分区分器模型分别应用到11轮Simeck 32/64的最后一轮子密钥恢复攻击中,其中最佳的实验结果是在1000次攻击实验中以26.6的数据复杂度达到约99.4%的攻击成功率。

基于神经网络区分器的SIMON-like算法参数安全性评估

神经网络区分器作为一种新的可被应用于密码算法安全性分析的工具,一经提出便被应用于多种密码算法的安全性分析。对于SIMON-like算法,其循环移位参数的选择有多种。利用神经网络区分器对分组长度为32 bit的SIMON-like算法的循环移位参数(a,b,c)的安全性进行了研究,并给出了好的循环移位参数选择。利用Kölbl等在CRYPTO2015中提出的SIMON-like算法仿射等价类思想,将分组长度为32 bit的SIMON-like算法的循环移位参数划分至509个等价类,并选择其中使gcd(a-b,2)=1成立的240个等价类进行研究。针对240个等价类的代表元构建了自动化搜索差分路径的SAT/SMT模型,并利用SAT/SMT求解器搜索了不同代表元的多轮最佳差分路径。利用搜索得到的最佳差分路径的输入差分训练了神经网络区分器,选择其中准确率最高的神经网络区分器作为代表元的神经网络区分器,统计了不同代表元的神经网络区分器准确率。发现Kölbl等给出的20个最佳循环参数并不能使神经网络区分器的准确率最低,而且其中4个循环移位参数对应的神经网络区分器的准确率超过了80%,这意味着这4个循环移位参数抗神经网络区分器的能力是差的。综合考虑Kölbl等的选择和不同代表元的神经网络区分器准确率,给出了3个好的循环移位参数选择,即(6,11,1)、(1,8,3)和(6,7,5)。

基于神经网络的自主水下机器人动态反馈控制

针对自主水下机器人数学模型的强非线性及所受海流干扰无法确定等特点,设计了基于神经网络补偿器的动态反馈控制算法。通过对自主水下机器人系统数学模型研究,将系统分解为近似线性部分与非线性不确定部分。通过动态反馈控制实现对分解出的近似线性部分进行初步控制,利用神经网络所具有的自适应控制实现对不确定模型与干扰项进行补偿控制,提高自主水下机器人运动控制的鲁棒性。通过Lyapunov稳定判据证明了此控制算法的收敛性,通过Matlab数字仿真平台验证了此算法的抗干扰能力,在自主水下机器人半物理仿真平台上分别采用所提出的控制算法与PID控制算法对自主水下机器人系统定深运动进行了控制。研究结果表明所提出的算法具有更好的动态性能与强鲁棒性。

基于BP神经网络的永磁直线同步电机齿槽力预估器

为了减小永磁直线同步电机(PMLSM)齿槽力的波动,采用二维电磁场有限元方法,结合动态分网来描述PMLSM定、动子间的相对运动.考虑非线性磁饱和的影响,对槽形尺寸、斜槽、闭口槽、气隙、分数槽等影响下的齿槽力进行了分析.计算结果表明,分数槽是有效减小PMLSM齿槽力波动的重要措施.将模拟计算得到的槽形、气隙对齿槽力波动的影响作为神经网络的训练样本,结合动量法和自调节学习规则,构建了基于BP神经网络的齿槽力预估器.通过该预估器,可以在PMLSM设计阶段对槽形尺寸、气隙大小进行合理的选择.

基于模糊补偿神经网络辨识器的发动机转速控制系统

提出了一种带模糊补偿的神经网络辨识器,并应用在某型涡扇发动机转速控制系统中。一个动态神经网络用于被控装置的在线辨识,然后根据被控装置的输出和参考模型的响应迭代出控制信号,具有4条简单规则的模糊逻辑块用于提高整个系统的闭环特性。试验结果显示,对比传统的机械-液压式控制器和模拟式电子控制器,提出的控制策略具有更好的瞬变特性及抗干扰特性,同时提高了系统的过渡过程品质,保证了航空发动机对高性能指标和高控制精度的要求。

基于补偿器的灰色神经网络流量预测模型

为衡量网络运行负荷和运行状态,对网络进行合理规划,在对目前网络流量预测模型进行了研究的基础上,结合灰色模型和神经网络模型在反映数据的趋势性变化上的明显效果,以及神经网络补偿器,提出了基于补偿器的灰色神经网络流量预测模型,仿真结果验证了所提方法的有效性。

嵌入式神经网络PID控制器的研究与设计

设计了一种基于嵌入式系统的神经网络PID控制器,以ARM芯片为控制器核心,实现对难以建立精确数学模型的非线性系统的自适应控制;控制器采用RBF神经网络对被控对象进行在线辨识,并根据辨识结果对控制器的参数进行在线修正,实现PID控制器的自适应;该控制器体积小、适应能力强且省电;实验结果表明,该控制器可靠性高,响应快,可以在无法确定被控系统数学模型的情况下达到理想的控制效果。

神经网络补偿器在基于影像测量仪的运动控制系统中的应用

针对基于影像测量仪的运动控制系统存在的非线性误差问题,设计出神经网络补偿器.通过所采集的伺服电机的输入、输出数据,对非线性伺服电机的神经网络仿真器及补偿器进行训练.所设计的神经网络补偿器应用在运动控制的高精密定位系统上,使控制系统表现出良好的控制性能.仿真实验表明该控制器具有较强的有效性.

混沌神经网络模型参考自适应控制器设计

研究了非线性的神经网络模型参考自适应控制器设计问题。将混沌机制引入常规BP算法,利用混沌机制固有的全局游动,逃出权值优化过程中存在的局部极小点,解决了网络训练易陷入局部极小点的问题。通过训练神经网络模型参考自应用控制器和辨识器,完成了对一类复杂离散非线性系统的控制。给出了具体的算法步骤。仿真结果表明了混沌BP算法优于常规BP算法。有效地提高了控制精度和适时性。

称重传感器神经网络补偿器设计

为满足快速称重的要求 ,设计出一种新型的称重传感器神经网络补偿器。仿真表明有效的提高了称重传感器的动态响应性能 。

基于神经网络的航空传感器故障检测

用离线训练的神经网络进行导航传感器故障检测。首先,用已获得的正常飞行数据通过离线训练的方法训练神经网络并构造估计器的结构,然后用已选择好结构并训练好的神经网络作为估计器对传感器的读数进行一步预测。若预测值与传感器实际值之间的差值仅为递推误差和传感器输出噪声,则认为传感器工作正常,若相应的残差分量显著增大,则认为传感器故障。因此设计了相应的检测策略进行故障检测,以达到既避免不必要的报警、切换,又准确、及时的监测、报警。通过仿真试验验证,结果证明该方法可行。

基于忆阻器卷积神经网络的表情识别

忆阻器具有纳米级尺寸、低功耗、类似神经突触等优点,在神经计算、图像分类等领域具有广阔的应用前景。本文提出了一种基于忆阻器卷积神经网络的面部表情识别方法,首先基于忆阻器构建了ResNet卷积神经网络,并对ResNet网络进行剪枝操作,然后将ResNet模型的所有卷积层以及全连接层的权重映射为忆阻器十字交叉阵列中忆阻器的忆导值。实验结果显示忆阻器卷积神经网络模型在FER2013数据集上的识别准确率为63.82%,在CK+数据集上的识别准确率为93.95%。相比与原卷积网路,准确率损失仅分别为0.31%和0.76%。最后测试了忆阻器的非理想特性对准确率的影响,为忆阻器神经网络的实际部署提供参考。

CMAC神经网络控制器与BP神经网络辨识器的系统设计

提出了一种基于CMAC神经网络控制系统,该系统由CMAC神经网络控制器和BP模型辨识网络组成。文中介绍了CMAC神经网络控制器的结构及学习算法,还给出了系统辨识的BP网络结构及学习算法。仿真结果表明了此法的可行性和有效性。

基于多观测器的UVMS自适应神经网络抗扰控制

水下机器人机械臂系统(UVMS)往往面临高度非线性、模型不确定、复杂海洋干扰及执行器死区非线性等因素,严重影响控制精度。首先将UVMS水动力学模型与死区非线性特性变换为模型已知和未知两部分,其中未知部分与其他干扰归结为总干扰。接下来利用基于径向基函数(RBF)的自适应神经网络逼近未知非线性函数,并构造神经网络性能估计器,利用其估计误差设计了一种新颖的神经网络干扰观测器来估计总干扰。在此基础上提出了一种基于神经网络干扰观测器、性能估计器以及多补偿器的自适应神经网络抗扰控制算法,并利用李雅普诺夫方法分析了闭环系统的稳定性。最后将所提的算法运用到6自由度UVMS进行仿真实验,并通过对比验证了本文所提控制算法的有效性。

一类基于忆阻器分数阶时滞神经网络的修正投影同步

基于忆阻器分数阶时滞神经网络的研究是一个热点问题.该文主要研究了基于忆阻器分数阶时滞混沌神经网络的修正投影同步.结合分数阶微分不等式,得到了实现主动-被动系统获得同步的充分条件.其研究结果更具有一般性.相应的数值模拟证实了方法的有效性.

变时滞随机忆阻器神经网络的同步控制

在实现实际的复杂人工神经网络模型以及大规模集成电路时,随机噪声是不可避免的.因此,随机忆阻器神经网络具有重要的现实研究意义.针对变时滞随机忆阻器神经网络的同步控制问题,基于非光滑分析以及集值映射、随机微分包含的理论,利用Lyapunov函数和基本不等式的方法,设计了一个线性反馈控制器.通过恰当选择控制器增益,实现了随机忆阻器神经网络驱动系统与相应的响应系统之间的指数同步,所得到的结果保守性更小.最后,给出数值例子验证了理论结果的有效性.

基于忆阻器神经网络和改进Logistic映射的图像加密法研究

针对目前图像加密方法中密钥值选择单一、混沌系统效率低等问题;提出了一种基于忆阻器神经网络和改进Logistic映射的图像加密算法.该算法引入指数函数对一维Logistic映射进行改进,选择忆阻器与Chebyshev混沌多项式结合作为激活函数的神经网络,将神经网络更新的权值均衡化后作为混沌系统的初始值;采用混沌系统获得替换索引矩阵,完成对图像像素级,以及bit级的置乱操作;使用两组随机序列对置乱后的密文进行两轮方向相反扩散操作,完成图像加密.神经网络中的权值作为混沌系统的初始值选择与更新的密钥源,生成的混沌序列经NIST等检验证明了其具有较好的随机性;安全性分析表明该算法密钥空间大,并且可以抵抗统计分析攻击,具有较高的安全性.

基于深度学习的多差分神经网络区分器及其应用

随着深度学习的发展,尤其是随着多层神经网络(MLP)、深度神经网络(DNN)、卷积神经网络(CNN)等网络的出现,其在多个领域得到广泛应用,如视觉识别、语音识别、自然语言处理等领域。在2019年的美密会上提出利用单差分深度残差网络区分器进行密钥恢复攻击的方法,将深度学习的应用扩展到密码算法分析领域。利用多差分残差网络区分器进行密钥恢复攻击,该方法可有效减少数据复杂度,并增加攻击轮数。以RC516的攻击为例,计算复杂度和数据复杂度分别减少为后者的1/12,攻击轮数由11个半轮增加到了12个半轮。

神经网络预估器的试验研究

０前言近４０年来，围绕着如何改善具有时变和大滞后非线性系统的控制品质问题，进行了广泛深入的研究和提出了多种解决方法。例如：史密斯预估控制法、最优控制法、自适应控制法、有效谱控制法、智能采样调节和动态矩阵预报控制等等［１］。但是，由于这些方法都比较复杂...

一种基于灰色神经网络的网络流量预测模型

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划、流量管理等方面起着重要作用的重要参数。在流量管理中,流量模型用于评价接入控制机制和预测网络性能。灰色模型和神经网络在反映数据的趋势性变化上效果明显,随着灰色神经网络的发展及其广泛应用,越来越多的方法已经被提出。文中利用神经网络补偿器获得误差补偿信号,则最终的预测值为灰色神经网络模型的预测值加上误差补偿。仿真结果验证了所提方法的有效性。