基于CNN超混沌特性的网络图像加密传输方法研究

加密传输是保证网络图像安全的一种手段,现行方法在实际应用中相邻位置像素值相关性系数较高,图像峰值信噪比(peak signal-to-noise ratio,PSNR)较低,传输抗攻击性较弱,失真性较强。针对现行方法存在的不足和缺陷,提出基于卷积神经网络(convolutional neural networks,CNN)超混沌特性的网络图像加密传输方法,采用压缩感知技术采集信道中网络图像样本,利用CNN超混沌特征对网络图像加密处理,通过逆运算实现对网络图像解密,完成基于CNN超混沌特性的网络图像加密传输。经实验证明,加密传输的网络图像相邻位置像素值相关性系数接近0,峰值信噪比在40 dB以上,该方法在网络图像加密传输领域具有良好的应用前景。

基于细胞神经网络超混沌特性的图像加密算法

针对图像传输安全问题,本文提出基于细胞神经网络CNN超混沌的特性结合一般形式的三次函数鲁棒映射和高维Lorenz系统对图像采取双扩散-置乱的加密操作.仿真结果表明本文设计的算法具有优良的加密效果,且密钥空间大、密文敏感性强、信息熵值7.9994接近理想值,能有效抵抗统计攻击等.具有一定的运用价值.

基于Lorenz和CNN系统的数字签名研究

混沌序列具有对初始条件的敏感性和伪随机性,可用作高安全性的序列密码。文中提出了基于Lorenz混沌系统和四阶细胞神经网络(CNN)超混沌系统的数字签名方法,实现了对中文文档的数字签名。仿真结果表明,其具有很强的抗攻击性,而且计算量小,处理数据速度快,密钥取值范围广,具有广泛的应用前景。