一種高級脈沖神經(jīng)元模型及其在圖像加密的應用.pdf

1、根據(jù)基本運算單元的劃分，人工神經(jīng)網(wǎng)絡可以被分為三代。作為第三代人工神經(jīng)網(wǎng)絡的脈沖神經(jīng)元網(wǎng)絡，具有比前兩代更強大的計算能力和更接近生物神經(jīng)元網(wǎng)絡的特性。因此，設計一種更貼近生物神經(jīng)元，并且可硬件實現(xiàn)的脈沖神經(jīng)元模型很有必要。本文結(jié)合積分點火模型的設計思路，提出了具有一定記憶特征的高級脈沖神經(jīng)元模型（Advanced Spiking Neuron Circuit，ASNC）和高級脈沖耦合神經(jīng)元模型（Advanced Pulse-Couple

2、d Spiking Neuron Circuit，APSNC）。
　　此外，隨著數(shù)字化時代的不斷發(fā)展，數(shù)字信息的安全問題也更加凸顯，特別是數(shù)字圖像，其信息的二維性、高相關性、大信息量以及高冗余度使得一些傳統(tǒng)加密手段略顯不足。這就需要對傳統(tǒng)密碼學進行有效改進，或提出新的加密技術(shù)，以應對圖像信息的安全問題。在這樣的背景下，基于混沌的圖像加密方案由于能夠有效結(jié)合混沌的敏感性、遍歷性以及復雜性等特點而得到廣泛采納。本文經(jīng)過對APSNC模型

3、充分研究后，發(fā)現(xiàn)其所表現(xiàn)出混沌行為極其適用于圖像加密，而提出了一種基于混沌和bit級同心旋轉(zhuǎn)的加密算法。
　　本文的主要研究工作概括如下：
　　1）考慮到生物神經(jīng)元的記憶性，本文設計了一種具有記憶特征的高級脈沖神經(jīng)元模型，該模型對每次重置的閾值電位具有短暫的記憶能力。進一步地，通過交叉開關的方式，本文將兩個ASNC模型耦合構(gòu)成APSNC模型。在APSNC模型中，ASNC模型間的互相控制表現(xiàn)出了短暫的交叉記憶行為。此外，多種周

4、期信號的輸入雖然使神經(jīng)元模型其更具通用性，但也增加了點火相位的求解難度。對此，本文提出通過將最小公倍數(shù)的定義進行擴展以得到不同信號間公共周期，并進一步求得點火相位的方法。該方法可以有效地解決具有多周期輸入信號的神經(jīng)元模型的相位求解問題。之后，本文對神經(jīng)元模型進行動力學特性的分析，將參數(shù)劃分為三個區(qū)域，這有助于快速地獲取所需的動力學行為，而統(tǒng)計特性分析結(jié)果表明ASNC模型和APSNC模型所產(chǎn)生的混沌序列具有很好的偽隨機性，支持了將它們應用

5、于圖像加密的可行性，并進一步地用其對Lena圖像實現(xiàn)加密。此外，本文還對ASNC模型和APSNC模型完成了硬件電路實現(xiàn)及測試；
　　2）采用以bit位作為Confusion操作基本單元的Confusion-Diffusion結(jié)構(gòu)，本文提出了一種基于混沌和bit級同心旋轉(zhuǎn)的圖像加密算法。該加密算法先將每8個相鄰像素分解成8?8的bit塊，再由混沌序列產(chǎn)生的指令將bit塊從內(nèi)往外的4層分別旋轉(zhuǎn)相應的位數(shù)。該操作不僅可以將像素值有效地置

6、亂，還兼具部分擴散能力，并且能夠?qū)D像直方圖實現(xiàn)很好地均衡化，這分擔了Diffusion階段的工作量。通過異或與取模運算，該算法加強了原始圖像像素與加密圖像間的聯(lián)系，使得原始圖像中一個像素的細微變化可以擴散至整幅加密圖像。經(jīng)過該算法的適當擴展，同樣可以用于RGB圖像加密。此外，經(jīng)過對APSNC模型的研究發(fā)現(xiàn)，將部分參數(shù)合理地固定可以獲得參數(shù)區(qū)域連續(xù)、迭代分布均勻的混沌行為。因此，本文選用APSNC模型為加密算法提供所需混沌序列。在實驗中