350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №10 за 2013 г.
Статья в номере:
Механизм адаптации нейронной сети конечного кольца к новому модулю
Ключевые слова: нейронная сеть конечного кольца алгоритм обучения модулярная редукция
Авторы:
Н.И. Червяков - д.т.н., профессор, академик международной академии информатизации, Северо-Кавказский федеральный университет (г. Ставрополь) М.С. Афонин - аспирант, Северо-Кавказский федеральный университет (г. Ставрополь)
Аннотация:
Рассмотрен способ эффективной реализации нейронной сети конечного кольца для криптографических задач и других задач высокой точности. Представлена новая структура нейронной сети модулярной редукции. Разработано три алгоритма обучения модифицированной нейронной сети конечного кольца: обучение по выборке входных сигналов и желаемых выходов, обучение только по желаемому выходу и обучение только по выборке входных сигналов.
Страницы: 3-12
Список источников

 

  1. Применение искусственных нейронных сетей и системы остаточных классов в криптографии. М.: Физматлит. 2012.
  2. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры: Учеб. пособие для вузов. М.: Изд-во МГТУ им. Н.Э. Баумана. 2002.
  3. Галушкин А.И. Нейрокомпьютер. Кн. 3: Учеб. пособие для вузов. М.: ИПРЖР. 2000.
  4. Ciet M., Neve M., Peeters E., Quisquater J.-J. Parallel FPGA Implementation of RSA with Residue Number Systems // Pro-ceedings of the 46th IEEE International Midwest Symposium on Circuits and Systems. 2003. V. 2. P. 806-810.
  5. Alkhoraidly A., Hasan M.A. Error detection and recovery for transient faults in elliptic curve cryptosystems // Technical Report CACR 2009-06. UniversityofWaterloo. 2009.
  6. Афонин М.С. Обеспечение отказоустойчивости эллиптической криптографии // Проблемы математики и радиофизики в области информационной безопасности: I Всерос. конф. Северо-Кавказский федеральный университет (Ставрополь, 17-19 октября 2012 г.). Ставрополь: Фабула. 2012. С. 235-239.
  7. SiuK.-Y., BruckJ., KailathT., HofmeisterT. Depthefficientneuralnetworksfordivisionandrelatedproblems // IEEETransactions on Information Theory. 1993. V. 39. № 3. P. 946-956.
  8. Sun H., Yao T.-R. A neural-like network approach to residue-to-decimal conversion // IEEE International Conference on Neural Networks. IEEE World Congress on Computational Intelligence. 1994. V. 6. P. 3883-3887.
  9. Червяков Н.И., Сахнюк П.А., Шапошников А.В., Макоха А.Н. Нейрокомпьютеры в остаточных классах. Кн. 11: Учеб. пособиедлявузов. М.: Радиотехника. 2003.
  10. Keller T., Liew T.H., Hanzo L. Adaptive redundant residue number system coded multicarrier modulation // IEEE Journal on Selected Areas in Communications. 2000. V. 18. № 11. P. 2292-2301.
  11. Lee I., Jenkins W.K. The design of residue number system arithmetic units for a VLSI adaptive equalizer // Proceedings of the 8th Great Lakes Symposium on VLSI. 1998. P. 179-184.
  12. Grolmusz V., Tardos G. Lower bounds for (MOD p-MOD m) circuits // 39th Annual Symposium on Foundations of Computer Science. 1998. P. 279-288.
  13. Червяков Н.И., Ремизов С.Л. Структуры нейронных сетей конечного кольца // Нейрокомпьютеры: разработка, применение. 2004. № 12. С. 21-30.
  14. ЧервяковН.И., ЕвдокимовА.А., МасленниковЕ.В. Особенностинейросетевойкриптографиисоткрытымключом // Нейрокомпьютеры: разработка, применение. 2012. № 12.