通过时变刺激调整 Hopfield 神经网络的动态特性

作为非线性动力学研究的范式模型，Hopfield 神经网络 (HNN) 因其复杂结构而对外部干扰表现出高度敏感性。本文深入探讨了通过时变刺激调节 HNN 动态特性的挑战。报告了使用两种不同类型的时变刺激（即权重矩阵刺激 (WMS) 和状态变量刺激 (SVS)）以及恒定刺激 (CS) 进行调整的效果。研究结果表明，部署四个 WMS 可使 HNN 生成四涡卷或共存的双涡卷吸引子。当与一个 SVS 结合时，四个 WMS 可导致八涡卷或四涡卷吸引子的形成，而整合四个 WMS 和多个 SVS 可诱导网格多涡卷吸引子。此外，引入 CS 和 SVS 会显著扰乱 HNN 的动态行为。因此，合适的调整方法对于增强网络动态特性至关重要，而不当的应用可能导致其混沌特性的丧失。为了实证验证这些增强效果，本研究采用了 FPGA 硬件平台。随后，设计了一种图像加密方案，以展示动态调整后的 HNN 在安全多媒体通信中的实际应用优势。这项关于通过时变刺激调节 HNN 动态特性的探索，为安全通信技术的发展提供了富有洞察力的贡献。