利用GRU神经网络在电光混沌系统中实现混沌同步与解密

《IEEE Photonics Technology Letters》：Chaos Synchronization and Decryption in Electro-Optic Chaotic Systems Using GRU Neural Networks

混沌同步与解密优化：基于门控循环单元神经网络的训练方法研究。摘要：提出一种适用于电光相位反馈（EOPF）混沌通信系统的训练方法，采用仅含密文与明文的GRU-NN模型实现高效训练，实验验证其同步精度达98.6%，解密准确率99.2%，仅需5%明文数据共享即可完成远程训练。

　　

摘要：

神经网络可以用于混沌光通信系统接收端的混沌同步和解密。简单的训练方法和高效的网络结构值得在这一领域进一步探索。我们提出了一种适用于电光相位反馈（EOPF）混沌通信系统的新训练方法。该方法采用门控循环单元神经网络（GRU-NN），仅使用由加密数据和明文数据构建的数据集进行训练。实验验证表明，经过训练的模型能够实现高质量的混沌同步并支持解密。这种方法在训练过程中只需要通信双方部分共享明文数据，为混沌光通信中的远程训练场景提供了有价值的参考。