基于模糊熵算法的混沌偽隨機序列復(fù)雜度穩(wěn)定性測度方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于無線通信技術(shù)領(lǐng)域，具體涉及混沌偽隨機序列復(fù)雜度穩(wěn)定性測度，可 用于衡量混沌偽隨機擴頻序列的復(fù)雜度性能。
【背景技術(shù)】
[0002] 混沌偽隨機序列由混沌序列采用一定的量化方法而得到，由于其具有類噪聲、對 初始值敏感、非周期等特性，因而可以取代傳統(tǒng)偽隨機序列進行保密通信。混沌偽隨機序列 的復(fù)雜度指的是混沌序列接近隨機序列的程度，復(fù)雜度越大，序列越接近隨機序列，因而保 密性和安全性更好。復(fù)雜度已作為衡量混沌偽隨機序列抗抗干擾和截獲能力的重要指標(biāo)。
[0003] 目前，混沌序列復(fù)雜度測度算法使用較多的是近似熵（ApEn)算法和樣本熵 (SampEn)算法，但ApEn算法的復(fù)雜度結(jié)果受參數(shù)選取影響較大，SampEn算法在無模板匹配 的情況下會出現(xiàn)無意義的零的對數(shù)；強度統(tǒng)計復(fù)雜度算法（SCM)計算混沌序列復(fù)雜度，該 算法具有參數(shù)少、對參數(shù)敏感性小等特點，但對偽隨機序列測度時結(jié)果沒有其對非偽隨機 序列結(jié)果準(zhǔn)確；符號熵（SymEn)測量混沌偽隨機序列的算法，該算法進一步降低了參數(shù)選 取對測度結(jié)果的影響，但SymEn需要事先知道符號空間，且只針對偽隨機序列，這限制了其 實用性。模糊熵（FuzzyEn)算法，利用模糊函數(shù)的優(yōu)良性能，對ApEn和SampEn進行改進， 并成功將其應(yīng)用于表面肌電信號的提取與分類，事實證明FuzzyEn算法較其他算法能更有 效和準(zhǔn)確分析混沌偽隨機序列復(fù)雜度。然而有的時候復(fù)雜度大的序列其穩(wěn)定性不一定好。 如果人為改變序列其中一些值，序列復(fù)雜度值可能會變小，使得安全性能下降，即此序列的 k錯穩(wěn)定性不好；一長段序列中，可能會存在一些復(fù)雜度較小的窗口，這些復(fù)雜度較小的窗 口也會使得序列安全性能下降，說明序列時間演化穩(wěn)定不好。目前衡量混沌偽隨機序列復(fù) 雜度穩(wěn)定性的算法主要有k錯線性復(fù)雜度算法和k錯ApEn算法，但是由于線性復(fù)雜度算法 不適合衡量混沌偽隨機序列的復(fù)雜性和ApEn參數(shù)的選取對結(jié)果影響較大，另外現(xiàn)在尚無 測度序列復(fù)雜度時間演化穩(wěn)定性的算法，所以有必要設(shè)計新的混沌偽隨機序列復(fù)雜度穩(wěn)定 性測度算法。
[0004] 本發(fā)明基于現(xiàn)有的優(yōu)秀的混沌復(fù)雜度算法一模糊熵算法，設(shè)計了一套完整和可靠 的混沌偽隨機序列復(fù)雜度穩(wěn)定性測度方法。

【發(fā)明內(nèi)容】

[0005] 針對現(xiàn)有混沌偽隨機序列復(fù)雜度穩(wěn)定性測度方法的不足和不完善，本發(fā)明將提供 一種可靠性好、通用性強的復(fù)雜度穩(wěn)定性測度方法。發(fā)明主要包括兩個方面：一為k錯穩(wěn)定 性算法，用來測度當(dāng)序列改變一些量后復(fù)雜度會降低多少；二為復(fù)雜度時間演化穩(wěn)定性算 法，用來測度序列不同窗口復(fù)雜度波動穩(wěn)定性，即時間序列隨著時間的推移，會不會有較小 復(fù)雜度窗口存在。
[0006] 實現(xiàn)本發(fā)明目的的技術(shù)方案是：將較長混沌偽隨機序列分成小窗口，計算每個窗 口改變k個數(shù)據(jù)后所有情況中復(fù)雜度最小值，得到每個窗口的k錯復(fù)雜度，平均后得到序列 整體的k錯穩(wěn)定；分別計算每個窗口的模糊熵復(fù)雜度，求復(fù)雜度序列的方差，得到序列的時 間演化穩(wěn)定性。FuzzyEn (m，r) (sN)表征采用模糊熵算法計算長度為N混沛?zhèn)坞S機序列sN 的復(fù)雜度，參數(shù)嵌入維數(shù)m = 2,相似容限度為r = 0. 3 ;
[0007] k錯模糊熵穩(wěn)定性算法
[0008] (1)讀入待分析混沌二進制混沌偽隨機序列。
[0009] (2)確定每個窗口長度Nt滑動步長L，并確定總的窗口個數(shù)為J。
[0010] (3)計算窗口內(nèi)序列混沌偽隨機序列的k錯模糊熵：
[0011]
【主權(quán)項】
1. 一種基于模糊熵算法k錯穩(wěn)定性算法，包括如下步驟： (1) 讀入待分析混沌二進制混沌偽隨機序列； (2) 確定每個窗口長度N和滑動步長L，并確定總的窗口個數(shù)為J; (3) 計算窗口內(nèi)序列混沌偽隨機序列的k錯模糊熵：
其中wH(tN)表示混沌偽隨機序列tH的漢明重量，即序列中不為0的位數(shù)值。由定義可 知，二進制數(shù)據(jù)中與1異或操作相當(dāng)于取反，與0異或則保持不變，即表征k錯模糊熵為混 沌偽隨機序列N數(shù)據(jù)位中改變k個值后得到的模糊熵復(fù)雜度最小值； (4) 被測窗口偽隨機序列的k錯穩(wěn)定性優(yōu)劣通過原序列模糊熵復(fù)雜度與k錯模糊熵復(fù) 雜度之間的偏離程度來衡量，則該窗口k錯模糊熵穩(wěn)定性的定義為
(5) 重復(fù)（3)和⑷步驟，直到得到計算完所有窗口的k錯穩(wěn)定性，即得到&，1?2，…， R3。求平均的得到序列的k錯穩(wěn)定性為
2. -種基于模糊熵算法的復(fù)雜度時間演化穩(wěn)定性測度算法，包括如下步驟： (1) 讀入待分析混沌序列； (2) 確定每個窗口長度N和滑動步長L，并確定總的窗口個數(shù)為J; (3) 計算每個窗口的模糊熵復(fù)雜度，其結(jié)果分別記為匕，F(xiàn)2,F3,...，匕； (4) 求序列每個窗口的復(fù)雜度時間穩(wěn)定性：
其中戶為窗口復(fù)雜度的平均值，A為控制指數(shù)（A> 1); (5) 計算復(fù)雜度時間穩(wěn)定性C= 1-VarF。
【專利摘要】本發(fā)明公開了一種基于模糊熵算法的混沌偽隨機序列復(fù)雜度穩(wěn)定性測度方法，主要解決現(xiàn)有偽隨機序列復(fù)雜度穩(wěn)定性測度算法的不足和準(zhǔn)確性差的問題，包括k錯模糊熵穩(wěn)定性算法和復(fù)雜度時間穩(wěn)定算法。其計算步驟分別為：(1)讀取數(shù)據(jù)0-1數(shù)據(jù)，(2)劃分窗口，(3)計算每個窗口的k錯模糊熵，(4)計算k錯模糊熵穩(wěn)定性；(1)讀取0-1數(shù)據(jù)，(2)劃分窗口，(3)計算每個窗口的模糊熵，(4)計算復(fù)雜度時間演化穩(wěn)定性。從結(jié)果來看，多渦卷混沌系統(tǒng)產(chǎn)生的混沌偽隨機序列復(fù)雜度和復(fù)雜度穩(wěn)定性并不隨渦卷數(shù)增加而變得更好；不同測度值之間具有一定的相似性，表明本發(fā)明測度結(jié)果的準(zhǔn)確性和測度實用性。本發(fā)明可用于計算混沌0-1偽隨機序列的復(fù)雜度穩(wěn)定性。
【IPC分類】H04L9-22
【公開號】CN104579647
【申請?zhí)枴緾N201310489258
【發(fā)明人】孫克輝, 賀少波, 王會海
【申請人】中南大學(xué)
【公開日】2015年4月29日
【申請日】2013年10月18日