墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
375平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
Lorentz混沌图像加密算法及其Matlab实现
混沌加密是一种基于混沌理论的加密方法，它利用混沌系统的随机性和不可预测性来实现对数据的加密和解密。Lorentz混沌是一种常见的混沌系统，它具有非线性、非周期性和敏感依赖于初始条件的特点，适用于图像加密领域。在本文中，我们将介绍Lorentz混沌图像加密算法的原理，并提供Matlab代码实现。
Lorentz混沌系统的动力学方程可以表示为：
dx/dt = σ(y - x)
dy/dt = x(ρ - z) - y
dz/dt = xy - βz
其中，x、y和z分别是Lorentz混沌系统的状态变量，σ、ρ和β是系统的参数。通过选择不同的参数值，可以得到不同的混沌序列。在图像加密中，我们可以利用Lorentz混沌序列对图像进行加密操作。
下面是使用Matlab实现Lorentz混沌图像加密算法的代码：
% Lorentz混沌图像加密算法
function encryptedImage = lorentzImageEncryption(image, sigma【图像加密解密】混沌序列图像加密解密（含相关性检验）【含GUI Matlab源码 1862期】
混沌序列图像加密解密（含相关性检验） 完整的代码，方可运行；可提供运行操作视频！适合小白！
混沌加密算法是一种高效的加密方法，可以有效地保护数据的安全性
由于图像是三维的，因此需要使用三个Lorentz混沌系统分别产生R、G、B三个通道的像素值。然后，使用decrypt函数对加密后的图像进行解密，得到原始图像。其中，Lorentz混沌系统被广泛应用于图像加密领域，因为其产生的混沌序列具有高度随机性和不可预测性。其中，x、y、z分别表示三个状态变量，σ、ρ、β为混沌系统参数。本篇文章将介绍基于Lorentz混沌系统的彩色图像加密算法，同时给出相应的MATLAB实现代码。最后，我们将产生的密钥序列与原始图像进行异或操作，得到加密后的图像。
【MATLAB代码，多无人机路径规划6】基于RRT与动态窗口法（RRT+DWA）的多无人机二维动态路径规划与避障。订阅专栏后可查看完整代码
本文基于MATLAB实现四架无人机在二维动态障碍环境中的协同路径规划，采用RRT+DWA算法，支持参数自定义。通过对比RRT+APF与RRT+DWA的避障效果，可视化轨迹、净间隙、速度加速度及航程等，输出任务完成率与碰撞统计。代码可直接运行，订阅专栏后获取完整源码，支持定制与讲解。
【MATLAB代码，无人机避障7】基于RRT*与人工势场法（RRT*+APF）的多无人机二维动态路径规划与避障。订阅专栏后可查看完整代码
本文基于RRT与人工势场法（APF）实现四架无人机在二维动态障碍环境中的协同路径规划与避障。通过RRT优化全局路径，结合APF进行局部避碰，支持参数自定义，提供完整MATLAB代码，可直接运行并生成轨迹、安全净间隙、速度加速度及航程等可视化结果，对比RRT+APF与RRT*+APF性能，适用于科研与教学。
【代码】二维n锚点多目标的AOA（到达角度）定位，距离辅助增强精度。订阅专栏后可查看完整代码
本文基于多基站AOA角度观测与距离辅助信息，实现多个静态目标的二维定位，对比纯AOA最小二乘与AOA+距离辅助定位性能。通过MATLAB仿真，绘制真实与估计位置图、分轴RMSE及误差统计图，输出各目标坐标与误差指标。支持基站与目标数量、位置分布、噪声参数自定义，订阅专栏可获取完整代码，直接运行即可获得结果。
基于Arnold和lorenz超混沌图像加密算法代码
基于Arnold和lorenz超混沌图像加密算法代码
嵌入式通信协议----Wi-Fi协议详解（一）
Wi-Fi，又称“无线网络”，是Wi-Fi联盟的商标，一个基于IEEE 802.11标准的无线局域网技术。“Wi-Fi”常写作“WiFi”或“Wifi”，但是这些写法并没有被Wi-Fi联盟认可。Wi-Fi产品经由Wi-Fi联盟的一家独立授权测试实验室进行严格测试，产品成功通过测试后，授予制造商或销售商使用Wi-Fi标志、Wi-Fi CERTIFIED标志和相关商标，Wi-Fi联盟使用术语“Wi-Fi CERTIFIED”来称呼这类通过认证的产品。
VIPER22A实战：从零搭建15W非隔离电源，附BUCK电路调试心得
本文详细介绍了使用VIPER22A芯片从零搭建15W非隔离电源的全流程，重点解析BUCK电路设计与调试技巧。通过核心参数计算、PCB布局优化和效率提升方案，帮助工程师快速掌握DC-DC电源设计要点，实现高效稳定的电源转换。
conda环境的复制、备份操作
请确保将 source_env 替换为你要复制的现有环境的名称，并将 target_env 替换为你要创建的新环境的名称。要备份一个Conda虚拟环境，你需要将环境的配置信息和依赖包列表保存起来，以便在需要的时候能够重新创建相同的环境。要将现有的 conda 环境复制为其他环境，可以使用 conda create 命令并克隆已存在的环境。
DNA pull-down技术避坑指南：从探针设计到质谱验证的完整实验方案
本文提供了一份详尽的DNA pull-down技术实战避坑指南，涵盖从探针设计、生物素标记、磁珠选择与预处理，到结合洗脱优化及下游质谱验证或Western Blot验证的全流程。重点解析了如何通过精细操作降低非特异性结合、提高实验特异性与重复性，并对比了质谱与WB两种验证路径的适用场景，旨在帮助研究者构建稳健可靠的DNA-蛋白质互作研究体系。
2026.11.12：2026.11.12最新的Ubuntu26.04安装docker-ce
本文介绍了在Ubuntu 26.04系统上安装Docker CE的完整步骤。首先需要卸载旧版本的Docker组件，然后通过设置官方仓库进行安装。具体步骤包括：更新系统、安装必要依赖、添加Docker GPG密钥、配置稳定版仓库源、安装Docker Engine及containerd。文章还提供了安装特定版本Docker的方法，并说明了如何将用户加入docker组以获取权限，最后设置Docker开机自启。整个过程详细清晰，适合在Ubuntu系统上部署Docker环境的用户参考。
【Claude】Extra inputs are not permitted 错误：代理剥离 Beta 标头的解决方案 bug报错已解决
深入分析Claude Code Extra inputs are not permitted 400错误的技术原理，解析代理剥离Beta标头的根因与多种修复方案。
直流母线电压采集与缓冲调理电路
本文介绍了一种直流母线电压采集与缓冲调理电路的设计与应用。该电路通过电阻分压网络将高压直流母线电压降至适合ADC采样的范围，并采用运放电压跟随器实现高输入阻抗和低输出阻抗的缓冲功能，有效提高采样精度和抗干扰能力。文章重点阐述了低输出阻抗对驱动负载、抗干扰和电压稳定的重要性，并列举了该电路在工业电源监测、电动汽车BMS、通信电源和储能系统等领域的典型应用场景。
2026年江苏省职业院校技能大赛高职组“软件测试”赛项智能体辅助测试参考答案
2026年江苏省职业院校技能大赛高职组“软件测试”赛项智能体辅助测试参考答案
假人有限元模型
假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
1537
扫一扫
