智能安全键盘软硬件完整方案

后再传送至FPGA。在FPGA上，信号处理模块运用神经网络算法对采集的信号样本进行处理，对于通过神经网络的信号样本，通过密码处理模块的混沌算法对密码进行加密后，再通过RS232总线送至PC。在PC端，密码实际上为密码原文经混沌加密以后的密文。

　　三、设计与实现的功能

1.安全性。以应用为基础，以神经网络为核心，以混沌算法辅助完成基于有限学习正例集合的正反例识别。通过采集用户击键习惯相关系数，采用BP神经网络算法动态学习、判别合法用户特征，再通过混沌算法对密码进行加密处理，实现高效、高用户辨别能力的身份认证。

2.多用户支持。利用FPGA的大量数据处理能力，可以方便地实现采样数据与相关数据库中大量数据的迅速比对。

3.力感识别。通过对相关资料的学习，我们发现目前关于用户特征信息采样的研究工作都是基于击键时间长短和时间间隔的，我们通过力度传感设备将用户击键力度数字化之后，作为用户特征信息的一个方面，进行比对验证和学习。

4.密码键盘与普通键盘的切换。单用户应用环境中，可以通过硬件开关屏蔽传感器不进行相应数据处理而实现密码键盘与普通键盘的切换。

5.成本低廉。对用户的眼底图像、指纹、头像等的识别均需要特殊的硬件设备，且有些设备价格相当昂贵，不利于系统的实施和推广。而除了力感识别所需的压力传感器以外，了解用户的击键节奏不需要添加其他硬件，是各种生物特征用户认证技术中代价较小的一种，易于为用户所接受。

　　四、性能指标

在系统检测方面，我们将分别模拟单用户和多用户应用环境，采集相关数据，通过以下两个评价指标，检测系统的性能：

1.检测率(Detection Rate，DR)：被检测到的假冒样本的数量和测试集中总的假冒样本的数量的比率;

2.虚警率(False Positive Rate，FPR)：正常样本数据被误检为假冒样本的数量和测试集中总的正常样本的数量的比率。

　　五、系统特色

本系统最大的特色在于采用了神经网络算法，智能地对用户击键特征进行学习和识别。

人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。目前，已有近40种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。根据连接的拓扑结构，神经网络模型可以分为：(1)前向网络 网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合。网络结构简单，易于实现。反传网络是一种典型的前向网络。(2)反馈网络 网络内神经元间有反馈，可以用一个无向的完备图表示。这种神经网络的信息处理是状态的变换，可以用动力学系统理论处理。系统的稳定性与联想记忆功能有密切关系。Hopfield网络、波耳兹曼机均属于这种类型。

学习是神经网络研究的一个重要内容，它的适应性是通过学习实现的。根据环境的变化，对权值进行调整，改善系统的行为。由Hebb提出的Hebb学习规则为神经网络的学习算法奠定了基础。Hebb规则认为学习过程最终发生在神经元之间的突触部位，突触的联系强度随着突触前后神经元的活动而变化。在此基础上，人们提出了各种学习规则和算法，以适应不同网络模型的需要。有效的学习算法，使得神经网络能够通过连接权值的调整，构造客观世界的内在表示，形成具有特色的信息处理方法，信息存储和处理体现在网络的连接中。

本系统采用的神经网络算法的学习方式为监督学习。我们将训练样本的数据加到网络输入端，同时将相应的期望输出与网络输出相比较，得到误差信号，以此控制权值连接强度的调整，经多次训练后收敛到一个确定的权值。当样本情况发生变化时，经学习可以修改权值以适应新的环境。

人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。

神经网络在这个领域中