Update readme.md

readme.md

@@ -149,7 +149,7 @@ $$
 
 #### RNN Cell
 
-​		每一个 RNN 神经元接受 160 个比特的串作为输入，这里将其记为 $I_i = J_{i1}J_{i2}J_{i3}J_{i4}J_{i5}$，其中 $J_{ij}$ 是一个 32 比特的串。我们令 $Q_1 \sim CS, Q_2 \sim CS$，然后令 $W_i \sim CS , 1\le i\le5$，定义 32 位乘法为将乘法结果的高 32 位与低 32 位异或：
+​		每一个 RNN 神经元接受 160 个比特的串作为输入，这里将其记为 $I_i = J_{i1}J_{i2}J_{i3}J_{i4}J_{i5}$，其中 $J_{ij}$ 是一个 32 比特的串。我们令 $Q_1 \sim CS, Q_2 \sim CS$，然后令 $W_i \sim CS , 1\le i\le5$，定义 32 位乘法为将乘法结果的高 32 位与低 32 位进行或运算：
 $$
 F_1 \leftarrow J_{i1} \times W_1 + J_{i2} \times W_2 + J_{i3} \times W_3 + prev \\
 F_2 \leftarrow J_{i4} \times W_4 + J_{i5} \times W_5
@@ -186,7 +186,7 @@ H_{7}=D_{2} \oplus D_{3} \oplus t_{1} \\
 \text { where } t_{1}=C h\left(D_{1}, D_{2}, D_{3}\right) \oplus D_{4} \oplus \Sigma 1\left(D_{3}\right)
 \end{array}\right.
 $$
-​		非线性激活层首先定义 $h_i = J_i\oplus J_{i+5}, 1\le i \le5$，其中 $J_i = W_i \times I_i$，$W_i \sim  CS$，$I_i$ 是将输入的 320 比特等分成 10 份中的结果，长度为 32 比特，这里 $1 \le i \le 10$。32 位乘法定义为两数相乘结果中高 32 位与低 32 位的异或。
+​		非线性激活层首先定义 $h_i = J_i\oplus J_{i+5}, 1\le i \le5$，其中 $J_i = W_i \times I_i$，$W_i \sim  CS$，$I_i$ 是将输入的 320 比特等分成 10 份中的结果，长度为 32 比特，这里 $1 \le i \le 10$。32 位乘法定义为两数相乘结果中高 32 位与低 32 位的或运算。
 
 ​		然后，对这个结果的前 5 个 32 比特迭代重复 $N_r$ 次 $Cell_{5-8}$，
 
@@ -236,7 +236,7 @@ $$
 | 13   | Random Excursions Variant      | 18/18$^1$   | 通过$^1$     | -                               |
 | 14   | Serial                         | 2/2$^1$     | 通过$^1$     | $m=\lfloor \log_2 n \rfloor -3$ |
 | 15   | Linear Complexity              | 110/111     | 0.818179     | -                               |
-
+<center>Figure 4.2.1.1 NIST 测试结果</center>
 注：
 
 1. 表示该检测度量有多个指标
@@ -261,6 +261,8 @@ $$
 
 <img src="https://s1.ax1x.com/2022/05/15/ORaSz9.png" style="zoom: 33%;" />
 
+<center>Figure 4.2.2.1 Diffusion Test</center>
+
 定量计算
 
 1. 改变位数的最小值 $B_{\min }=\min \left(\left\{B_{i}\right\}_{i=1, \ldots, N}\right)$
@@ -279,6 +281,8 @@ $$
 
 <img src="https://s2.loli.net/2022/05/14/UOcxGS9DXVHZR2z.png" alt="image-20220514222253677" style="zoom:50%;" />
 
+<center>Figure 4.2.3.1 DSTMap Result</center>
+
 ​		我们混沌系统采用的发生函数 $\text{DSTMap}_Q$ 可以很好地起到生成均匀分布的数据的目的。我们这里对 STMap 做了实验，取 $\mu = 1, Q=0.3$，然后对输出函数 $\text{STMap}_{0.3}$ 做傅里叶变换后得到上图，可以看出数据具有较强的随机性，满足均匀分布的条件。