[發(fā)明專利]一種基于深度學(xué)習(xí)的HRRP無目標(biāo)對(duì)抗樣本生成方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010138302.0
• 申請(qǐng)日: 2020-03-03
• 公開（公告）號(hào): CN111368908A
• 公開（公告）日: 2020-07-03
• 發(fā)明（設(shè)計(jì)）人: 黃騰;陳湧鋒;閆紅洋;楊碧芬;姚炳健
• 申請(qǐng)（專利權(quán)）人: 廣州大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/08;G06N3/04
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司 44245
• 代理人: 林梅繁;裘暉

1.一種基于深度學(xué)習(xí)的HRRP無目標(biāo)對(duì)抗樣本生成方法，其特征在于，包括以下步驟：

S1、利用數(shù)據(jù)集訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型，并獲得深度神經(jīng)網(wǎng)絡(luò)模型的參數(shù)；

S2、選取樣本并初始化算法參數(shù)；

S3、對(duì)所有的樣本類別，基于FGSM算法，采用二分查找方法獲得每個(gè)類別的擾動(dòng)縮放因子；

S4、在所有類別獲得的擾動(dòng)縮放因子中，選取最小縮放因子，計(jì)算該縮放因子對(duì)應(yīng)類別的梯度方向，獲得n個(gè)樣本的無目標(biāo)細(xì)粒度對(duì)抗擾動(dòng)；

S5、將無目標(biāo)細(xì)粒度對(duì)抗擾動(dòng)添加至原始樣本，生成對(duì)抗樣本；

S6、將n個(gè)樣本的無目標(biāo)細(xì)粒度對(duì)抗擾動(dòng)聚合，獲得無目標(biāo)通用擾動(dòng)；

S7、將無目標(biāo)通用擾動(dòng)添加至任意樣本，生成對(duì)抗樣本。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的HRRP無目標(biāo)對(duì)抗樣本生成方法，其特征在于，步驟S3中，對(duì)FGSM算法所生成的擾動(dòng)縮放因子進(jìn)行選擇，選擇過程中采用二分查找方法不斷縮小分區(qū)范圍，直到獲得每個(gè)類別對(duì)應(yīng)的符合期望精度的擾動(dòng)縮放因子。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的HRRP無目標(biāo)對(duì)抗樣本生成方法，其特征在于，步驟S4中，利用神經(jīng)網(wǎng)絡(luò)反向傳播以及符號(hào)函數(shù)計(jì)算最小縮放因子所對(duì)應(yīng)類別的交叉熵?fù)p失函數(shù)的梯度方向，將最小縮放因子乘上該梯度方向，獲得樣本的細(xì)粒度擾動(dòng)。

4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的HRRP無目標(biāo)對(duì)抗樣本生成方法，其特征在于，設(shè)數(shù)據(jù)集中樣本的類別數(shù)為cls，對(duì)選取的n個(gè)樣本，針對(duì)每個(gè)類別，基于FGSM算法，利用神經(jīng)網(wǎng)絡(luò)反向傳播以及符號(hào)函數(shù)計(jì)算相應(yīng)類別的交叉熵?fù)p失函數(shù)的梯度方向p_norm；然后，在給定范圍內(nèi)，分別采用二分查找算法尋找每個(gè)類別中合適的擾動(dòng)縮放因子ε使得計(jì)算得到的細(xì)粒度擾動(dòng)p＝ε*p_norm能夠使深度神經(jīng)網(wǎng)絡(luò)模型誤分類；若通過二分查找算法找不到合適的擾動(dòng)縮放因子，則將擾動(dòng)縮放因子取值為給定范圍的最大值，從而得到了cls個(gè)擾動(dòng)縮放因子{ε₁,ε₂,…,ε_cls}；

得到cls個(gè)類別的擾動(dòng)縮放因子后，計(jì)算所有類別的擾動(dòng)縮放因子中最小值ε_min以及該類別的梯度方向p_norm；通過公式p＝ε_min*p_norm計(jì)算得到所選樣本的無目標(biāo)的細(xì)粒度對(duì)抗擾動(dòng)p。

5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的HRRP無目標(biāo)對(duì)抗樣本生成方法，其特征在于，步驟S6中，首先設(shè)定通用擾動(dòng)的功率，再基于設(shè)定的通用擾動(dòng)的功率，對(duì)n個(gè)樣本的無目標(biāo)細(xì)粒度擾動(dòng)聚合。

6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的HRRP無目標(biāo)對(duì)抗樣本生成方法，其特征在于，步驟S6中，如果聚合過程中得到的通用擾動(dòng)的功率超過設(shè)定通用擾動(dòng)功率，則將聚合得到的通用擾動(dòng)功率約束到與設(shè)定通用擾動(dòng)功率同等大小。

7.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的HRRP無目標(biāo)對(duì)抗樣本生成方法，其特征在于，步驟S6中，對(duì)步驟S2選取的n個(gè)樣本分別生成無目標(biāo)細(xì)粒度對(duì)抗擾動(dòng)，然后將這些無目標(biāo)細(xì)粒度對(duì)抗擾動(dòng)在給定約束條件PSR下進(jìn)行聚合，獲得給定擾動(dòng)量的具有泛化能力的通用對(duì)抗擾動(dòng)。

8.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的HRRP無目標(biāo)對(duì)抗樣本生成方法，其特征在于，步驟S1中的深度神經(jīng)網(wǎng)絡(luò)模型為MLP模型。