[發明專利]一種基于深度學習的HRRP無目標對抗樣本生成方法

在審

• 申請號: 202010138302.0
• 申請日: 2020-03-03
• 公開（公告）號: CN111368908A
• 公開（公告）日: 2020-07-03
• 發明（設計）人: 黃騰;陳湧鋒;閆紅洋;楊碧芬;姚炳健
• 申請（專利權）人: 廣州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06N3/04
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 林梅繁;裘暉

本發明屬于雷達圖像識別領域，為基于深度學習的HRRP無目標對抗樣本生成方法。包括：利用數據集訓練深度神經網絡模型，并獲得其參數；選取樣本并初始化算法參數；對所有的樣本類別，基于FGSM算法，采用二分查找方法獲得每個類別的擾動縮放因子；在所有類別獲得的擾動縮放因子中，選取最小縮放因子，計算該縮放因子對應類別的梯度方向，獲得n個樣本的無目標細粒度對抗擾動；將無目標細粒度對抗擾動添加至原始樣本，生成對抗樣本；將n個樣本的無目標細粒度對抗擾動聚合，獲得無目標通用擾動；將無目標通用擾動添加至任意樣本，生成對抗樣本。本發明能夠獲得無目標細粒度擾動和通用擾動，生成相應的對抗樣本，提高了雷達目標識別的安全性。

技術領域

本發明屬于雷達圖像識別領域，具體為一種基于深度學習的HRRP無目標對抗樣本生成方法。

背景技術

基于深度學習的雷達目標識別算法，具有端對端特征學習的優勢，能有效地提高目標識別率，成為雷達目標識別的一類重要方法。但是，最近的研究表明，基于深度學習的光學圖像識別方法容易受到對抗樣本的對抗攻擊。對抗樣本的存在表明深度學習方法存在極大的安全隱患。

深度學習的端到端和自動特征學習的優勢，為基于HRRP的目標識別提供了一類方法，在實際應用中取得了很好的效果。例如，Jarmo Lunden等人在2016年的IEEE Radar會議上發表了論文《Deep Learning for HRRP-based target recognition in multistaticradar systems》，提出了一種基于深度卷積神經網絡的方法，利用卷積神經網絡的自動特征提取功能代替傳統的手工特征提取方式，降低了特征提取的難度，并提高了識別率。

然而，深度學習方法很容易受到對抗攻擊。Szegedy等人在2013年發表論文《Intriguing properties of neural networks》，首次發現了一個“反直覺”的現象，攻擊者通過人為設計一種在視覺上不易于察覺的干擾信息注入輸入樣本，使輸入樣本具有攻擊性。它可以使基于深度學習方法的目標識別系統，以高置信度輸出攻擊者想要的任意錯誤結果。隨著技術的發展，對抗樣本在光學圖像中的生成和應用方面不斷得到發展，但是，XieC等人在2017年Proceedings of the IEEE International會議上發表了論文《Adversarial examples for semantic segmentation and object detection》，表示對抗樣本的生成機理和防御依然沒有得到解決。由此引起了其他應用深度學習技術領域的關注。例如，在無線電傳播上，Meysam等人在2018年的IEEE Wireless CommunicationsLetters期刊上發表論文《Adversarial attacks on deep-learning based radio signalclassification》，提出了生成白盒和通用黑盒對抗樣本的方法，證明了對抗樣本對分類器分類性能的破壞性很大，表明了基于深度學習算法的無線電信號分類是非常容易受到攻擊的。然而，基于雷達一維距離像的目標識別是否存在對抗樣本依然是一個開放性的問題，目前暫未發現相關研究的文獻。

因此，本發明在基于深度學習的一維雷達距離像目標識別下，生成無目標對抗樣本，將可以為提高雷達目標識別安全性提供幫助，具有重要的研究意義和迫切的實際需求。

發明內容

為了解決現有技術所存在的問題，本發明提供一種基于深度學習的HRRP無目標對抗樣本生成方法，該方法能夠獲得無目標細粒度擾動和通用擾動，生成相應的對抗樣本，為對抗樣本的生成機理和防御方法提供思路和幫助，提高了雷達目標識別的安全性，具有重要的現實應用價值。

本發明采用以下技術方案來實現，基于深度學習的HRRP無目標對抗樣本生成方法，包括以下步驟：

S1、利用數據集訓練深度神經網絡模型，并獲得深度神經網絡模型的參數；

S2、選取樣本并初始化算法參數；