[發明專利]一種基于優化LSTM的移動設備用戶認證方法及裝置

在審

• 申請號: 202010727680.2
• 申請日: 2020-07-24
• 公開（公告）號: CN112016673A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 朱添田;翁正秋;宋琪杰
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06K9/62;G06F21/31
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 解明鎧

1.一種基于優化LSTM的移動設備用戶認證方法，其特征在于，所述方法包括如下步驟：

獲取包括多條訓練樣本的訓練樣本集，所述訓練樣本包括移動設備用于進行設備用戶認證的特征數據以及該特征數據對應的標簽；

利用所述訓練樣本集對預先設定的LSTM模型進行訓練得到認證模型；

獲取待認證移動設備用戶的特征數據作為所述認證模型的輸入，以所述認證模型在該輸入下的輸出作為待認證設備的認證結果。

2.如權利要求1所述的基于優化LSTM的移動設備用戶認證方法，其特征在于，所述利用所述訓練樣本集對預先設定的LSTM模型進行訓練得到認證模型包括：基于所述的訓練樣本集利用增強SGD算法學習LSTM神經網絡的網絡參數。

3.如權利要求2所述的基于優化LSTM的移動設備用戶認證方法，其特征在于，基于所述的訓練樣本集利用增強SGD算法學習LSTM神經網絡的網絡參數包括：

設定初始網絡參數以及最大迭代次數；

基于增強SGD算法學習LSTM神經網絡的網絡參數，每次迭代進行如下操作：

使用隨機的抽樣概率n/N在訓練樣本集隨機選擇樣本進入組，n為隨機抽取的訓練樣本的數量，N訓練樣本集中的樣本數量；

利用樣本進入組以及預設的損失函數計算所述神經網絡的梯度值；

對所述的梯度值進行裁剪得到裁剪梯度值；

將高斯噪聲作為魯棒因子添加至經過裁剪梯度值中得到魯棒梯度值

按照如下公式進行梯度下降運算：

其中，t為當前迭代次數，t＝0，1，2，......T，T為最大迭代次數，η_t為預設第t次迭代的學習率，θ_t第t次迭代的網絡參數，θ₀為預設的初始網絡參數，為第t次迭代計算得到的魯棒梯度值。

4.如權利要求3所述的基于優化LSTM的移動設備用戶認證方法，其特征在于，根據如下公式利用樣本進入組以及預設的損失函數計算梯度值：

其中，為預設的損失函數：

其中，x_i為樣本進入組中的第i個訓練樣本，θ表示網絡參數；y_i表示訓練樣本x_i對應的標簽，0代表他人數據，1代表本人數據；f(x_i，θ)表示輸入為訓練樣本x_i且網絡參數為θ時計算得到的分類值，該分類值的取值范圍為0～1。

5.如權利要求4所述的基于優化LSTM的移動設備用戶認證方法，其特征在于，通過L1范數進行標準裁剪對所述的梯度值進行裁剪得到裁剪梯度值：

式子中，g_t(x_i)表示梯度值，表示裁剪梯度值，C為用于進行梯度范數邊界控制的裁剪閾值。

6.一種基于優化LSTM的移動設備用戶認證裝置，其特征在于，所述移動設備用戶認證裝置包括：

第一模塊，用于獲取包括多條訓練樣本的訓練樣本集，所述訓練樣本包括移動設備用于進行設備用戶認證的特征數據以及該特征數據對應的標簽；

第二模塊，用于利用所述訓練樣本集對預先設定的LSTM模型進行訓練得到認證模型；

第三模塊獲，用于獲取待認證移動設備用戶的特征數據作為所述認證模型的輸入，以所述認證模型在該輸入下的輸出作為待認證設備的認證結果。

7.如權利要求6所述的基于優化LSTM的移動設備用戶認證裝置，其特征在于，所述第二模塊包括：

第一子模塊，用于基于所述的訓練樣本集利用增強SGD算法學習LSTM神經網絡的網絡參數。