[发明专利]一种基于深度学习的HRRP有目标对抗样本生成方法

权利要求书

1.一种基于深度学习的HRRP有目标对抗样本生成方法，其特征在于，包括以下步骤：

S1、利用数据集训练深度神经网络模型，获得深度神经网络模型模型的参数；

S2、选取一个样本作为原始样本并初始化算法参数，包括攻击的目标类别、缩放因子、最大迭代次数、置信度期望值和通用扰动功率；

S3、对选定的样本，计算目标类别的梯度方向，将梯度方向乘以缩放因子，获得扰动，将扰动添加到所选定的样本生成对抗样本；

S4、对步骤S3采用迭代方法，将所获得的扰动添加到原始样本中，不断更新对抗样本，利用更新后的对抗样本攻击深度神经网络模型；当深度神经网络模型将对抗样本识别成目标类别时，剔除掉该对抗样本中的原始样本数据，获得有目标细粒度对抗扰动；

S5、在步骤S4获得对抗样本的基础上继续迭代，直到深度神经网络模型对目标类别的置信度提高到期望值时，迭代结束，获得对抗样本；

S6、将步骤S5获得的对抗样本剔除掉原始样本数据，得到所选样本的有目标对抗扰动；

S7、将有目标对抗扰动的大小缩放到给定的扰动功率值，得到有目标通用扰动；

S8、将有目标通用扰动添加至任意样本中，生成对抗样本。

2.根据权利要求1所述的基于深度学习的HRRP有目标对抗样本生成方法，其特征在于，步骤S3采用FGSM算法生成扰动。

3.根据权利要求1所述的基于深度学习的HRRP有目标对抗样本生成方法，其特征在于，步骤S7生成的有目标通用扰动对整个数据集具有泛化能力。

4.根据权利要求1所述的基于深度学习的HRRP有目标对抗样本生成方法，其特征在于，步骤S3利用神经网络反向传播以及符号函数，计算样本在相应目标类别的交叉熵损失函数的梯度方向。

5.根据权利要求1所述的基于深度学习的HRRP有目标对抗样本生成方法，其特征在于，步骤S5中，深度神经网络模型对目标类别置信度的期望值exp为90％。

6.根据权利要求1所述的基于深度学习的HRRP有目标对抗样本生成方法，其特征在于，深度神经网络模型为MLP模型。