[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有效
申请号: | 202010141577.X | 申请日: | 2020-03-03 |
公开(公告)号: | CN111368725B | 公开(公告)日: | 2023-10-03 |
发明(设计)人: | 黄腾;杨碧芬;闫红洋;姚炳健;陈湧锋 | 申请(专利权)人: | 广州大学 |
主分类号: | G06N3/0475 | 分类号: | G06N3/0475;G06N3/048;G06N3/084;G06N3/094;G06V10/764;G06V10/82 |
代理公司: | 广州市华学知识产权代理有限公司 44245 | 代理人: | 林梅繁;裘晖 |
地址: | 510006 广东省*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 深度 学习 hrrp 目标 对抗 样本 生成 方法 | ||
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。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广州大学,未经广州大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010141577.X/1.html,转载请声明来源钻瓜专利网。