[发明专利]一种基于优化LSTM的移动设备用户认证方法及装置

权利要求书

1.一种基于优化LSTM的移动设备用户认证方法，其特征在于，所述方法包括如下步骤：

获取包括多条训练样本的训练样本集，所述训练样本包括移动设备用于进行设备用户认证的特征数据以及该特征数据对应的标签；

利用所述训练样本集对预先设定的LSTM模型进行训练得到认证模型；

获取待认证移动设备用户的特征数据作为所述认证模型的输入，以所述认证模型在该输入下的输出作为待认证设备的认证结果。

2.如权利要求1所述的基于优化LSTM的移动设备用户认证方法，其特征在于，所述利用所述训练样本集对预先设定的LSTM模型进行训练得到认证模型包括：基于所述的训练样本集利用增强SGD算法学习LSTM神经网络的网络参数。

3.如权利要求2所述的基于优化LSTM的移动设备用户认证方法，其特征在于，基于所述的训练样本集利用增强SGD算法学习LSTM神经网络的网络参数包括：

设定初始网络参数以及最大迭代次数；

基于增强SGD算法学习LSTM神经网络的网络参数，每次迭代进行如下操作：

使用随机的抽样概率n/N在训练样本集随机选择样本进入组，n为随机抽取的训练样本的数量，N训练样本集中的样本数量；

利用样本进入组以及预设的损失函数计算所述神经网络的梯度值；

对所述的梯度值进行裁剪得到裁剪梯度值；

将高斯噪声作为鲁棒因子添加至经过裁剪梯度值中得到鲁棒梯度值

按照如下公式进行梯度下降运算：

其中，t为当前迭代次数，t＝0，1，2，......T，T为最大迭代次数，η_t为预设第t次迭代的学习率，θ_t第t次迭代的网络参数，θ₀为预设的初始网络参数，为第t次迭代计算得到的鲁棒梯度值。

4.如权利要求3所述的基于优化LSTM的移动设备用户认证方法，其特征在于，根据如下公式利用样本进入组以及预设的损失函数计算梯度值：

其中，为预设的损失函数：

其中，x_i为样本进入组中的第i个训练样本，θ表示网络参数；y_i表示训练样本x_i对应的标签，0代表他人数据，1代表本人数据；f(x_i，θ)表示输入为训练样本x_i且网络参数为θ时计算得到的分类值，该分类值的取值范围为0～1。

5.如权利要求4所述的基于优化LSTM的移动设备用户认证方法，其特征在于，通过L1范数进行标准裁剪对所述的梯度值进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为用于进行梯度范数边界控制的裁剪阈值。

6.一种基于优化LSTM的移动设备用户认证装置，其特征在于，所述移动设备用户认证装置包括：

第一模块，用于获取包括多条训练样本的训练样本集，所述训练样本包括移动设备用于进行设备用户认证的特征数据以及该特征数据对应的标签；

第二模块，用于利用所述训练样本集对预先设定的LSTM模型进行训练得到认证模型；

第三模块获，用于获取待认证移动设备用户的特征数据作为所述认证模型的输入，以所述认证模型在该输入下的输出作为待认证设备的认证结果。

7.如权利要求6所述的基于优化LSTM的移动设备用户认证装置，其特征在于，所述第二模块包括：

第一子模块，用于基于所述的训练样本集利用增强SGD算法学习LSTM神经网络的网络参数。