[发明专利]基于神经网络的高鲁棒用户分类方法及系统

权利要求书

1.基于神经网络的高鲁棒用户分类方法，其特征是，包括：

获取健康用户的体检数据；基于健康用户的体检数据，生成输入集合；

其中，获取健康用户的体检数据，是指：获取健康用户的体检报告；将体检报告通过扫描仪扫描成电子体检报告；对电子体检报告进行OCR识别，得到电子体检数据；

其中，基于健康用户的体检数据，生成输入集合；具体包括：对健康用户的电子体检数据，进行归一化处理；设定允许的误差；根据归一化处理后的电子体检数据和允许的误差，生成输入集合；

将输入集合作为二叉树的根结点，每层结点都是由其父结点代表的超矩形二等分得到的，直到某层结点代表的超矩形达到指定的大小限制，那么不再继续二等分，当前层结点就是叶子结点，得到搜索用的二叉树；

对二叉树进行遍历，搜索二叉树的每个结点，如果此结点代表的超矩形位于输入集合边界上，则将其输入到待验证的神经网络中，待验证的神经网络输出可达集合；如果搜索到某个叶子结点代表的超矩形的输出可达集合估计不包含在输出限制中，则得到当前待验证的神经网络是不安全的结论；否则，得到当前待验证的神经网络是安全的结论；

对验证结果为安全的神经网络进行训练，训练集为已知健康或非健康标签的用户体检数据；

将新用户的体检数据，输入到训练后的神经网络中，输出新用户的分类标签。

2.如权利要求1所述的基于神经网络的高鲁棒用户分类方法，其特征是，得到搜索用的二叉树；具体包括：

将输入集合作为二叉树的根结点；

任意结点，通过超矩形二等分的形式产生两个子结点；其中，二等分是按照宽度最大的维度等分的方式进行分割的，如果有多个维度的宽度同时是最大的，则选择顺序最靠前的维度作为分割的依据；

二叉树逐层不断生长，直至某层的结点代表的超矩形的最大宽度小于或等于某个给定的实数，这时，不再将这一层的超矩形进行分割，这一层的结点就是叶子结点。

3.如权利要求1所述的基于神经网络的高鲁棒用户分类方法，其特征是，对二叉树进行遍历，搜索二叉树的每个结点，将二叉树的每个结点代表的超矩形输入到待验证的神经网络中，待验证的神经网络输出可达集合；具体步骤包括：

S1031：初始化栈为空，将根结点压栈；

S1032：判断栈是否为空；当栈不为空时，循环S1033；当栈为空时，进入S1034；

S1033：S1033包括S10331、S10332和S10333三个步骤；

S10331：弹出栈顶元素某个结点，如果此结点代表的超矩形位于输入集合边界上，那么计算其输出可达集合，进入下一步；否则返回S1032；

S10332：如果这个输出可达集合是输出限制的子集，那么返回S1032；否则，执行下一步；

S10333：如果此结点是叶子结点，终止循环，并得到当前待验证的神经网络是不安全的结论；否则，将此结点的两个子结点压栈；

S1034：如果栈为空，并且没有得到神经网络是不安全的结论，那么神经网络就是安全的。

4.如权利要求1所述的基于神经网络的高鲁棒用户分类方法，其特征是，所述待验证的神经网络输出可达集合；具体步骤包括：

求出第一个隐藏层的各个结点的取值范围；

然后，求出第二个、第三个直到输出层各个结点的取值范围；

输出层各个结点的取值范围组成的超矩形即是R_k。