[发明专利]一种基于深度学习的熵率测试方法

权利要求书

1.一种基于深度学习的熵率测试方法，其特征在于：包括如下步骤：

S1：熵源数据收集处理：收集熵源输出的随机数，得到原始数据，熵源产生随机数的速率为v，原始数据经过批标准化后以数组形式重新排列为一定长度的输入序列和对应的输出标签，重新排列后的数据一部分作为用于训练模型的训练集和验证集，另一部分作为测试集；

S2：深度学习模型训练：选择深度学习模型并配置模型的超参数，模型经过初始化后，将训练集和验证集输入深度学习模型，模型根据前向传播方程预测下一位输出，将预测值与真实值进行比较并计算损失函数，然后计算梯度并更新预测模型；

训练过程中监控验证集的损失，重复步骤S2直到完成模型训练，保存表现最好的模型；

S3：数据测试：加载训练好的模型，输入测试集，模型输出测试数据的所有预测结果；

S4：熵率计算：根据训练后模型输出的测试集预测结果计算最小熵H_min，计算最终的熵率测试结果：。

2.根据权利要求1所述的一种基于深度学习的熵率测试方法，其特征在于：所述深度学习模型具体为基于LSTM和注意力机制的深度学习模型，包括独热编码层、LSTM层、注意力机制层和全连接层。

3.根据权利要求2所述的一种基于深度学习的熵率测试方法，其特征在于：所述注意力机制层包括CNN滤波器和一个测试得分函数，用于分析时间信息。

4.根据权利要求1所述的一种基于深度学习的熵率测试方法，其特征在于：所述步骤S1中的随机数具体使用比特流读取随机数序列，获取原始数据。